Я читал на глубоком подкреплении, например, как здесь:Выполняет ли предварительная обработка при глубоком Q/усилении обучения?
https://www.nervanasys.com/demystifying-deep-reinforcement-learning/
Это будет некоторое время, прежде чем я все понимаю математику, но это не мешает мне использовать библиотеки. Во всяком случае, я знаю, что в сверточном ANN, если вы хотите выполнить обучение на изображениях, вам нужно предварительно обработать изображения, иначе вычислительная мощность, необходимая для вычисления нейронной сети, будет астрономической. Это ухудшает качество сети в любом случае? Если да, то как?
Например, можно сказать, что у вас достаточно вычислительной мощности, чтобы подавать в сеть каждый пиксель каждого высококачественного изображения в видеопотоке, чтобы узнать, как достичь целей. Будет ли это сделать сеть гораздо более искусной в достижении своей цели? Расширит ли он типы целей, которые может достичь сеть, возможно, давая ей возможность лучше обобщить?
Я также думаю об этом в контексте компьютерного видения, где у вас может быть робот, рассуждающий об окружающей среде, чтобы научиться выполнять задания. Похоже, что предварительная обработка полученных ими изображений будет сродни тому, чтобы помешать ей с крайне плохим зрением.
Да, я имею в виду понижающее масштабирование. Я еще много не работал с сетями, но я прошел курс и начал заниматься некоторым кодом. Я задал вопрос, потому что я представлял себе свое собственное видение, если бы все, что мне нужно было, было уменьшенным искаженным взглядом на мир, и насколько это лучше, чем я. Можно было бы подумать, что улучшение будет замечательным. Между 12MP-изображением и 256x256 существует большая разница. Возможно, если некоторые тесты были сделаны с чем-то большим, чем 512? Конечно, есть расчет, который необходимо учитывать, и, хотя важно, важно также знать, что обеспечивает масштабирование. – xendi
Ну, как я уже сказал, и я уверен, что есть больше ссылок, тем больше разрешение, тем лучше результаты, но улучшения приходят за счет гораздо большего количества вычислений. – gcucurull