Как сеть находит смысл в неразмеченных изображениях
Чтобы научить обычный классификатор отличать кошек от собак, ему показывают множество фотографий с подписями. Подписи — это разметка: подсказка человеку или алгоритму, что именно изображено. В описанном подходе Google сеть обучали без таких ответов. Но это не значит, что она училась без примеров: ей предъявляли изображения, а закономерности предлагали находить самостоятельно.
Повторяющиеся детали складываются в образы
На необработанных фотографиях много повторов: контуры, текстуры, сочетания цветов и формы частей предметов. Нейросеть может постепенно выделять такие признаки и объединять похожие изображения. Сначала она замечает простые визуальные сходства, затем — более сложные сочетания. Так в её внутреннем представлении отдельные фотографии оказываются связанными по тому, как они выглядят, даже если ни одна из них не подписана словом «кошка».
В обучении без разметки алгоритму всё равно нужна задача — например, найти структуру в данных или определить, какие примеры похожи. Отличие в том, что правильный ответ не составляет человек: сигнал для обучения извлекается из самих изображений. Конкретный приём может различаться, но общий смысл один — использовать регулярности, которые уже присутствуют в большом наборе картинок.
Что такая сеть умеет — и чего не обещает
Освоив визуальные признаки, сеть может группировать похожие изображения или использовать найденные закономерности для последующих задач распознавания. Это особенно ценно, когда вручную подписать каждую картинку дорого или долго: изображения уже доступны, а подготовка меток часто становится отдельной масштабной работой.
При этом обнаружить устойчивый визуальный образ — не то же самое, что понять его по-человечески. Сеть учится связывать признаки и сходства, а не обязательно знает, что предмет называется кошкой или для чего он нужен. Главный сдвиг здесь практический: часть полезной подготовки можно поручить самим данным, а не составителям подписей.
