Хочу рекомендовать статью с достаточно подробным списоком функций активаций.
Чтобы столько в одном месте мне не приходилось встречать.

Поэтому оставлю это тут.

Из плюсов - много функций активаций и их производные (всё в одном месте)
Минус - нет объяснений, зачем может пригодиться та или иная функция, что важно новичкам.

Дополнительно оставлю код на Python с реализованными функциями активации (для закрепления материала)

Карта стандартных структур данных в Python 🐍

😂 #юморсообщества

Периодически меня спрашивают про книги в DS, а мне сложно ответить, потому что книги по этой сфере я не читаю. Не вижу в этом необходимости.

Чаще всего рекомендую идти на курсы (хоть бесплатные), чтобы получить структуру, а также скорей перейти к практике, и уже в процессе восполнять теорию.

Так эффективней, и знания укладываются сразу, ведь мозг лучше запоминает то, чем пользуются.

Однако мне недавно попался на канал с книгами по Data Science.
Книг много, и встречал те, которые обсуждают. Причём с возможностью скачать бесплатно.

Пользуйтесь на здоровье, и если книга была полезна, заплатите за неё издателю. Всегда стоит платить за труд.

Привезли стереокамеру от Intel.

Весь вечер пытался установить библиотеки Real Sense на свой M1, но пока потерпел фиаско.

Почему-то Intel решили прекратить развитие библиотек под компьютеры от Apple, и приходится собирать вручную.

Буду продолжать танцевать с бубном, но хорошо, что есть мак с процессором от Intel.

Можно работать пока без ухищрений особых.

На самом деле, самое нелюбимое в моей работе - это установка чего-либо туда, где это не должно работать.
Хотя с другой стороны, максимальный кайф, когда всё-таки это работает.

Я решил, что практически не рассказываю про свои будни, а они у меня интересные, поэтому периодически буду освещать какие-то любопытные по моему мнению моменты и истории.

#моя_работа

Случай на собеседовании

Удалось завести камеру, но на старом маке.

Проблем не возникло. Всё пошло, как по маслу.

Ощущения ликующего ребёнка. Очень интересно, там ещё куча режимов и настроек.

Прогнозирую неделю повышенного интереса к компьютерному зрению 👁‍🗨

В ближайшее время скину видео, как это всё чудо работает, и что можно в Python с этим делать.

#моя_работа

Оставлю это здесь, потому что очень полезно и интересно.

🔉Impulse response dataset 📂

Если вы в какой-то момент зададитесь вопросом, а как мне аугментировать аудио данные для задач речи, то наверняка наткнетесь на разные методы вроде добавления шума, реверберации и всего такого. Среди прочих датасетов можете найти так называемые RIR-датасеты, которые содержат room impulse response аудио. Как например этот: https://github.com/RoyJames/room-impulse-responses

И в начале этот датасет может ввести в замешательство, ведь все звуки из датасета будут похожи вот на такие щелчки (прекрепленное аудио).

Не очень понятно как такие использовать для аугментации данных. Вот и я по началу попал в такое замешательство.

Оказывается, здесь все несколько хитрее, чем просто складывание чистого аудио с шумом. Эти аудио на самом деле не совсем аудио, а некоторый "фильтр" который вы можете применить к вашей аудиодорожке по средствам свертки и получить искаженный звук, например получить эхо.

Данные фильтры получаются путем проигрывания заранее известного звука через очень качественные колонки и одновременной записи этого звука на микрофон в этом же помещении. Через разницу между изначальным звуком и записью можно вывести особенности комнаты где ведется запись, и получить фильтр который из чистой записи симулирует запись в этом помещении (например в большом органном зале).
Так с набором этих фильтров и различных шумов вы сможете симулировать огромное множество различных сред и разнообразить ваш датасет.


А вот краткий пример как делается применение RIR фильтра:

audio_orig = torch.tensor(librosa.load("audio.wav")[0]).unsqueeze(0)
rir = torch.tensor(librosa.load("rir.wav")[0]).unsqueeze(0).abs()
rir = (rir / torch.norm(rir, p=2)).flip([1])
audio = torch.nn.functional.pad(audio_orig, (rir.shape[1]-1, 0))
audio = torch.nn.functional.conv1d(audio.unsqueeze(0), rir.unsqueeze(0)).squeeze(0)

Когда веса итоговой обученной модели похожи на звук.

В этом что-то есть, как считаете?