{"draftJsState":{"blocks":[{"data":{"embedData":{"type":"external","host":"5487fb.skillspace.ru","image":{"src":"https://avatars.dzeninfra.ru/get-zen_brief_embed/271828/pub_698f52284c68660eda222b6a_698f531b6ead264adb23b561/smart_crop_600x300","width":600,"height":300,"mainColor":"#080810"},"src":"https://5487fb.skillspace.ru/l/rust-ml-19003b","title":"ML на RUST без заморочек"}},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"atomic:embed","key":"254bv"},{"data":{"embedData":{"type":"external","host":"vk.com","image":{"src":"https://avatars.dzeninfra.ru/get-zen_brief_embed/271828/pub_698f52284c68660eda222b6a_69c15055204df43799050c7f/smart_crop_600x300","width":240,"height":240,"mainColor":"#080808"},"src":"https://vk.com/rustmlclub","title":"Rust ML без заморочек"}},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"atomic:embed","key":"5bj7q"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"d4nqh"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":14,"offset":58,"style":"BOLD"},{"length":21,"offset":120,"style":"BOLD"}],"text":"В машинном обучении (ML) на Rust типобезопасные матрицы с const generics особенно ценны, когда архитектура модели имеет фиксированные размеры, известные на этапе компиляции. Это даёт:","type":"unstyled","key":"bqvma"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Полную проверку размерностей на этапе компиляции (ошибки несоответствия — compile-time errors).","type":"unordered-list-item","key":"9k14n"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Нулевой runtime-overhead (как у обычных массивов).","type":"unordered-list-item","key":"423re"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Идеально для embedded-систем, высокопроизводительного inference и tiny ML (модели на микроконтроллерах).","type":"unordered-list-item","key":"68qcc"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Это матрицы (таблицы чисел), где размеры (количество строк и столбцов) проверяются на этапе компиляции (когда программа ещё только собирается). Если вы попытаетесь сложить матрицу 2×2 с матрицей 3×3, компилятор сразу выдаст ошибку — программа даже не запустится.","type":"unstyled","key":"8c5uo"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что у вас есть коробка для яиц на 10 ячеек. Вы не сможете положить туда 12 яиц — коробка просто не даст. Так и с типобезопасными матрицами: если размеры не совпадают, компилятор не даст программе запуститься.","type":"unstyled","key":"bgncm"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Это возможность в языке Rust указывать размеры матриц (или других структур данных) как параметры типа, которые известны на этапе компиляции. То есть, вы можете создать матрицу 3×3 или 4×4, и компилятор будет знать эти размеры заранее.","type":"unstyled","key":"94n2l"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nВы пишете функцию для умножения матриц:","type":"unstyled","key":"gdap"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"rustCopyfn multiply(\n a: Matrix,\n b: Matrix\n) -> Matrix { ... }","type":"unstyled","key":"5h330"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Здесь M, N, P — это размеры матриц, известные заранее. Если вы попытаетесь умножить матрицу 2×3 на 4×5, компилятор скажет: \"Ошибка! Количество столбцов первой матрицы не равно количеству строк второй!\"","type":"unstyled","key":"3pqtj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Все ошибки, связанные с несовпадением размеров матриц, ловятся ещё до запуска программы. Это экономит время и делает код надёжнее.","type":"unstyled","key":"8m2ba"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли вы напишете код, где пытаетесь сложить матрицу 2×2 с 3×3, компилятор сразу скажет: \"Ошибка! Размеры не совпадают!\" — и программа не соберётся.","type":"unstyled","key":"7ljv8"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Это значит, что проверка размеров не замедляет программу во время её работы. Всё проверяется заранее, а во время выполнения программа работает так же быстро, как если бы вы использовали обычные массивы.","type":"unstyled","key":"43ufl"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что вы проверяете билеты на входе в кино: если все билеты проверены заранее, то на входе никого не задерживают — все проходят быстро.","type":"unstyled","key":"dikaq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Такие матрицы особенно полезны для маленьких устройств (например, микроконтроллеров), где важна скорость и экономия памяти. Например, для нейросетей, работающих на микросхемах.","type":"unstyled","key":"ahnjm"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что у вас есть умный термостат, который предсказывает температуру. Если использовать типобезопасные матрицы, программа будет работать быстро и не будет тратить лишнюю память на проверку размеров во время работы.","type":"unstyled","key":"8hjsq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"56ite"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Основные сценарии применения в ML","type":"header-two","key":"7bh3b"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":25,"offset":0,"style":"BOLD"}],"text":"Полносвязные (dense) слои\nСамое прямое применение — реализация линейного слоя y = Wx + b.","type":"header-three","key":"e4emu"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"type Vector = Matrix;","type":"unstyled","key":"b4734"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"struct Dense {","type":"unstyled","key":"58ddk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"weights: Matrix, // веса","type":"unstyled","key":"50ui2"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"bias: Vector, // bias как столбец","type":"unstyled","key":"b33tj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"egfp5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"impl Dense {","type":"unstyled","key":"a3k8m"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"pub fn forward(&self, input: Vector) -> Vector {","type":"unstyled","key":"657qt"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"// weights: OUT×IN, input: IN×1 → результат OUT×1","type":"unstyled","key":"3t9gn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"let linear = self.weights.clone() * input;","type":"unstyled","key":"bjhhd"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"// Прибавляем bias (broadcast по столбцам)","type":"unstyled","key":"9ni7d"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"let mut result = linear;","type":"unstyled","key":"1r9ab"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"for i in 0..OUT {","type":"unstyled","key":"bj7ua"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"result.data[i][0] += self.bias.data[i][0];","type":"unstyled","key":"7qbbr"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"9bd00"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"result","type":"unstyled","key":"5t6g2"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"fr7ts"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"46cgr"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":23,"offset":0,"style":"BOLD"}],"text":"Vector Это псевдоним (alias) для матрицы-столбца размером N×1. То есть, вектор длины N.","type":"unstyled","key":"8o33e"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nVector<3> — это столбец из трёх чисел, например:","type":"unstyled","key":"8oc54"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Copy[ 1 ]\n[ 2 ]\n[ 3 ]","type":"unstyled","key":"898t2"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":16,"offset":0,"style":"BOLD"}],"text":"Структура Dense Это описание полносвязного (dense) слоя нейронной сети. У него есть:","type":"unstyled","key":"6p3um"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"weights — матрица весов размером OUT×IN (OUT строк, IN столбцов).","type":"unordered-list-item","key":"1gpk5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"bias — вектор смещений (bias) размером OUT×1.","type":"unordered-list-item","key":"dku7l"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли Dense<2, 3>, то:","type":"unstyled","key":"8ma87"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"weights — матрица 3×2 (3 строки, 2 столбца).","type":"unordered-list-item","key":"dem48"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"bias — вектор из 3 чисел.","type":"unordered-list-item","key":"d0mb9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":14,"offset":0,"style":"BOLD"}],"text":"Метод forward Вычисляет выход слоя по формуле: y = Wx + b, где:","type":"unstyled","key":"1u9rs"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"W — матрица весов,","type":"unordered-list-item","key":"ajil0"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"x — входной вектор,","type":"unordered-list-item","key":"1aalc"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"b — вектор смещений.","type":"unordered-list-item","key":"5g08m"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":9,"offset":0,"style":"BOLD"}],"text":"Пошагово:","type":"unstyled","key":"21b5o"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Умножаем матрицу весов на входной вектор (linear = weights * input).","type":"ordered-list-item","key":"1up40"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Прибавляем к каждому элементу результата соответствующий элемент вектора смещений (result[i] += bias[i]).","type":"ordered-list-item","key":"80kec"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПусть:","type":"unstyled","key":"353p7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"weights = [[1, 2], [3, 4], [5, 6]] (3×2),","type":"unordered-list-item","key":"q4rn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"input = [7, 8] (2×1),","type":"unordered-list-item","key":"15pob"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"bias = [10, 20, 30] (3×1).","type":"unordered-list-item","key":"6n09c"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Тогда:","type":"unstyled","key":"bb8st"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"linear = weights * input = [1*7+2*8, 3*7+4*8, 5*7+6*8] = [23, 53, 83]","type":"ordered-list-item","key":"5douk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"result = [23+10, 53+20, 83+30] = [33, 73, 113]","type":"ordered-list-item","key":"30cal"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"4c6tr"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":58,"offset":0,"style":"BOLD"}],"text":"Многослойный перцептрон (MLP) с фиксированной архитектурой\nМожно построить сеть с полностью известными размерами слоёв.","type":"header-three","key":"4gnje"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"struct MLP {","type":"unstyled","key":"fcvul"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"layer1: Dense,","type":"unstyled","key":"f98a4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"layer2: Dense,","type":"unstyled","key":"4og3s"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"layer3: Dense,","type":"unstyled","key":"4pi8g"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"9rtjk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"// Пример: сеть 784 → 128 → 64 → 10 (классификатор MNIST-like)","type":"unstyled","key":"cmme3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"type MnistMLP = MLP<784, 128, 64, 10>;","type":"unstyled","key":"8flan"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Forward-pass будет полностью типобезопасным: компилятор проверит совместимость всех слоёв.","type":"unstyled","key":"ei74v"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":29,"offset":0,"style":"BOLD"}],"text":"Многослойный перцептрон (MLP) — это простейшая нейронная сеть, где слои нейронов соединены последовательно: выход одного слоя — вход для следующего. Используется для классификации, регрессии и других задач.","type":"unstyled","key":"6hnbg"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставь, что ты сортируешь фрукты. Первый слой определяет цвет, второй — форму, третий — выдаёт название (яблоко, банан и т.д.).","type":"unstyled","key":"77klu"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":26,"offset":0,"style":"BOLD"}],"text":"Фиксированная архитектура Здесь размеры всех слоёв известны заранее и не меняются. Например, сеть всегда принимает 784 входа, затем 128 нейронов, потом 64, и выдаёт 10 выходов.","type":"unstyled","key":"lq98"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли ты строишь дом, то заранее знаешь: 3 комнаты, 2 окна, 1 дверь — и не будешь менять это во время строительства.","type":"unstyled","key":"9u31r"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":80,"offset":0,"style":"BOLD"},{"length":29,"offset":181,"style":"BOLD"}],"text":"struct MLP Это описание структуры (типа данных) на языке Rust, где размеры слоёв (IN, H1, H2, OUT) задаются как константы на этапе компиляции (не во время выполнения программы).","type":"unstyled","key":"8vdiv"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nТы заказываешь пиццу и говоришь: \"Мне пиццу с 4 кусками, 2 видами сыра, 3 видами начинки\". Все числа известны заранее.","type":"unstyled","key":"837dt"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":13,"offset":0,"style":"BOLD"}],"text":"Dense — это слой нейронов, где каждый нейрон предыдущего слоя соединён со всеми нейронами следующего. IN — размер входа, H1 — размер выхода.","type":"unstyled","key":"dh1pp"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли у тебя 3 друга (IN=3), и ты хочешь отправить открытку каждому из 5 родственников (H1=5), то каждый друг получит по 5 открыток.","type":"unstyled","key":"8ee3j"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":39,"offset":0,"style":"BOLD"}],"text":"type MnistMLP = MLP<784, 128, 64, 10>; Создаётся новый тип MnistMLP — сеть с фиксированными размерами: 784 входа, 128 нейронов в первом скрытом слое, 64 — во втором, и 10 выходов.","type":"unstyled","key":"aeoc7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nТы называешь свой новый велосипед \"МойВелосипед\" и говоришь: \"У него 2 колеса, 3 скорости, красный цвет\".","type":"unstyled","key":"bs1et"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":28,"offset":0,"style":"BOLD"}],"text":"Типобезопасный forward-pass Компилятор проверяет, что размеры слоёв совпадают. Если где-то ошибка (например, передали 128 вместо 784), программа не скомпилируется.","type":"unstyled","key":"1pije"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nТы не сможешь вставить круглую вилку в квадратную розетку — компилятор не даст.","type":"unstyled","key":"c262m"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Итоговый пример","type":"unstyled","key":"e0836"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Представь, что ты строишь завод по производству игрушек:","type":"unstyled","key":"6606t"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":3,"offset":0,"style":"BOLD"}],"text":"MLP — сам завод.","type":"unordered-list-item","key":"fot4l"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":19,"offset":0,"style":"BOLD"}],"text":"784 → 128 → 64 → 10 — количество станков на каждом этапе.","type":"unordered-list-item","key":"9nteo"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":16,"offset":0,"style":"BOLD"}],"text":"Типобезопасность — если где-то не хватает деталей, завод просто не запустится.","type":"unordered-list-item","key":"4pa3i"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"dj80i"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":24,"offset":0,"style":"BOLD"}],"text":"Активации и нелинейности\nРеализуются как функции, работающие с фиксированными векторами.","type":"header-three","key":"7onl9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"fn relu(v: Vector) -> Vector::Vector {","type":"unstyled","key":"8dd9c"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"let mut result = v;","type":"unstyled","key":"2l8ei"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"for i in 0..N {","type":"unstyled","key":"52kc2"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"result.data[i][0] = v.data[i][0].max(0.0);","type":"unstyled","key":"a252a"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"7hh8s"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"result","type":"unstyled","key":"ecdvg"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"}","type":"unstyled","key":"3jjk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":56,"offset":0,"style":"BOLD"}],"text":"const N: usize — Const Generics (Константные дженерики) Это способ создать функцию или структуру, которая работает с фиксированным размером, известным на этапе компиляции. Здесь N — это константа, которая задаёт размер вектора.","type":"unstyled","key":"dlg0c"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что вы хотите создать коробку, в которую всегда кладут ровно 3 яблока. Вы можете сказать: \"Сделай коробку для 3 яблок\". Здесь \"3\" — это константа, известная заранее.","type":"unstyled","key":"6jsf6"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"В коде:","type":"unstyled","key":"aphbv"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":51,"offset":37,"style":"ITALIC"}],"text":"rustCopyfn relu(...) // N — это размер вектора, известный при компиляции","type":"unstyled","key":"6ogra"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":42,"offset":0,"style":"BOLD"}],"text":"Vector — Вектор фиксированного размера Это структура данных, которая хранит ровно N чисел (например, вектор из 3 чисел: [1.0, 2.0, 3.0]). Размер вектора фиксирован и не может измениться.","type":"unstyled","key":"6dh8"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли N = 2, то Vector<2> — это пара чисел, например, [5.0, -3.0].","type":"unstyled","key":"boidq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":75,"offset":0,"style":"BOLD"}],"text":"fn relu(v: Vector) -> Vector — Функция активации ReLU (Rectified Linear Unit) — это простая функция, которая заменяет все отрицательные числа в векторе на ноль, а положительные оставляет без изменений.","type":"unstyled","key":"8opmf"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли на входе вектор [1.0, -2.0, 3.0], то на выходе будет [1.0, 0.0, 3.0].","type":"unstyled","key":"7f1lk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":42,"offset":0,"style":"BOLD"}],"text":"v.data[i][0] — Доступ к элементам вектора Вектор хранит свои числа в массиве data. Здесь v.data[i][0] — это i-й элемент вектора.","type":"unstyled","key":"4r1qk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли v.data = [[1.0], [2.0], [3.0]], то v.data[1][0] = 2.0.","type":"unstyled","key":"5pd4n"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":59,"offset":0,"style":"BOLD"}],"text":"v.data[i][0].max(0.0) — Замена отрицательных чисел на ноль Эта операция сравнивает число с нулём и выбирает максимальное значение. Если число отрицательное, то выбирается 0.0.","type":"unstyled","key":"6qumj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:","type":"unstyled","key":"b0jv5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"(-2.0).max(0.0) = 0.0","type":"unordered-list-item","key":"2ri1n"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"(5.0).max(0.0) = 5.0","type":"unordered-list-item","key":"7chcp"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Итоговый пример работы функции:","type":"unstyled","key":"a34em"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":38,"offset":79,"style":"ITALIC"}],"text":"rustCopylet v = Vector { data: [[1.0], [-2.0], [3.0]] };\nlet result = relu(v);\n// result.data = [[1.0], [0.0], [3.0]]","type":"unstyled","key":"etm09"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Такие функции часто используются в нейронных сетях для обработки данных. Const generics позволяют оптимизировать код, потому что размер вектора известен заранее.","type":"unstyled","key":"bpoh4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"3hj7t"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":48,"offset":0,"style":"BOLD"}],"text":"Обучение (backpropagation) для маленьких моделей\nДля простых задач можно реализовать градиентный спуск вручную — все размеры проверяются статически.","type":"header-three","key":"ehq0i"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"// Пример обновления весов","type":"unstyled","key":"s68f"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"self.weights = self.weights - (learning_rate * grad_weights);","type":"unstyled","key":"7ei5f"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"(где - и * скаляр реализуются через трейты)","type":"unstyled","key":"d2g85"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Обучение нейронной сети — это процесс, при котором модель \"учится\" на примерах, чтобы делать правильные предсказания. Backpropagation (обратное распространение ошибки) — это алгоритм, который помогает модели понять, как именно ей нужно изменить свои внутренние параметры (веса), чтобы ошибка предсказания стала меньше.","type":"unstyled","key":"7pc16"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что вы учите ребёнка отличать кошек от собак. Сначала он ошибается, но вы каждый раз говорите: \"Нет, это кошка!\" — и он постепенно запоминает признаки. Так и нейросеть: она получает примеры, сравнивает свои ответы с правильными, и backpropagation помогает ей \"понять\", как исправить ошибки.","type":"unstyled","key":"c82jk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":20,"offset":0,"style":"BOLD"}],"text":"Градиентный спуск - Это метод оптимизации, который помогает найти такие значения весов модели, при которых ошибка минимальна. Представьте, что вы стоите на холме и хотите спуститься в самую низкую точку. Вы смотрите, куда круче склон, и делаете маленький шаг в том направлении. Градиентный спуск работает так же: он показывает, в каком направлении нужно изменить веса, чтобы ошибка уменьшилась.","type":"unstyled","key":"90sb5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли модель предсказала, что на картинке собака, а там кошка, градиентный спуск подскажет, насколько и в какую сторону нужно изменить веса, чтобы в следующий раз ошибка была меньше.","type":"unstyled","key":"99odj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":41,"offset":0,"style":"BOLD"}],"text":"Реализация градиентного спуска вручную - В маленьких моделях можно самому написать код, который будет обновлять веса по формуле:","type":"unstyled","key":"aehft"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Copyself.weights = self.weights - (learning_rate * grad_weights);","type":"unstyled","key":"9jtk9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"self.weights — текущие веса модели.","type":"unordered-list-item","key":"br1ja"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"grad_weights — градиент (направление и величина изменения весов).","type":"unordered-list-item","key":"br1v8"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"learning_rate — шаг, насколько сильно мы меняем веса за один раз.","type":"unordered-list-item","key":"69jl1"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли learning_rate = 0.01, а grad_weights = 2.0, то веса изменятся на 0.01 * 2.0 = 0.02 в сторону уменьшения.","type":"unstyled","key":"53b7a"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":26,"offset":0,"style":"ITALIC"}],"text":"Трейты для операций (- и ) — это способ описать, какие операции можно делать с объектами. Здесь говорится, что для матриц реализованы операции вычитания (-) и умножения на скаляр (*), чтобы можно было писать код в естественном виде.","type":"unstyled","key":"7b396"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:","type":"unstyled","key":"2tshv"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Copylet new_weights = weights - (0.01 * grad);","type":"unstyled","key":"dsfc4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Здесь - и * — это операции, которые реализованы через трейты.","type":"unstyled","key":"7j4db"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"8r7n3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":20,"offset":0,"style":"BOLD"}],"text":"Представление батчей\nЕсли батч фиксированный (например, batch_size=1 или batch_size=32), можно сделать BatchMatrix.","type":"header-three","key":"bmsg9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Батч — это группа данных, которую обрабатывают вместе, а не по одному элементу. В машинном обучении и программировании часто используют батчи, чтобы ускорить вычисления.","type":"unstyled","key":"b7uhp"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте, что у вас есть 100 фотографий, и вы хотите их все уменьшить. Вместо того, чтобы обрабатывать каждую фотографию по одной, вы берёте сразу 32 фотографии (батч) и уменьшаете их все вместе. Так быстрее!","type":"unstyled","key":"5ner4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":37,"offset":0,"style":"BOLD"}],"text":"Фиксированный батч (fixed batch_size) — это когда размер группы данных всегда одинаковый. Например, всегда по 1, 32 или 64 элемента.","type":"unstyled","key":"eunam"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли вы всегда уменьшаете фотографии группами по 32 штуки, то ваш батч фиксированный с размером 32.","type":"unstyled","key":"21mb6"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":41,"offset":0,"style":"BOLD"}],"text":"Const generics (константные дженерики) - Это возможность в языке Rust указывать конкретные числовые значения (например, размеры) прямо в типе данных. Это помогает компилятору лучше оптимизировать код и избегать ошибок.","type":"unstyled","key":"1vkcn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nВместо того, чтобы писать функцию, которая работает с любым размером матрицы, вы можете создать тип BatchMatrix<32, 10, 20>, который всегда будет работать с батчем из 32 матриц размером 10x20.","type":"unstyled","key":"4bcqq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":72,"offset":0,"style":"BOLD"}],"text":"BatchMatrix - Это тип данных, который хранит несколько матриц (батч) фиксированного размера. Здесь:","type":"unstyled","key":"6ahb5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"BATCH — сколько матриц в группе (например, 32),","type":"unordered-list-item","key":"cuo5o"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"ROWS — сколько строк в каждой матрице (например, 10),","type":"unordered-list-item","key":"bnjci"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"COLS — сколько столбцов в каждой матрице (например, 20).","type":"unordered-list-item","key":"epnr5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nЕсли у вас есть BatchMatrix<2, 3, 4>, это значит:","type":"unstyled","key":"e08cj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"В группе 2 матрицы,","type":"unordered-list-item","key":"fc1hu"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Каждая матрица имеет 3 строки и 4 столбца.","type":"unordered-list-item","key":"42au1"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"4usba"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":36,"offset":0,"style":"BOLD"}],"text":"Специализированные маленькие модели Линейная/логистическая регрессия с фиксированным числом фич.\nTiny нейросети для embedded (например, классификация ключевых слов, жестов).\nМодели для микроконтроллеров (no_std + const generics = максимальная производительность).\n","type":"header-three","key":"892fd"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Это небольшие по размеру и ресурсам алгоритмы машинного обучения, которые решают узкие задачи (например, распознавание жестов или ключевых слов).","type":"unstyled","key":"a7qvh"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nПредставьте умные наушники, которые распознают только две команды: «Включи музыку» и «Выключи музыку». Им не нужен мощный компьютер — достаточно маленькой модели, которая быстро и эффективно выполняет свою задачу.","type":"unstyled","key":"uuss"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":62,"offset":0,"style":"BOLD"}],"text":"Линейная/логистическая регрессия с фиксированным числом фич - Это простые алгоритмы машинного обучения:","type":"unstyled","key":"2c10a"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":18,"offset":0,"style":"BOLD"}],"text":"Линейная регрессия предсказывает числовые значения (например, цену дома по его площади).","type":"unordered-list-item","key":"4h567"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":23,"offset":0,"style":"BOLD"}],"text":"Логистическая регрессия классифицирует данные (например, определяет, спам письмо или нет).","type":"unordered-list-item","key":"ebtnn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":23,"offset":0,"style":"BOLD"}],"text":"Фиксированное число фич — значит, что модель заранее знает, сколько параметров (фич) она будет использовать (например, только площадь и количество комнат, не больше).","type":"unstyled","key":"dp67i"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nМодель для умных часов, которая по двум датчикам (пульс и движение) определяет, идёт человек или бежит.","type":"unstyled","key":"1utgi"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":30,"offset":0,"style":"BOLD"}],"text":"Tiny нейросети для embedded - Это очень маленькие нейронные сети, которые работают на устройствах с ограниченными ресурсами (например, микроконтроллеры).","type":"unstyled","key":"acimo"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nУмный выключатель света, который распознаёт хлопок в ладоши. Ему не нужен мощный процессор — достаточно крошечной нейросети, которая быстро обрабатывает звук.","type":"unstyled","key":"b2qjd"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":54,"offset":0,"style":"BOLD"}],"text":"Модели для микроконтроллеров (no_std + const generics)","type":"unstyled","key":"eb4c7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":15,"offset":0,"style":"BOLD"}],"text":"Микроконтроллер — это маленький компьютер внутри устройства (например, в стиральной машине или пульте).","type":"unordered-list-item","key":"dfrn7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":6,"offset":0,"style":"BOLD"}],"text":"no_std — значит, модель не использует стандартную библиотеку языка (чтобы занимать меньше места).","type":"unordered-list-item","key":"8tu64"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":14,"offset":0,"style":"BOLD"}],"text":"const generics — это техника в программировании, которая позволяет заранее задать размеры данных (например, количество фич), чтобы код работал быстрее и надёжнее.","type":"unordered-list-item","key":"9cold"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":7,"offset":0,"style":"BOLD"}],"text":"Пример:\nМодель для умного термостата, которая по трём датчикам (температура, влажность, время суток) регулирует отопление. Она написана так, чтобы занимать минимум памяти и работать без сбоев.","type":"unstyled","key":"2rnet"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"75oaj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Существующие библиотеки, активно использующие const generics в ML","type":"header-three","key":"cv6cr"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":4,"offset":0,"style":"BOLD"}],"text":"dfdx — современная (2023–2026) deep learning библиотека, построенная вокруг const generics. Размеры тензоров — часть типа. Пример:","type":"unordered-list-item","key":"frp3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"type Model = (Linear<784, 128>, ReLU, Linear<128, 10>);","type":"unstyled","key":"98fqr"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"let model = Model::build(dev);","type":"unstyled","key":"811n9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"let pred = model.forward(x);","type":"unstyled","key":"bshdg"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Поддерживает автоград, CPU/GPU (через CUDA), фиксированные и динамические формы.","type":"unordered-list-item","key":"57c5o"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":4,"offset":0,"style":"BOLD"}],"text":"burn — ещё один мощный фреймворк с backend-ами (tch, wgpu, ndarray). Поддерживает const generics для статических форм.","type":"unordered-list-item","key":"3p1ln"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":4,"offset":0,"style":"BOLD"}],"text":"glam — для векторов/матриц в графике, часто используется в ML-задачах с 3D-данными (pose estimation, robotics).","type":"unordered-list-item","key":"e75ae"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Когда это особенно выгодно","type":"header-three","key":"9f0vo"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":20,"offset":0,"style":"BOLD"}],"text":"Embedded ML / TinyML: модели на STM32, RP2040, ESP32 — где динамические аллокации недопустимы.","type":"unordered-list-item","key":"bv5bt"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":26,"offset":0,"style":"BOLD"}],"text":"High-performance inference: без overhead динамических проверок.","type":"unordered-list-item","key":"41brh"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":17,"offset":0,"style":"BOLD"}],"text":"Безопасность кода: в production-системах (автопилот, финансы) ошибки размерностей невозможны в runtime.","type":"unordered-list-item","key":"dltta"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Если нужны динамические размеры (большие модели, переменный batch) — лучше ndarray/tch-rs/polars, но для фиксированной архитектуры const generics дают непревзойдённую безопасность и скорость.","type":"unstyled","key":"a5g14"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"3l5mf"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"marker","key":"p9QEru3bJNYeZD4Hmlhp"}],"entityMap":{}},"mentions":[]}