Необычная презентация о том как getrealprice ... · 2019-03-11 · Мы...
TRANSCRIPT
Необычная презентация о том, как Getrealprice™ создает новые товары
Применение GAN нейронных сетей для генерации успешных дизайнов товаров по всем товарным категориям
Как продавать больше с Getrealprice™
ПланВ этой презентации мы рассказываем о новых предложениях, которые стали возможны в связи с активным коммерческим использованием нейросетей в нашей компании. Для того, чтобы понять принцип работы наших предложений, мы считаем нужным понять суть работы GAN нейронных сетей, поэтому первые несколько слайдов посвятили выдержке из текста статьи, которую Getrealprice™ ранее опубликовал в прессе.
Будет интересно, пожалуйста дочитайте
ВводныеВ этой статье мы предлагаем дополнительную нить в процесс создания новой коллекции одежды и одновременно презентуем новый сервис Getrealprice: GAN design.
Это совершенно другой подход, основанный на генерации несуществующих ранее дизайнах одежды, но с оглядкой на удачные решения в прошлом.
Для того, чтобы создавать такие новые дизайны, мы будем использовать нейросети, но не обычные, а такие, которые умеют создавать ранее не существующие в природе дизайны. То есть такие дизайны, которые не были придуманы людьми. Так умеют делать только специальные GAN нейронные сети
Расскажем подробнее о нейросетях для понимания читателем природы вещей и для упрощения чтения подобных будущих статей от нашей компании.
Нейросеть в современном мире используется все в больших сферах жизни, умеют генерировать музыку, стихи, писать картины, обучать героев проходить компьютерные игры.
ВводныеМы используем особый вид нейросетей - GAN (Генеративно-состязательная сеть). Если опустить низкоуровнеые математические алгоритмы, то логика работы GAN является доступной каждому, поскольку она взята из реальной жизни.Рассмотрим на такой интересном примере. Пусть мы решили научиться рисовать картины в стиле творчества Винсента Ван гога, причем решили научиться рисовать в его стиле так, чтобы никто не мог отличить наши картины от подлинных картин автора. Важно, что мы будем рисовать не то же самое нарисованное, а другие картины, но очень похожие по стилю.
Мы будем выступать в роли художника, а нашим оппонентом будет эксперт по творчеству Ван Гога.
Оригинал, к чему стремимся
Пример 'рисунка' GAN
ВводныеИтак, нарисуем первую картину 'Звездная ночь' и покажем ее эксперту. Рисовали мы без опыта, поэтому наша первая картина совсем не похожа на то, как ее нарисовал автор. Эксперт (критик) без труда определит, что наша мазня первой итерации - не оригинал, не картина и вообще ничего из себя не представляет. При этом эксперт нам сообщит, что именно следует улучшить в нашей картине, чтобы она стала более похожей на оригинальный стиль.
Оригинал, к чему стремимсяНаша первая попытка:
ВводныеМы рисуем вторую картину, несем ее эксперту. Уже лучше, говорит эксперт, но все равно находит изъяны в нашей попытке сделать реплику. Эксперт опять сообщает нам, что именно следует улучшить, и вот мы уже рисуем третью версию, четвертую, десятую, тысячную, миллионную,...и каждый раз эксперт сообщает нам, что именно следует улучшить.
Важно понимать, что мы сами не знаем (не в состоянии определить), что отличает нарисованное нами от необходимого. Для этого понимания у нас есть эксперт.
Оригинал, к чему стремимсяПосле х10000-й попытки
ВводныеСам же эксперт тоже каждый раз обучается, ведь с каждой новой попыткой наши картины становится все сложнее отличить от подлинника. Поэтому с каждой нашей новой попыткой эксперту приходится прикладывать больше усердия, чтобы найти отличия и сформулировать эти отличия.
Рано или поздно настанет такой момент, когда эксперт не сможет определить, где подлинник, а где наша очень-много-раз-улучшенная перерисованная картина.
Оригинал, к чему стремимсяПосле х90,0000-й попытки
=
На картинках справа
невозможно определить, где оригинал, а где неоригинал
ВводныеИменно так устроена GAN сеть. Перенесем эту понятную жизненную ситуацию на устройство нейросети:
Так же как у нас было 2 действующих лица, в GAN существует 2 отдельные нейросети: Генератор и Критик (он же дискриминатор).
Генератор будет обучаться создавать новые изображения, а критик будет обучаться отличать созданные изображения от настоящих. Обучаться они будут вместе. По мере того, как генератор будет приближать свои картинки к реальным, критик (он же 'эксперт' в нашей истории выше) должен будет прилагать все больше усилий для того, чтобы отличить реальные картинки от фиктивных, потому что генератор постоянно улучшает свои способности, и делает это с большой скоростью.
Теперь научим нейросеть рисовать не картины, а свитера
Примеры решенийДля нашей задачи отрисовки дизайнов используется не совсем обычный GAN, поскольку мы хотим генерировать картинки больших размеров. Такое возможно, если прибегнуть к житейской хитрости: сложно сразу научиться генерировать хорошие изображения из ничего. Поэтому сначала мы научимся рисовать картинки 4х4 пикселя, потом 16х16 и выше, а далее, когда будем уметь это делать хорошо, то начнем увеличивать разрешение (размер изображения). Однако, при увеличении изображения будет появляться все больше деталей и нюансов в виде складок ткани, отображения текстуры самогоматериала одежды и тд. Наш критик все это так же научится понимать. Такая идея тоже взята из жизни - сначала мы учимся малому, потом большому. Нельзя написать книгу или картину сразу всю целиком, она рождается из чего-то много меньшего, чем становится в итоге. Вот какие этапы проходит нейросеть в „понимании„ материала:
Что получается у GAN
Что получается у GAN
Что получается у GAN
Что получается у GAN
Итого: После того, как GAN сеть обучилась рисовать свитера (нужно около 50000 изображений), мы можем генерировать неограниченное количество новых дизайнов.
Мы в Getrealprice™ пошли дальше и решили обучать GAN только на фотографиях таких свитеров, про которые нам известно об их высоких продажах или известно о популярности у покупателей.
Постепенно "подмешивая" успешные свитера в обучающую выборку, мы получаем эталонные дизайны, которые косвенно содержат в себе признаки успешности товаров. Как правило, это консервативные дизайны, их принты мы приводим далее.
Еще раз напоминаем, что дизайны созданы машиной, таких дизайнов ранее не существовало и не было никем нарисовано. Нейросеть помнит все 'скормленные' ей изображения и генерирует похожие на то, что она увидела, но никогда не такие же.
Приятного просмотра >>
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Что получается у GAN:
Небольшое отступлениеМы генерируем не только дизайны одежды, но и создаем новые товары других категорий. Например, ювелирные изделия:
Каталог '19 доступен к заказу!
Категория: серьги
Небольшое отступлениеМы генерируем не только дизайны одежды, но и создаем новые товары других категорий. Например, ювелирные изделия:
Каталог '19 доступен к заказу!
Категория: кольца
Еще примеры
Еще примеры
Еще примеры
Еще примеры
Заказать каталог из 3500 дизайнов ювелирных изделий, нарисованных нейросетью можно через службу поддержки нашей компании: [email protected]
Будем рады сотрудничеству!