TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #549 · 9.09
Скорость полёта FPV-дрона зависит от многих параметров, но управляется наклоном курсовой камеры. В самом деле — для создания горизонтальной тяги дрон летит "носом вниз", поэтому камеру, наоборот, задирают вверх относительно плоскости корпуса. У Nazgul из коробки угол камеры довольно большой, на что я сначала не посмотрел. В общем, видео ниже без ускорения. Совсем. Учитывая, что это мой первый FPV-полёт на настоящем дроне без автоматики, можете представить, как было страшно. И по ощущениям страшно, и за дрон тоже (падение в болото это с высокой вероятностью потеря дрона). Страшно, но кайфово. Контроль достаточно тонкий, а обзор достаточно погружающий, чтобы пилот ощущал именно себя несущимся куда-то на дикой скорости. И на подобных открытых пространствах это особенно сильно проявляется. Я после этого чуть-чуть полетал вблизи городской местности и над постройками — совсем не то. Совершенно новые впечатления. Более крутые, чем от DJI, который относительно медленный в рамках FPV и более тяжёлый, из-за чего у него выше инерция. Но приземляться пока не умею, сложно. Как раз из-за угла камеры землю под собой ты не видишь при движении на небольшой скорости, так что надежда только на его прочность и способность выдерживать падения с небольшой высоты, которые у меня вместо посадки пока что. Нужно больше учиться. Но угол камеры я чуть уменьшил. Наберусь опыта, тогда верну :) https://www.youtube.com/watch?v=OAasFai9b3U #drone#hobby#gadgets
Търсене: #mlm
@profcen · Post #383 · 16.08.2023 г., 09:03
Поэтому вести борьбу с купцами счастья нужно неустанно и постоянно, как за зарплаты и нормальные условия труда. Победа на этом фронте сулит значительные успехи и на остальных. Не слушайте игры нарядных дудочников. Думайте. Боритесь. @profcen_bot #инсайд#мошенничество#mlm#сетевоймаркетинг
@ai_machinelearning_big_data · Post #8817 · 20.10.2025 г., 20:41
⚡️BERT is just a Single Text Diffusion Step Любопытны пост, где автор объяснил на примере очень простую и очевидную, но мощную идею. Он заметил, что то, что мы называем диффузией текста, на самом деле - это просто обобщённая версия классического обучения BERT. Как работаетBERT? В BERT модель берёт текст и маскирует часть слов, а потом учится угадывать, какие слова были скрыты. В диффузии происходит почти то же самое, только шагов больше: на каждом шаге модель немного «портит» текст (добавляет шум), а затем восстанавливает его, всё меньше и меньше теряя смысл, пока не соберёт финальный чистый текст. То есть BERT делает один шаг очистки - угадывает замаскированные слова. А диффузионная модель делает много таких шагов подряд, постепенно превращая случайный набор токенов в осмысленный текст. Барри дообучил RoBERTa, чтобы показать это на практике - и получил настоящий текстовый диффузионный генератор. В примере: - Используется RoBER (улучшенная версия модели BERT,) и датасет WikiText. - На каждом шаге часть токенов заменяется на <MASK>, модель восстанавливает их, потом снова маскирует — и так несколько раз. - После нескольких итераций модель способна генерировать связный текст, даже без автогенеративного декодера (как у GPT). 📈Результаты - Модель генерирует осмысленный текст, хотя и не идеально связный. - Качество улучшалось по мере добавления шагов диффузии. - По времени генерации RoBERTa Diffusion была немного медленнее, чем GPT-2 (~13 сек против 9 сек), но архитектура осталась полностью encoder-only. Автор упоминает, что позже наткнулся на работу DiffusionBERT, где идею реализовали глубже и подтвердили результатами. Главная мысль: BERT можно считать одноступенчатой версией текстовой диффузии. Если добавить больше шагов, то vs получаем диффузионный генератор текста. Если BERT - это один шаг диффузии, то будущее может принадлежать моделям, совмещающим "понимание" и "генерацию" текста в одном процессе. https://nathan.rs/posts/roberta-diffusion/ @ai_machinelearning_big_data #AI#Diffusion#RoBERTa#BERT#LanguageModel#MLM#Research