В середине июня этого года компания Google обнаружила, что программный алгоритм, который она использует для поиска предметов на фотографиях, можно заставить работать наоборот. Искусственная нейронная сеть может анализировать графический шум на картинках, выискивать там изображения простых уже известных ей предметов и наносить их на исходник фотографии или же подчёркивать их очертания.
На выходе получаются абсолютно психоделические образы. Иногда изображения получаются просто любопытно обработанными — то ли в духе узоров, которые на окне рисует мороз, то ли в стиле Ван Гога или Мунка. А иногда на фотографиях начинают проступать бесчисленные глаза, купола, машины, насекомые, птицы, животные и многое другое. Причем эти образы настолько неконкретны, что производят впечатление жуткого диссоциативного трипа. Кто-то их называет снами искусственного интеллекта, кто-то — цифровыми галлюцинациями. Собственно, алгоритм и получил название Deep Dream.
В начале июля Google опубликовала исходный код этого алгоритма на потеху всему миру. И все (кто сумел разобраться в технической стороне вопроса) принялись экспериментировать на всех подряд фото и видео — от собственных селфи до произведений искусства или порно. Апогеем стал видеофрагмент из фильма «Страх и ненависть в Лас Вегасе» Терри Гиллиама: эпизод и без того классика нетрезвого арта, но в 22-слойной обработке по нейросетевой технологии Deep Dream от Google он вообще вышел за грани понимания нормальным человеческим мозгом, от него натурально укачивает.
«Флюгер» решил тоже поддаться моде. Редакция насобирала немного местных фотографий, прогнала их через Deep Dream, отобрала наиболее занимательные и объединила в галерею (листать вверху этой статьи).
Для тех, кого интересует техническая сторона этой забавы: вам понадобятся прямые руки, терпение, более-менее работоспособный компьютер и владение несколькими технологиями и инструментами, они перечислены ниже.
Deep Dream имеет открытый исходный код, написанный на языке Python с использованием оболочки IPython и библиотек для научных вычислений. Все это входит в специализированные дистрибутивы Anaconda и Canopy. Управление системой осуществляется при помощи фреймворка машинного обучения Caffe (мануал по установке). Проще всего запустить весь этот комплекс на машине под управлением Linux (Ubuntu, Debian или CentOS), но можно и под Windows.
Скорость обработки картинки зависит от размера изображения (чем больше, тем дольше оно будет обрабатываться), вычислительной мощности компьютера (обсчитывать изображение можно как посредством мощностей центрального процессора, так и с помощью видеокарты), а также глубины обработки и типа использованных слоев. На Intel Core i5-4430 на обработку одного изображения размером 1200×800 пикселей у нас уходило от трех до тридцати минут, в зависимости от количества «прогонов» через нейросеть.
