Математика машинного обучения: от цены квартиры до внимания
Как данные становятся числами, модель считает ответ, ошибка показывает поправку, а проверка на новых примерах решает, научилась ли сеть. От цены квартиры до свёртки, рекурсии и внимания.
Stuzhuk Lab — Chemistry of Code
Химия кода
← Все статьи
Тег
machine learning
Все статьи блога с этим тегом.
Нейросеть по рецепту: веса считают, а не хранят целиком
Обзор на Habr: гиперсети, Kilobyte Models и SeedLM — компактный «рецепт» вместо гигабайтных матриц и чем платят за экономию места.
JSONL, шарды и путь данных к GPU: от одной строки до обучения
Как устроены большие наборы для обучения: JSONL против JSON, шарды, сжатие, токены, батчи и эпохи — и почему терабайт данных не требует терабайта RAM.
Computer Vision без привязки к фреймворку: 15 принципов PyTorch и TensorFlow
Computer Vision — это не выбор между PyTorch и TensorFlow. Данные, тензор, CNN, классификация, детекция, сегментация, transfer learning, метрики и путь в production — общий фундамент, который остаётся при смене API.
Железо для AI: CPU, GPU, TPU, NPU, VRAM и что нужно нейросетям
Почему GPU так важен для нейросетей, чем отличаются CPU, TPU и NPU, зачем VRAM и bandwidth, как устроены `multi-GPU`, quantization и стек от PyTorch до железа.
Фреймворки для обучения нейросетей: PyTorch, TensorFlow, JAX, tinygrad
Что такое ML-фреймворк, как работают тензор и autograd, чем отличаются PyTorch, TensorFlow, JAX, tinygrad и micrograd и что выбрать под задачу — от учёбы до прод-вывода.
ONNX: от PyTorch до Runtime — формат, экспорт и паритет вывода
Что такое ONNX и ONNX Runtime, как экспортировать модель из PyTorch, opset и динамические оси, почему ломается экспорт CRNN/YOLO и как сверить вывод с Python перед браузером.
PyTorch vs TensorFlow: сравнение двух гигантов машинного обучения
Чем отличаются PyTorch и TensorFlow: тензор, autograd, цикл обучения, конвейер данных, GPU/TPU, deployment, экосистема CV и LLM — и как выбрать каркас под задачу в 2026.
YOLO: как нейросеть учится находить объекты на изображении
Детекция объектов простым инженерным языком: чем YOLO отличается от классификации и сегментации, как устроены рамка, уверенность и подавление дублей, зачем готовые веса и свой датасет, и как связать детектор с OCR, линиями, графом и языковой моделью на технологических схемах.
Кроп листа УЗТ: проекции, перспектива и другие способы разрезать бланк
Полевые заметки: как в пилоте режем фото бланка УЗТ на клетки — морфология, проекции, осторожная перспектива — и какие ещё приёмы разрезки листов распространены в индустрии.
Компактная CRNN для замеров УЗТ: 640 тысяч параметров и пустые клетки
Полевые заметки: локальная CRNN на кропах толщины, CTC, 640 тыс. параметров, конфликт пустых клеток и почему Transformer не первый шаг.
Качество компактной замерной сети не растёт от запуска обучения: цикл экспериментов
Третья заметка пилота УЗТ: диагностика ошибок, один рычаг за раз, эпохи, набор и когда модель уже не надо «дожимать» процентами.
ИИ-анализ рентгенограмм сварных соединений: от набора данных до системы контроля
ИИ для радиографии сварки: данные, разметка, детектор, правила и эксперт. Почему 88 публичных снимков — не заводской набор.
Датасет для SFT: как спроектировать корпус дообучения
Опорный лонгрид о корпусе для дообучения с учителем: контракт пары «инструкция → ответ», покрытие, отказы, синтетика и эксперты, проверки перед обучением и утечки с оценкой.
Как научить нейросеть читать рукописные цифры: от CNN до TrOCR
Практический путь от классификации одной цифры до распознавания последовательностей на реальных бланках: CNN, CTC, CRNN, TrOCR, разметка из базы, эксперименты и production-пайплайн без лишней модели.
Инженерия датасетов для обучения моделей: с чего начать
Опорный лонгрид о подготовке данных для обучения и оценки ИИ: эталонные записи, редакторы эталонов, разделение обучения и оценки, утечки, манифесты и параметры по задаче и домену.