Сегодня я разберу одну из олимпиадных задач, довольно простую.

Суть задачи в том, чтобы из англо-латинского словаря сделать латино-английский.

Примеры тестов

Входные данные

3
apple - malum, pomum, popula
fruit - baca, bacca, popum
punishment - malum, multa

Выходные данные

7
baca - fruit
bacca - fruit
malum - apple, punishment
multa - punishment
pomum - apple
popula - apple
popum - fruit

Входные данные черпаются из input.txt, вывод сбрасывается в output.txt. Довольно стандартное требование.
Входные данные лексикографически отсортированы, и выходные данные тоже требуются отсортированными.

Вначале я покажу своё решение, потом начну объяснять. Итак, моё решение:

f = open('input.txt')
N = f.readline()
d = {}
for line in f:
words = line.strip().split(' - ')
en = words[0]
lat = words[1].split(', ')
for key in lat:
if key in d:
d[key].append(en)
else:
d[key] = [en]
f.close()

for key in d:
d[key].sort()

g = open('output.txt', 'w')
g.write(str(len(d)) + '\n')
for lat in sorted(d):
g.write(lat + ' - ' + ', '.join(d[lat]) + '\n')

g.close()

А теперь объяснение. Приготовились... :)

Открываем файл, читаем число N (оно нам не понадобится); создаём пустой словарь.

Отделяем слово от его переводов; из строки с переводами получаем список латинских слов.

Далее смотрим, есть ли латинское слово в нашем словаре. Если есть - дописываем ещё один английский перевод. Если нет - пишем его. После махинаций закрываем файл. Далее нужно все списки переводов отсортировать (требования задачи).

Открываем файл на запись. Первой строкой записываем число получившихся слов. Далее в отсортированном порядке записываем латинские слова, затем их переводы. Закрываем файл.

Задача решена, все тесты пройдены.

Несомненно, возможны и другие решения, но это мне показалось наиболее красивым.

Наш уютный чат, где мы обсуждаем Python

Подписывайтесь на наши каналы:
Python @python_lounge
Программирование @cccoding
ИТ Безопасность @it_ha

Обучение искусственного интеллекта — задача непростая, но затраченные усилия сполна окупятся невероятными результатами, которых можно достичь благодаря ИИ. Хотите узнать больше о самых классных проектах по машинному обучению? Читайте нашу подборку.

Magenta

Magenta — детище компании Google, принцип работы которого основан на технологии машинного обучения. ИИ способен создавать музыкальные композиции, а также умеет работать с изобразительным искусством. Кроме того, инструмент может самообучаться и развиваться. Главная цель Magenta — разработка алгоритмов, которые смогут сочинять музыку и создавать другие произведения искусства, основываясь на уже существующих.

TensorFlow

TensorFlow — это фреймворк для построения нейросетей и работы с ними от команды Google Brain. По своей сути, TensorFlow — огромная нейронная сеть, используя которую, можно не только решать различные задачи, но и обрабатывать данные для поиска правильного решения.

Deep Photo Style Transfer

Deep Photo Style Transfer будет интересен не только программистам, но и тем, кто занимается фотографией и обработкой изображений. Эта программа способна скопировать особенности стиля одной фотографии и перенести их на другую, при этом сохранив фотореалистичность.

Fast Style Transfer in TensorFlow

Fast Style Transfer in TensorFlow — технология на базе TensorFlow, которая, подобно предыдущей, может переносить стиль одного изображения на другое. Основное отличие состоит в том, что с помощью Fast Style Transfer вы можете преобразовать свои фотографии в картины, выполненные в технике любого художника, или накладывать на них различные визуальные эффекты.

Style2Paints

Style2Paints станет хорошим помощником для тех художников, которые боятся цвета. Искусственный интеллект способен самостоятельно раскрасить изображение, при этом он может не только взять за основу цветовую гамму другой картинки, но и создать свои стили.

Unity Machine Learning Agents

Unity Machine Learning Agents — интересный и полезный продукт для разработчиков и научных сотрудников. Разработанный софт способен симулировать различные ситуации и игры для обучения ИИ — это делается с помощью API Python при использовании Unity Editor. В Unity Machine Learning Agents вы также можете имитировать различные среды для обучения искусственного интеллекта.

Deep-image-prior

Вам нужно реставрировать изображение или повысить его разрешение? Используйте Deep-image-prior. Эта программа использует нейронные сети, чтобы убрать с изображения шумы и улучшить его качество. Одной из самых любопытных особенностей проекта является возможность восстановить утраченные части изображения, используя нейросеть.

GANimation

GANimation — ИИ, который анимирует лица. Чтобы сотворить чудо, технологии нужно лишь одно изображение, при этом анимация не покажется жуткой, а будет максимально приближена к мимике реального человека. Для определении эмоций и при составлении сценария лицевых движений используются двигательные единицы.

Deep voice conversion

Deep voice conversion — это инструмент для работы со звуком. С его помощью можно имитировать голос любого человека, сохраняя при этом тембр, речевые особенности и многое другое. Для синтеза, естественно, понадобятся реальные записи или живой пример.

Face Recognition

Face Recognition — простая, но полезная технология, задействующая машинное обучение. Способна практически со стопроцентной вероятностью распознать лицо человека. При этом нейросеть работает в режиме реального времени и может понять, кто изображен на фотографии

Не пропустите новые публикацииPython LoungeПодписаться

искусственный интеллект

Источник

Автор оригинала: Файзан Шайх

• Блог компании Нетология,
• Python
• Перевод

Введение

За последние годы компьютерное зрение набрало популярность и выделилось в отдельное направление. Разработчики создают новые приложения, которыми пользуются по всему миру.
В этом направлении меня привлекает концепция открытого исходного кода. Даже технологические гиганты готовы делиться новыми открытиями и инновациями со всеми, чтобы технологии не оставались привилегией богатых.

Одна из таких технологий — распознавание лиц. При правильном и этичном использовании эта технология может применяться во многих сферах жизни.

В этой статье я покажу вам, как создать эффективный алгоритм распознавания лиц, используя инструменты с открытым исходным кодом. Прежде чем перейти к этой информации, хочу, чтобы вы подготовились и испытали вдохновение, посмотрев это видео:

Распознавание лиц: потенциальные сферы применения

Приведу несколько потенциальных сфер применения технологии распознавания лиц.

Распознавание лиц в соцсетях. Facebook заменил присвоение тегов изображениям вручную на автоматически генерируемые предложения тегов для каждого изображения, загружаемого на платформу. Facebook использует простой алгоритм распознавания лиц для анализа пикселей на изображении и сравнения его с соответствующими пользователями.

Распознавание лиц в сфере безопасности. Простой пример использования технологии распознавания лиц для защиты личных данных — разблокировка смартфона «по лицу». Такую технологию можно внедрить и в пропускную систему: человек смотрит в камеру, а она определяет разрешить ему войти или нет.

Распознавание лиц для подсчета количества людей. Технологию распознавания лиц можно использовать при подсчете количества людей, посещающих какое-либо мероприятие (например, конференцию или концерт). Вместо того чтобы вручную подсчитывать участников, мы устанавливаем камеру, которая может захватывать изображения лиц участников и выдавать общее количество посетителей. Это поможет автоматизировать процесс и сэкономить время.

Настройка системы: требования к аппаратному и программному обеспечению

Рассмотрим, как мы можем использовать технологию распознавания лиц, обратившись к доступным нам инструментам с открытым исходным кодом.

Я использовал следующие инструменты, которые рекомендую вам:

• Веб-камера (Logitech C920) для построения модели распознавания лиц в реальном времени на ноутбуке Lenovo E470 ThinkPad (Core i5 7th Gen). Вы также можете использовать встроенную камеру своего ноутбука или видеокамеру с любой подходящей системой для анализа видео в режиме реального времени вместо тех, которые использовал я.
• Предпочтительно использовать графический процессор для более быстрой обработки видео.
• Мы использовали операционную систему Ubuntu 18.04 со всем необходимым ПО.

Прежде чем приступить к построению нашей модели распознавания лиц, разберем эти пункты более подробно.

Шаг 1: Настройка аппаратного обеспечения

Проверьте, правильно ли настроена камера. С Ubuntu это сделать просто: посмотрите, опознано ли устройство операционной системой. Для этого выполните следующие шаги:

1. Прежде чем подключить веб-камеру к ноутбуку, проверьте все подключенные видео устройства, напечатав в командной строке ls /dev/video*. В результате выйдет список всех видео устройств, подключенных к системе.
2. Подключите веб-камеру и задайте команду снова. Если веб-камера подключена правильно, новое устройство будет отражено в результате выполнения команды.
3. Также вы можете использовать ПО веб-камеры для проверки ее корректной работы. В Ubuntu для этого можно использовать программу «Сheese».

Шаг 2: Настройка программного обеспечения

Шаг 2.1: Установка Python

Код, указанный в данной статье, написан с использованием Python (версия 3.5). Для установки Python рекомендую использовать Anaconda – популярный дистрибутив Python для обработки и анализа данных.

Шаг 2.2: Установка OpenCV

OpenCV – библиотека с открытым кодом, которая предназначена для создания приложений компьютерного зрения. Установка OpenCV производится с помощью pip:

pip3 install opencv-python

Шаг 2.3: Установите face_recognition API

Мы будем использовать face_recognition API, который считается самым простым API для распознавания лиц на Python во всем мире. Для установки используйте:

pip install dlib
pip install face_recognition

Внедрение

После настройки системы переходим к внедрению. Для начала, мы создадим программу, а затем объясним, что сделали.

Пошаговое руководство

Создайте файл face_detector.py и затем скопируйте приведенный ниже код:

# import libraries
import cv2
import face_recognition
 
# Get a reference to webcam
video_capture = cv2.VideoCapture("/dev/video1")
 
# Initialize variables
face_locations = []
 
while True:
	
# Grab a single frame of video
	
ret, frame = video_capture.read()
 
	
# Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
	
rgb_frame = frame[:, :, ::-1]
 
	
# Find all the faces in the current frame of video
	
face_locations = face_recognition.face_locations(rgb_frame)
 
	
# Display the results
	
for top, right, bottom, left in face_locations:
    	
# Draw a box around the face
    	
cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 
	
# Display the resulting image
	
cv2.imshow('Video', frame)
 
	
# Hit 'q' on the keyboard to quit!
	
if cv2.waitKey(1) & 0xFF == ord('q'):
    	
break
 
# Release handle to the webcam
video_capture.release()
cv2.destroyAllWindows()

Затем запустите этот файл Python, напечатав:

python face_detector.py

Если все работает правильно, откроется новое окно с запущенным режимом распознавания лиц в реальном времени.

Подведем итоги и объясним, что сделал наш код:

1. Сначала мы указали аппаратное обеспечение, на котором будет производиться анализ видео.
2. Далее сделали захват видео в реальном времени кадр за кадром.
3. Затем обработали каждый кадр и извлекли местонахождение всех лиц на изображении.
4. В итоге, воспроизвели эти кадры в форме видео вместе с указанием на то, где расположены лица.

Пример применения технологии распознавания лиц

На этом все самое интересное не заканчивается. Мы сделаем еще одну классную вещь: создадим полноценный пример применения на основе кода, приведенного выше. Внесем небольшие изменения в код, и все будет готово.

Предположим, что вы хотите создать автоматизированную систему с использованием видеокамеры для отслеживания, где спикер находится в данный момент времени. В зависимости от его положения, система поворачивает камеру так, что спикер всегда остается в центре кадра.
Первый шаг — создайте систему, которая идентифицирует человека или людей на видео и фокусируется на местонахождении спикера.

Разберем, как это сделать. В качестве примера я выбрал видео на YouTube с выступлением спикеров конференции «DataHack Summit 2017».

Сначала импортируем необходимые библиотеки:

import cv2
import face_recognition

Затем считываем видео и устанавливаем длину:

input_movie = cv2.VideoCapture("sample_video.mp4")
length = int(input_movie.get(cv2.CAP_PROP_FRAME_COUNT))

После этого создаем файл вывода с необходимым разрешением и скоростью передачи кадров, аналогичной той, что была в файле ввода.

Загружаем изображение спикера в качестве образца для распознания его на видео:

image = face_recognition.load_image_file("sample_image.jpeg")
face_encoding = face_recognition.face_encodings(image)[0]
 
known_faces = [
face_encoding,
]

Закончив, запускаем цикл, который будет:

• Извлекать кадр из видео.
• Находить все лица и идентифицировать их.
• Создавать новое видео, которое будет сочетать в себе оригинал кадра с указанием местонахождения лица спикера с подписью.

Посмотрим на код, который будет это выполнять:

# Initialize variables
face_locations = []
face_encodings = []
face_names = []
frame_number = 0
 
while True:
	
# Grab a single frame of video
	
ret, frame = input_movie.read()
	
frame_number += 1
 
	
# Quit when the input video file ends
	
if not ret:
    	
break
 
	
# Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
	
rgb_frame = frame[:, :, ::-1]
 
	
# Find all the faces and face encodings in the current frame of video
	
face_locations = face_recognition.face_locations(rgb_frame, model="cnn")
	
face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)
 
	
face_names = []
	
for face_encoding in face_encodings:
    	
# See if the face is a match for the known face(s)
    	
match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)
 
    	
name = None
    	
if match[0]:
        	
name = "Phani Srikant"
 
    	
face_names.append(name)
 
	
# Label the results
	
for (top, right, bottom, left), name in zip(face_locations, face_names):
    	
if not name:
        	
continue
 
       # Draw a box around the face
    	
cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 
    	
# Draw a label with a name below the face
    	
cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)
        font = cv2.FONT_HERSHEY_DUPLEX
    	
cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)
 
	
# Write the resulting image to the output video file
	
print("Writing frame {} / {}".format(frame_number, length))
	
output_movie.write(frame)
 
# All done!
input_movie.release()
cv2.destroyAllWindows()

Код даст вам вот такой результат:

Источник

Подписывайтесь на наши каналы:
Python @python_lounge
Программирование @cccoding
ИТ Безопасность @it_ha