TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #65 · 12.07

Попробовал полетать на новом дроне. Этот дрон — шаг от простого пилотирования к более сложному, но дающему больше возможностей и более динамичную картинку. Обычный дрон ожидает от пилота направление и скорость движения, об остальном заботится компьютер: сам рассчитывает углы и частоту вращения моторов, корректирует положение по GPS, использует детекторы препятствий и так далее. В съёмке с такого дрона тоже есть свои сложности — например, очень многие пилоты не умеют снимать без рывков по рысканию. Даже в недавней новости про самоходную океаническую посадочную платформу Илона Маска съёмки с дрона сделаны плохо, а пилот явно не обладал достаточным опытом. Тем не менее, на обычных дронах быстро упираешься в возможности по движениям, и дальнейшее расширение уровня интересности происходит, например, за счёт съёмок самых редких и отдаленных мест, которые даже с земли смотрятся круто. Если бы я был безработным миллиардером, не вылезающим из путешествий, то обычного дрона мне было бы более чем достаточно. Но при жизни обычного смертного за 5 лет съёмок захотелось чего-то нового. Поэтому я стал исследовать направление FPV — то есть First Person View. Это те ребята, которые пролетают под поездами и маневрируют внутри заброшек. С такого дрона можно снять крутое динамичное видео даже в довольно обычном месте, но управление гораздо сложнее: компьютер за вас почти ничего не решает, пилот сам определяет углы и скорости, поэтому требуются долгие тренировки. Вот компания DJI в начале года выпустила DJI FPV — я бы сказал, что это дрон для перехода от первого ко второму. Тут есть и полностью компьютерный и полностью ручной режим. И в целом дрон совмещает в себе некоторые черты двух миров. Изображение передаётся прямо в очки — и это сильно меняет ситуацию, потому что гораздо лучше понимаешь местоположение коптера и расстояния до объектов. Можно летать гораздо смелее. Плюс, выше скорость и нет коррекции крена, видео получаются более «самолетные». Дополнительно я взял джойстик, позволяющий управлять наклонами, и мне после него не хочется возвращаться обратно к скучному пульту (хотя самый сложный режим управления для профи требует всё-таки пульт). В целом сильное смещение в сторону индивидуальных ощущений «как-будто это я сам летаю», а не «полетал для последующего видео». Всерьёз иногда хочется запустить в воздух дрон просто для осмотра местности с высоты, а не для записи. Ниже пока что самый нубский тестовый полет. Буду совершенствоваться. #drone https://youtu.be/Lv0LYu-PGNg

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #roberta

当前筛选 #roberta清除筛选
Machinelearning

@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