ВСТУП
Терміном "комп’ютерний зір" називають системи штучного інтелекту, які отримують інформацію у вигляді зображень, а також теорію та технології створення таких систем.
До задач комп’ютерного зору належать розпізнавання об’єктів, класифікація об’єктів, пошук зображень за вмістом, опис сцени та відновлення зображень.
Класифікація зображень належить до найбільш вивчених задач комп’ютерного зору, вона полягає у визначенні приналежності зображення до одного чи кількох класів.
Така задача є надзвичайно простою для людини, проте при використанні комп’ютерної системи виникають практично нерозв’язні проблеми.
Насамперед для досить загальних класів неможливо описати чітку систему візуальних ознак, котрі відрізняють один клас від іншого.
По-друге, зображення у пам’яті комп’ютера зберігають у вигляді трьох матриць окремо для кожного каналу (червоного, зеленого та синього), такий формат ускладнює виявлення простих ознак, таких як межі об’єктів[2].
Зі середини минулого століття для вирішення завдань комп’ютерного зору використовують методи машинного навчання.
Нейронні мережі є прикладом таких моделей, вони здатні виявляти в даних закономірності, котрі не були наперед запрограмовані людьми та навіть непомітні для людського ока.
Хоч ідея математичних моделей, що імітують структуру людського мозку та здатні до навчання, виникла більше ніж п’ятдесят років тому, широке їх використання стало можливим лише в останнє десятиліття.
Це зумовлено як розробкою ефективних алгоритмів тренування[2,6], так і розвитком апаратного і програмного забезпечення для паралельних обчислень[1,8,9].
Традиційно, для порівняння різних підходів до задачі класифікації використовують результати ILSVRC.
Щороку у цьому змаганні беруть участь команди з передових дослідницьких центрів з усього світу.
Одне із завдань полягає у розробці моделі, що здатна якнайточніше віднести зображення до однієї з більш ніж тисячі категорій.
У 2015 році перемогу здобула команда з  дослідницької групи компанії "Microsoft" із результатом 96.43%[3] при виборі п’яти найімовірніших класів, цей результат перевершує результати спеціально навчених людей на тих самих зображеннях.
Науковці розробили інноваційний підхід до архітектур дуже глибоких нейронних мереж, котрий використано в цій роботі.
Перший розділ роботи описує базові поняття глибокого навчання, його математичну основу та приклади архітектур сучасних нейронних мереж.
Попри простоту й елегантність ідеї нейронних мереж, їхні розробка та використання на практиці потребують значних зусиль і досвіду, тренування мережі є надзвичайно обчислювально складним та вимагає використання спеціального апаратного забезпечення.
Надати базові примітиви та полегшити взаємодію зі спеціальними процесорами покликані фреймворки для глибокого навчання, наприклад, TensorFlow від компанії Google.
Основи роботи TensorFlow описано в другому розділі.
У третьому розділі подані результати розробки системи класифікації зображень на прикладі класифікації одягу.
Ця задача може мати значне прикладне застосування для виробників та роздрібних продавців одягу, бо надає додаткову інформацію про клієнтів, що в поєднанні з іншими даними є цінним матеріалом для маркетингових досліджень.
ПОСТАНОВКА ЗАДАЧІ розглянути основні теоретичні принципи побудови сучасних глибоких нейронних мереж та типові варіанти їхньої архітектури, описати підходи, використані в популярних фреймворках для глибокого навчання на прикладі TensorFlow, реалізувати на практиці систему візуальної класифікації одягу.
