به مردم ماهیگیری ندهید ، بیاموزید که فرایند یادگیری ماهیگیری را دوست داشته باشید
به مردم ماهیگیری ندهید ، بیاموزید که فرایند یادگیری ماهیگیری را دوست داشته باشید
پیر سنی که می گوید:" به یک مرد ماهی بدهید و یک روز او را تغذیه کنید ، اما به او ماهیگیری را بیاموزید و یک عمر او را تغذیه می کنید "مانند گذشته مهم نیست باشد.
در دنیای پرشتاب امروز که از نظر فنی پیشرفت می کند ، هر روز فقط سریعتر می شود ، حفظ سریع دانش ، انطباق پذیری و کسب مهارت بسیار مهمتر از "یادگیری ماهیگیری" است.
< p> بنابراین ، به روزرسانی این بیانیه در قرن بیست و یکم باید انجام شود:"به یک شخص ارزش و انگیزه توسعه شخصی و کسب دانش را بیاموزید ، به طوری که او دوست دارد یاد بگیرد ماهیگیری را از همه بهتر درک کند. زاویه فناوری. "
به جای حتی یادگیری ماهیگیری ، مهارت هایی مانند چگونگی تولید انگیزه ، تاب آوری ، معنی و هدف را پرورش دهید.
پرورش آزادی ذهنی و ذهنی درونی برای پرورش در نتیجه درمورد جهان منجر به سطح کنجکاوی لازم برای کاوش و کسب دانش با میزان و دولتی می شود که لازم دارید.
مراقبه بیشتر و تاریخچه ماهیگیری ، برای داشتن قدرت و قدرت انگیزه نه تنها "ماهی" بی وقفه ، بلکه مهمتر از همه ، در حالت مناسب ، و توانایی توانایی عاشق شدن در ماهیگیری بنابراین شما می توانید آن را با یک فناوری قابل دسترسی دوباره اختراع کنید.
و نقل قول رابرت گرین مبنی بر اینکه مجبور است عاشق ماهیگیری شود را اشتباه درک نکنید یا هر کاری که می کنید انجام دهید.
استفاده از "عشق" به کار خود در مورد تعهد ، و وضعیتی است که در آن کار می کنید. نحوه انجام هر کاری این است که چگونه همه کارها را انجام می دهید.
و شما می توانید هر کاری را در یک حالت عشق یا حالت منفی کم انجام دهید.
این را به متن کار کسب مهارت و کارآفرینی ، در هسته اصلی آن ، یک ذهنیت رشد ویژگی شماره 1 است که باید هنگام استخدام افراد با آن مصاحبه کنید. "چگونه ماهیگیری" را مدیریت یا آموزش دهند ، زیرا آنها بسیار دوست دارند یاد بگیرند ، دانشمندان متمادی دانش خواهند بود ، بنابراین از هر زاویه دیدگاههای مختلف ماهیگیری را درک خواهند کرد.
با در نظر گرفتن ، هوش مصنوعی و داده های بزرگ ، "اینترنت اشیا and" و اتصال جهانی و موارد دیگر.
با دسترسی به ابزارهای رایگان مقیاس پذیر ، روزهای یادگیری نحوه ماهیگیری به پایان رسیده و نیاز به کسب دانش ، سازگاری و خلاقیت دارید فکر کردن در مورد ماهیگیری مهمتر از یادگیری ماهیگیری است.
با اضافه کردن چند فیلتر استخدام (من می دانم سخت تر از آن است که به نظر می رسد) ، شما یک ماهیگیر بازیکن (کارمند) که از 5 بازیکن ماهیگیر B (کارمند) با هم بهتر است.
اینها افرادی هستند که به جای مانع ، از چالش فرصت استفاده می کنند ، ارتباط برقرار کننده های قدرتمندی که انگیزه های بی وقفه ای دارند تا به خاطر خودشان موفق شوند .
عدم "پیشرفت" یا "ارتقا" ، زیرا این امر به طور طبیعی اتفاق می افتد.
اما اگر برخی از این صفات را به فیلترهای استخدام خود اضافه کنید ، هرگز مجبور نخواهید شد واقعاً هر چیزی را به آنها بیاموزید زیرا آنها یادگیرنده های پرشوری هستند و از طریق عشق به یادگیری به تسلط خواهند رسید.
در اینجا هفت ویژگی از افرادی است که از روند یادگیری نتیجه لذت می برند.
1 افرادی با انگیزه ذاتی
افرادی که انگیزه های شدید خود را دارندبه دلیل ذاتی بودن ، دانش ذاتی رانده می شود و آنها را قلقلک می دهد.
آنها به احتمال زیاد در ماهیگیری مسلط شده اند و به دیگران ماهیگیری می آموزند که باعث بهبود فرهنگ و کاهش "آموزش" می شود.
2 افرادی که نشان می دهند ایمان مثبت دارند
بله ، داشتن ایمان و نشان دادن هر روز در دنیای امروز بسیار سخت است که آن را به یک ویژگی فوق العاده ارزشمند در دنیای امروز تبدیل کنیم.
اما افرادی که عمل می کنند صادقانه مثبت است ، حتی چنین است ، نیروهایی از طبیعت هستند که رفتاری را که می خواهند از طرف اطرافیان و غیره غیرقانونی جلوه دهند.
3. افرادی که کنجکاوی سیری ناپذیری دارند
من بطور همزمان چند قطعه از 10 کتاب را می خوانم و کتابهایی را که بارها و بارها دوست دارم دوباره می خوانم.
من خودم را وصل کرده ام که نقاط را هرگز تصور شده می تواند به هم متصل شود.
افراد کنجکاو دانش و داده های عمومی زیادی را برای پاسخ به س questionsالات ساده اما عمیق جذب می کنند.
4. افرادی که ذاتاً مشتاق هستند
این ممکن است واضح به نظر برسد اما در افرادی که ذاتاً مشتاق هستند در مقایسه با افرادی که برای ایجاد اشتیاق در آنها به شرایط بیرونی احتیاج دارند تفاوت ظریف وجود دارد.
اشتیاق ذاتی به آن بخاطر خود حالتی است که کسی هر روز خود را برای تولید محکوم می کند یا طبیعتاً فقط از این طریق است.
در هر صورت ، شما می خواهید اینگونه در اطراف افراد باشید.
5. افرادی که نگرش حماسی دارند
روزهای "نگرش خوب" گذشته است ، این برای زنده ماندن در آینده مشاغل یک ضرورت است. افرادی را که حماسه دارند استخدام کنید ، به همین سادگی است.
بیش از حد برای کاری سوق پیدا می کند خواه فرهنگ شرکت ، تسلط بر مهارت آنها ، یادگیری بی پروا یا هر چیز دیگری که آنها را به سمت برخورد حماسی سوق دهد. < /p>
این ممکن است یک فرد سخت گیر شارژدهنده یا یک رهبر فوق العاده آرام باشد که شما او را دوست دارید اما این نگرش هرچه باشد ، باید قابل توجه باشد.
6. افرادی که معلم طبیعی هستند
فراگیران قوی می دانند که بهترین راه برای یادگیری آموزش است.
وقتی مطلبی را می خوانم یا موضوعی را نمی فهمم ، در مورد آن می خوانم و مقاله می نویسم مقاله ای را متعهد می شوم که منتشر کنم که باعث سوختن آن می شود.
دانستن اینکه مردم می بینند این زمینه و وضعیتی را ایجاد می کند که باعث می شود دانش را عمداً جذب کنم تا فراموش نکنم زیرا مهم است.
7 افرادی که خیرخواهانه به اشتراک می گذارند
برخی از افراد اطراف خود را به طرز خیرخواهانه ای بالا می کشند که دیگران این کار را نمی کنند. /p>
یا افرادی که می دانند وقتی دیگران را در اطراف خود پیروز می کنند برنده می شوند تا از آنها سهیم باشند.
اینها یادگیرندگان مادام العمر هستند که به روند یادگیری خود و نه تنها کار خود را یاد می گیرند ، بلکه بر آن و سایر قسمت های زندگیشان تسلط دارند.
آرم Traena توسط Indify Design Groupe از خواندن شما متشکریم. در Traena مشترک شوید تا این مقالات را مستقیماً به صندوق ورودی خود برسانید و به روزرسانی های ویژگی های ما را بشنوید.
طبقه بندی ماهی چند کلاسه در تصاویر با استفاده از آموزش انتقال و کراس
طبقه بندی ماهی چند کلاسه در تصاویر با استفاده از آموزش انتقال و کراس
چگونه از یادگیری ماشینی با ماهی استفاده می کنید؟
نکته:
و این خلاصه ای از پروژه سنگفرش نانو درجه ماشین یادگیری ماشین Udacity است.
کد: پیوند به Github Repo.
نمای کلی
< p> تقریباً 50٪ از جهان برای منبع اصلی پروتئین خود به غذاهای دریایی وابسته هستند. و بیشترین عرضه ماهی با درجه بالا در جهان از منطقه غربی و اقیانوس آرام حاصل می شود که حدود 7 میلیارد دلار بازار را در اختیار دارد. با این حال ، ماهیگیری غیرقانونی همچنان تهدیدی برای اکوسیستم دریایی در این مناطق است زیرا ماهیگیران اغلب به صید بی رویه و صید گونه های حفاظت شده برای گردشگری در اعماق دریا مانند کوسه و لاک پشت می پردازند.بر اساس گزارش Fortune در مورد استفاده فعلی از هوش مصنوعی در صنعت ماهیگیری ، شرکت های بزرگ ماهیگیری مانند ماهیگیری Luen Thai گزارش می دهند که متصدیان ماهیگیری در منطقه اقیانوس آرام به طور معمول یک مشاهده گر فیزیکی را برای همراهی ماهیگیران 10 بار از 200 بار در سال می فرستند ، با این حال ، به دلیل وجود آن ، این کافی نیست هیچ کس برای کنترل آنچه در 190 سفر دیگر به ازای هر قایق در حال انجام است ، نظارت نمی کند.
برای مقابله با مشکل نظارت صحیح ، یک سازمان غیرانتفاعی جهانی که با مشکلات زیست محیطی مبارزه می کند تصمیم گرفته است با نصب راه حل فناوری ایجاد کند دستگاه های نظارت الکترونیکی مانند دوربین ، حسگرها و دستگاه های GPS برای ضبط کردن تمام فعالیت های موجود در هواپیما برای بررسی اینکه آیا آنها کار غیرقانونی انجام می دهند.
با این حال ، حتی اگر دسترسی به ساعتهای فیلم خام نیز مفید باشد ، طبق نظر TNC ، برای یک سفر طولانی 10 ساعته ، بررسی این فیلم به صورت دستی 6 ساعت برای بازبین ها طول می کشد. علاوه بر شرایط پر سر و صدا در یک قایق ماهیگیری ، شرایط آب و هوایی نامناسب مانند نور ناکافی ، برخورد قطرات باران به لنزهای دوربین و افرادی که مانع دیدن ماهی ها می شوند ، اغلب به انتخاب خود ، این کار را برای بازرسان انسان دشوارتر می کند.
< p> برای اتوماسیون این فرایند ، TNC با کاگل همکاری کرد تا از پزشکان یادگیری ماشین بخواهد سیستمی بسازند که به طور خودکار ماهی ها را از داده های فیلم فیلم با یک جایزه 150،000 دلاری شناسایی و طبقه بندی کند تا هزینه های آموزش شبکه عصبی عمیق پیوندی را جبران کند. مسابقه نظارت بر شیلات حفاظت از طبیعت توجه شرکت کنندگان را جلب کرده و در نشریاتی مانند Engadget ، Guardian و Fortune به نمایش در آمده است.هدف از این پروژه سنگفرش ساخت یک شبکه عصبی کانولوشن است که طبقه بندی های مختلف گونه های ماهی در حالی که تحت محدودیت های محاسبه به خوبی کار می کنند.
1.2. بیانیه مشکل
مجموعه داده های ماهی با شناسایی اشیا in موجود در تصویر مانند ماهی تن ، اوپا ، کوسه ، لاک پشت ، قایق های بدون ماهی روی عرشه و قایق هایی با ماهی های دیگر و طعمه های کوچک توسط TNC برچسب گذاری شد.
هدف پیش بینی احتمال وجود ماهی از یک کلاس خاص از کلاسهای ارائه شده است ، بنابراین از نظر یادگیری ماشین ، آن را به یک مشکل طبقه بندی چند طبقه تبدیل می کند.
هشت کلاس هدف ارائه شده است در این مجموعه داده: ماهی تن آلباکور ، تن بیگیه ، تن زرد ، ماهی ماهی ، اوپا ، کوسه ، سایر (به این معنی که ماهی در آن وجود دارد اما در گروه های فوق نیست) و ماهی بدون ماهی (به این معنی که ماهی در تصویر نیست).
هدف آموزش CNN است که بتواند ماهی ها را در این هشت کلاس طبقه بندی کند.
تکنیک های مبتنی بر یادگیری عمیق (CNN) در چند سال اخیر بسیار محبوب بوده است ، جایی که آنها به طور مداوم عملکرد بیشتری داشتند. رویکردهای سنتی برای استخراج ویژگی ها تا جایی که برنده چالش های imagenet هستند. در این پروژه ، از آموزش انتقال همراه با افزایش داده برای آموزش یک شبکه عصبی کانولوشن برای طبقه بندی تصاویر ماهیها به کلاسهای مربوطه استفاده خواهد شد.
آموزش انتقال به روند استفاده از وزنه های آموزش دیده اشاره دارد شبکه ها روی مجموعه داده های بزرگ از آنجا که شبکه های آموزش دیده قبلاً یاد گرفته اند که چگونه ویژگی های سطح پایین مانند لبه ها ، خطوط ، منحنی ها و غیره را با لایه های کانولوشن که اغلب از نظر محاسباتی بیشترین زمان برای فرآیند است شناسایی کنند ، استفاده از این وزن ها به شبکه کمک می کند تا به یک نمره خوب سریعتر از آموزش از ابتدا است. شرکت کنندگان در چالش های مشابه طبقه بندی تصویر در کاگل مانند رتینوپاتی دیابتی ، تشخیص نهنگ راست (که همچنین یک مجموعه داده دریایی است) نیز با موفقیت از یادگیری انتقال استفاده کرده اند.
برای آموزش موفقیت آمیز یک مدل CNN ، مجموعه داده نیاز دارد بزرگ بودن (که در اینجا مسلماً چنین نیست ، مجموعه داده ارائه شده از Kaggle بسیار کوچک است ، فقط 3777 تصویر برای آموزش) و ماشین آلات با قدرت محاسباتی بالاتر ، ترجیحا با GPU مورد نیاز است ، که در این قسمت به آنها دسترسی ندارم نقطه. خوشبختانه بسیاری از شبکه های این چنینی مانند RESNET ، Inception-V3 ، VGG-16 در چالش imagenet آموزش دیده برای استفاده عمومی در دسترس است و من از یکی از آنها VGG-16 استفاده می کنم که توسط گروه هندسه دیداری Oxford برای این مسابقه ایجاد شده است. نسخه دیگری از VGG وجود دارد ، یعنی VGG-19 با دقت بسیار مشابه ، با این حال استفاده از آن از نظر محاسباتی گران تر است بنابراین من از آن استفاده نمی کنم.
1.3. معیارها
معیار مورد استفاده برای این مسابقه کاگل ، از دست دادن لگاریتمی چند طبقه است (همچنین به عنوان آنتروپی مقطعی طبقه بندی شناخته می شود)
در اینجا هر تصویر با یک کلاس واقعی برچسب گذاری شده است و برای هر تصویر باید مجموعه ای از احتمالات پیش بینی شده ارسال شود.
N تعداد تصاویر موجود در مجموعه آزمون ، M تعداد برچسب های کلاس تصویر ، log لگاریتم طبیعی است ، Yij در صورت مشاهده به کلاس 1 و در غیر این صورت 0 و P (Yij) احتمال پیش بینی شده مربوط به مشاهده است به کلاس . احتمالات ارسالی برای یک تصویر داده شده لازم نیست که یک به یک جمع شوند زیرا قبل از امتیازدهی مجدداً مقیاس بندی می شوند (هر سطر به مجموع سطر تقسیم می شود). یک طبقه بندی کننده کامل از دست دادن ورود به سیستم 0. خواهد داشت.
ورود به سیستم چند کلاسه طبقه بندی کننده هایی را که از پیش بینی نادرست اطمینان دارند مجازات می کند. در معادله فوق ، اگر برچسب کلاس 1 باشد (نمونه مربوط به آن کلاس است) و احتمال پیش بینی شده نزدیک به 1 باشد (پیش بینی های طبقه بندی صحیح است) ، پس از آن از دست دادن واقعاً کم است زیرا log (x) → 0 x x 1 ، بنابراین این نمونه مقدار کمی ضرر دارداز دست دادن کل و اگر این امر برای هر نمونه اتفاق بیفتد (طبقه بندی کننده دقیق است) ، کل ضرر نیز به 0 نزدیک خواهد شد.
از طرف دیگر ، اگر برچسب کلاس 1 باشد (نمونه از آن است کلاس) و احتمال پیش بینی شده نزدیک به 0 است (طبقه بندی کننده از اشتباه خود اطمینان دارد) ، چون log (0) تعریف نشده است به آن نزدیک می شود ... بنابراین از نظر تئوری ضرر می تواند به بی نهایت نزدیک شود. به منظور جلوگیری از شدت عملکرد log ، احتمالات پیش بینی شده با حداکثر (دقیقه (p ، 1−10 ^ 15) ، 10 ^ 15) جایگزین می شوند.
به صورت گرافیکی [¹] ، با فرض مثال دوم متعلق به کلاس j و Yij = 1 است ، نشان داده شده است که وقتی احتمال پیش بینی شده به 0 نزدیک می شود ، ضرر می تواند بسیار زیاد باشد.
II. تجزیه و تحلیل
برای ایجاد مجموعه داده ، TNC چندین ساعت فیلم قایقرانی را جمع آوری کرد و سپس فیلم را به 5000 تصویر تقسیم کرد که شامل عکس های ماهی گرفته شده از زوایای مختلف است. با شناسایی اشیا in موجود در تصویر مانند ماهی تن برچسب گذاری شد ، کوسه ، لاک پشت ، قایق های بدون ماهی روی عرشه و قایق هایی با ماهی های طعمه ای کوچک دیگر.
این مجموعه داده شامل 8 کلاس مختلف ماهی است که از فیلم خام از دوازده قایق ماهیگیری مختلف در شرایط مختلف نور و فعالیت های مختلف ، با این وجود داده های مربوط به زندگی واقعی است ، بنابراین هر سیستم برای طبقه بندی ماهی باید قادر به مدیریت این نوع فیلم ها باشد. مجموعه آموزش شامل حدود 3777 تصویر دارای برچسب است و مجموعه آزمایش دارای 1000 تصویر است. تصاویر با ابعاد ثابت تضمین نمی شوند و عکس های ماهی از زوایای مختلف گرفته می شوند. تصاویر حاوی هیچ حاشیه ای نیستند.
هر تصویر فقط یک دسته ماهی دارد ، با این تفاوت که بعضی اوقات در تصاویر ماهی های بسیار کوچکی وجود دارد که از آنها به عنوان طعمه استفاده می شود. حفاظت از طبیعت همچنین با مهربانی تجسم برچسب ها را ارائه داده است ، زیرا تصاویر خام می تواند باعث تحریک بسیاری از افراد شود.
از آنجا که ورودی فقط تصاویر خام است (آرایه های 3 بعدی با ارتفاع x عرض x کانال برای رایانه ها) ، مهم است که برای طبقه بندی آنها در برچسب های ارائه شده ، پیش پردازش شود. با این وجود جزئیات دقیق پیش پردازش به انتخاب معماری ما برای استفاده از یادگیری انتقال بستگی دارد. هیستوگرام های رنگی به عنوان ویژگی از این تصاویر خام استخراج شده اند. کانال های رنگی در طبقه بندی تصویر می توان از هیستوگرام ها به عنوان بردار ویژگی استفاده کرد با این فرض که تصاویر مشابه توزیع رنگی مشابهی دارند.
در اینجا ما هیستوگرام های هر تصویر را در مجموعه آموزش محاسبه می کنیم و نتیجه را برای مشابه ترین ها می یابیم. تصویر از هیستوگرام ها با معیار فاصله اقلیدسی.
نتایج یک تصویر نمونه تصادفی انتخاب شده در زیر آورده شده است:
واضح است که تصاویر در برچسب ها مشابه هستند ، اما به نظر می رسد مشابه نیستند. اما هیستوگرام آنها کاملاً مشابه است.
توجه داشته باشید که مدل معیار با نزدیکترین همسایگان k همچنین با نمودارهای رنگی به عنوان ویژگی آموزش داده می شود. با این وجود هیستوگرام ها ، شکل ، بافت و اطلاعات مکانی موجود در تصاویر را کاملاً نادیده می گیرند و نسبت به نویز بسیار حساس هستند ، بنابراین نمی توان از آنها برای آموزش یک مدل پیشرفته استفاده کرد.
2.3. الگوریتم ها و تکنیک ها
آموزش انتقال:
یادگیری انتقال اشاره داردبه فرآیند استفاده از وزنه ها ، یک شبکه آموزش دیده آموزش دیده روی یک مجموعه داده بزرگ که روی مجموعه داده دیگری اعمال می شود (یا به عنوان استخراج کننده ویژگی یا با راه اندازی مجدد شبکه). Finetuning به روند آموزش چند لایه یا چند لایه آخر شبکه آموزش دیده روی مجموعه داده جدید برای تنظیم وزن گفته می شود. یادگیری انتقال در عمل بسیار رایج است زیرا جمع آوری داده ها اغلب هزینه بر است و آموزش یک شبکه بزرگ از نظر محاسباتی گران است. در اینجا وزن های یک شبکه عصبی کانولوشن پیش آموزش داده شده روی مجموعه داده های imagenet برای طبقه بندی ماهی ها قابل اجرا است.
روش معیار:
معماری VGG (16):
برنده مسابقه ImageNet ILSVRC-2014 ، VGGNet توسط گروه هندسه تجسمی آکسفورد اختراع شده است ، معماری VGG کاملاً از لایه های کانولوشن 3 و 3 و حداکثر مخلوط سازی تشکیل شده است که در انتها یک بلوک کاملاً متصل است. مدل آموزش دیده در Caffe ، Torch ، Keras ، Tensorflow و بسیاری دیگر از کتابخانه های محبوب DL برای استفاده عمومی در دسترس است.
لایه ها:
توابع فعال سازی:
لایه های فعال سازی یک عملیات غیر خطی را برای خروجی اعمال می کنند سایر لایه ها مانند لایه های کانولوشن یا لایه های متراکم.
بهینه سازها:
افزایش داده: افزایش داده ها یک روش قاعده گذاری است که در آن ما تصاویر بیشتری را از داده های آموزشی تهیه می کنیم که با jitter تصادفی ، برش ، چرخش ، بازتاب ، مقیاس گذاری و غیره برای تغییر پیکسل در حالی که برچسب ها دست نخورده است ، ارائه می شود. CNN به طور کلی با داشتن داده های بیشتر عملکرد بهتری دارد زیرا مانع از نصب بیش از حد می شود.
نرمال سازی دسته ای: نرمال سازی دسته ای یک تکنیک است که اخیراً توسط Ioffe و Szegedy ساخته شده است و سعی می کند شبکه های عصبی را با مجبور کردن صریح فعالانه ها در سراسر شبکه به درستی تنظیم کند. در ابتدای آموزش توزیع واحد گوسی را بدست آورید. در عمل ما لایه های Batchnorm را درست بعد از لایه های متراکم یا کانولوشن قرار می دهیم. شبکه هایی که از نرمال سازی دسته ای استفاده می کنند نسبت به مقداردهی اولیه بد به طور قابل توجهی قوی تر هستند. از آنجا که نرمال سازی توانایی تعداد کمی از ورودی های خارج از کشور را برای تأثیر بیش از حد بر آموزش بسیار کاهش می دهد ، همچنین تمایل به کاهش تجهیزات اضافی دارد. بعلاوه ، نرمال سازی دسته ای را می توان به عنوان انجام پیش پردازش در هر لایه از شبکه تفسیر کرد ، اما در خود شبکه یکپارچه است.
2.4. معیار
انتخاب تصادفی: ما احتمال یکسانی را برای ماهی متعلق به هر کلاس از هشت کلاس برای معیار ساده لوح پیش بینی می کنیم. این ارسال 2.41669 از دست دادن ورود به سیستم در صفحه جدول Kaggle است.
طبقه بندی نزدیکترین همسایه K: یک مدل K-Nearest همسایه بر روی هیستوگرام رنگی تصاویر با فاصله اقلیدسی به عنوان متریک فاصله آموزش داده شد. این باعث کاهش 1.65074 ورود به سیستم در تابلوی امتیازات می شود.
یک شبکه عصبی کانولوشن کاملاً طراحی شده باید بتواند مدل پایه انتخاب تصادفی را به راحتی در نظر بگیرد ، حتی اگر مدل KNN به وضوح از معیار اولیه پیشی بگیرد. با این حال ، به دلیل هزینه های محاسباتی ، ممکن است امکان اجرای مدل یادگیری انتقال با معماری VGG-16 برای تعداد کافی دوره وجود نداشته باشد تا بتواند همگرایی داشته باشد.
بنابراین نمره مناسب برای ضرب و شتم معیار KNN چیزی کمتر از 1.65074 است حتی اگر اختلاف زیاد نباشد با توجه به اینکه شبکه عصبی طولانی تر کار می کند باعث کاهش ضرر خواهد شد.
III. روش
3.1 پیش پردازش
همانطور که در استفاده از VGG16NET مانند معماری برای یادگیری انتقال ، تصاویر پیش پردازش می شوند همانطور که در مقاله اصلی VGGNet انجام می شود. سازندگان VGGNet اصلی ابتدا میانگین هر کانال (R ، G ، B) را کم می کنند بنابراین داده های مربوط به هر کانال میانگین 0. بود.
علاوه بر این ، نرم افزار پردازش آنها انتظار داشت ورودی در (B ، G ، R) ترتیب دهید در حالیکه پایتون به طور پیش فرض انتظار دارد (R ، G ، B) ، بنابراین تصاویر باید از RGB -> BGR تبدیل شوند. در این مجموعه داده تصاویر ورودی نیز در اندازه ها و رزولوشن های مختلف ارائه می شوند ، بنابراین اندازه آنها به 150 150 150 3 3 تغییر یافت تا اندازه آنها کاهش یابد. داده داده شده توسط کاگل هیچ مجموعه اعتبارسنجی ندارد ، بنابراین به یک مجموعه آموزش و یک مجموعه اعتبار سنجی تقسیم می شود برای ارزیابی.
از 3777 تصویر ، 3019 تصویر در مجموعه آموزش و بقیه (0.8٪ از همه کلاس ها) در مجموعه اعتبار سنجی است. توجه داشته باشید که به جای استفاده از روش train_test_split در scikit-learn ، من به طور تصادفی 0.8٪ از هر کلاس را از مجموعه آموزش به مجموعه اعتبار سنجی با حفظ ساختار فهرست بردم. توزیع کلاسها را بصورت تصویری در زیر حفظ می کند.
Keras ImageDataGenerators از شاخه ها /آرایه های numpy به صورت دسته ای داده های آموزشی تولید می کند و آنها را با برچسب های خود پردازش می کند.داده های آموزش نیز در حین آموزش مدل تغییر داده شد ، در حالی که از داده های اعتبار سنجی برای بدست آوردن صحت اعتبار سنجی و افت اعتبار در حین آموزش استفاده شد.
3.2. اجرا
در ابتدا خط مقدماتی با انتخاب تصادفی و نزدیکترین همسایگان K برای مقایسه اجرا شد. پس از آن تصاویر به یک مجموعه آموزش و یک مجموعه اعتبار سنجی تقسیم شدند. عملیات پیش پردازش مانند کم کردن میانگین هر یک از کانال ها همانطور که قبلاً ذکر شد انجام شد و از معماری VGG-16 بدون آخرین لایه های کاملاً متصل برای استخراج ویژگی های کانولوشن از تصاویر پیش پردازش شده استفاده شد. نمودار معماری VGG16 بدون لایه کاملاً متصل در زیر آورده شده است.
در مورد ویژگی های استخراج شده (کدهای CNN) ابتدا یک مدل کاملاً متصل به کار گرفته شد اما متأسفانه نتیجه خوبی نداشت. پس از آن ، من سطح تخلیه و عادی سازی دسته ای را به لایه کاملاً متصل اعمال کردم که نزدیکترین معیار K را تا 17.50 شکست. در اینجا نمودار لایه متراکم همراه با ترک تحصیل و نرمال سازی دسته ای فعال شده است.
من در این پیشنهاد اشاره کردم که می خواهم یک مدل ماشین بردار پشتیبان را در ویژگی های استخراج شده CNN امتحان کنم ، اما بعداً به نظر می رسید که مدل های ضعیف تر و از آنجا که هدف پروژه ایجاد مدل یادگیری انتقال است ، بهتر است بیشتر روی آن تمرکز کنید. به همین دلیل است که قبل از استخراج ویژگی های کانولوشن برای یادگیری انتقال ، من یک مدل اساسی CNN ایجاد کردم تا پارامترها را آزمایش کنم.
3.3 اصلاح
برای جلوگیری از خودسرانه ، عادی سازی دسته ای را در مدل اعمال کردم با عادی سازی دسته ای لایه های میانی ، وزن زیادی در لایه های میانی ایجاد می کند ، بنابراین به همگرایی خوب کمک می کند. حتی در مدل با عادی سازی دسته ای که در برخی دوره ها فعال شده است ، دقت آموزش بسیار بالاتر از صحت اعتبار بود ، که تقریباً 100٪ دقیق است. از آنجا که مجموعه داده ها کوچک است (فقط 3777 تصویر آموزشی) ، مطمئناً منطقی است که مدل ما الگوها را حفظ می کند. برای غلبه بر این مشکل ، از داده ها استفاده شد. افزودن داده با استفاده از چرخش های تصادفی ، برش ، ورق زدن ، جابجایی ، برش و غیره دسته های آموزشی ما را تغییر می دهد.
در مجموعه داده خاص ، برداشت تصادفی معنی ندارد زیرا ماهی در مقایسه با کل عکس کوچک است و برش دادن عکس ها ممکن است شرایطی را ایجاد کند که مدل شروع به استنباط بیشتر عکس به عنوان کلاس "بدون ماهی" کند زیرا ماهی در هنگام افزایش داده ها از بین رفته است. ورق زدن عمودی نیز منطقی نیست زیرا دوربین در یک موقعیت ثابت قرار دارد و شرکت ها نمی توانند عکس های قایق ها را از بالا به پایین ثبت کنند. من چرخش تصادفی را اضافه کرده ام زیرا ممکن است دوربین از یک گوشه به گوشه دیگر حرکت کند تا یک منطقه وسیع را پوشش دهد. من هم چنین ورق زدن افقی و جابجایی تصادفی را به بالا و پایین و در کنار هم اضافه کرده ام زیرا احتمالاً همه این سناریوها وجود دارد.
متأسفانه به اندازه کافی مدل با افزایش داده از نظر محاسباتی گران است و در هر دوره حدود 1 ساعت طول می کشد دستگاه من ، بنابراین من این مدل را فقط برای 5 دوره آموزش داده ام (همانطور که یادگیری ترانسی است ما قبلاً دارای وزنه های از قبل آموزش دیده ایم) و صحت اعتبار نهایی 85٪ است. افت تابلوی امتیازات برای این مدل 1.19736 است که 12.02 درصد کاهش افت ورود به سیستم را نشان می دهد. اگر منمی تواند مدل افزوده داده را برای چند دوره دیگر آموزش دهد و احتمالاً نتایج بهتری هم خواهد داد.
IV. نتایج
برای هر آزمایش فقط بهترین مدل همراه با وزن آنها ذخیره شد (یک مدل فقط در هر دوره ذخیره می شود اگر دقت اعتبار بیشتری نسبت به دوره قبل نشان دهد)
برای یادآوری ، بهترین مدل تاکنون از تکنیک یادگیری انتقال همراه با افزایش داده ها و عادی سازی دسته ای برای جلوگیری از نصب بیش از حد استفاده می کند. برای استفاده از یادگیری انتقال ، من وزنه های پیش ساخته ای را برای معماری VGG-16 جمع آوری کرده ام که توسط گروه هندسی بصری آکسفورد ایجاد شده است (از این رو نام VGG) و از معماری مشابه فقط با جایگزینی لایه های کاملاً متصل شده با افت متفاوت و عادی سازی دسته ای استفاده کردم. به دلیل کمبود منابع محاسباتی مجبور شدم از ترک تحصیلات تهاجمی در مدلهایم استفاده کنم ، در غیر این صورت مدلها تمایل داشتند دستگاه من را هنگام کار خراب کنند.
من همه تصاویر را طبق دستورالعمل های معماری VGG16 از پیش پردازش کرده ام. برای مدل نهایی من از مدل پایه VGG16 به استثنای لایه های کاملاً متصل به همراه وزنه های پیش ساخته استفاده کردم ، یک لایه Dense جدید با ترک تحصیل و عادی سازی دسته ای در بالای آن برای پیش بینی تصاویر نهایی اضافه کردم. این مدل نزدیکترین معیار را با 46/27 درصد کاهش و مدل انتخابی تصادفی را با 50/45 درصد کاهش افت ورود به سیستم چند طبقه را شکست می دهد. جدولی با تمام آزمایشات انجام شده به همراه نتایج آنها در زیر آورده شده است.
< /img> مدل کاملاً متصل من بر روی ویژگیهای CNN فقط 3.10 امتیاز کسب کرد ، حتی اگر ساختاری مشابه مدل کاملاً متصل VGG-16 اصلی داشته باشد مگر با افت بیشتر. (فکر می کنم به این دلیل است که این مدل از افت تحصیلی بیش از حد استفاده کرده است) در نتیجه باعث از دست دادن اطلاعات می شود.)
مدل پایه کانولوشن نیز عملکرد مشابهی دارد و این دو بهبودی نسبت به خط پایه ندارند. خوشبختانه مدل نهایی در جدول امتیازات عملکرد مطلوبی داشت و من را به بالای 45٪ از شرکت کنندگان فرستاد ، که بهترین مدل من تاکنون است. از آنجا که این یک مسابقه طبقه بندی تصویر است که در آن دسته بندی ها به شدت از دسته های imagenet گرفته نمی شوند (به عنوان مثال گربه ها و سگ ها) ، و دامنه بسیار بدیع و کاربردی است ، من معتقدم که این یک امتیاز مناسب است.
برای تأیید اعتبار مدل من پیش بینی هایی را برای داده های اعتبار سنجی ایجاد کردم که دارای امتیاز دقت 84.82٪ و ضرر ورود به سیستم 1.0071 بود. ورود به سیستم رهبران 1.19 است ، بنابراین ضرر ورود به سیستم کاملاً نزدیک است. در داده های اعتبار سنجی از 758 تصویر ، 664 تصویر به طور دقیق طبقه بندی شده و 94 تصویر نادرست است. نمودار ماتریس سردرگمی (غیر عادی) پیش بینی های داده های اعتبار سنجی در زیر آورده شده است.
همانطور که از ماتریس سردرگمی دیده می شود ، این مدل به ترتیب به خوبی در پیش بینی کلاسهای ALB و YFT (Albacore Tuna و YellowFin Tuna) تبحر دارد ، احتمالاً به این دلیل که داده های آموزشی ارائه شده توسط خود Kaggle دارای عکسهای ALB و YFT بیشتر از کلاسهای دیگر. با این حال ، ممکن است که کاگل یک مجموعه داده نامتعادل ارائه دهد زیرا این انعکاس دقیق حجم ماهیان در آن منطقه دریایی است که ALB /YFT دارد ، هر دو ماهی ماهی بیشتری گرفتار می شوند ، در حالی که کوسه ها در معرض خطر هستند بنابراین کمتر گرفتار می شوند . با این وجود ، با وجود شناسایی ، 35 مدل کوسه از 36 کوسه موجود در مجموعه اعتبار ، به طور دقیق شناسایی می شوندآنها نادر هستند.
نمودار ماتریس سردرگمی عادی پیش بینی های مجموعه اعتبار در اینجا آورده شده است.
من همچنین برخی از برچسب های صحیح را به صورت تصادفی و برخی از برچسب های نادرست را به طور تصادفی پیش بینی کرده ام تا ببینم آیا الگویی در برچسب های نادرست /صحیح وجود دارد یا خیر. .
به طور تصادفی از برچسب های صحیح نمونه برداری شده است:
به طور تصادفی از برچسب های نادرست نمونه برداری شد:
به نظر می رسد مدل پیش بینی شده ALB و YFT در بیشتر تصاویر نادرست که از طبقات غالب در مجموعه آموزش ارائه شده است. این نوع مشکلات احتمالاً می تواند با افزودن اطلاعات بیشتر برای سایر طبقات ، یا از طریق افزایش داده یا با جمع آوری مجدد فیلم های واقعی ، برطرف شود. کاگل به زودی قسمت 2 مسابقه شیلات را راه اندازی می کند ، جایی که احتمالاً داده های بیشتری در دسترس خواهد بود.
به نظر می رسد مدل در طبقه بندی بیشتر کلاس ها به غیر از BET و LAG که کلاسهایی هستند که کمترین میزان داده تصویر در آنها ارائه شده است. این مدل کاملاً مقاوم است زیرا عملکرد مشابهی در مجموعه داده های اعتبار سنجی و مجموعه داده های تابلوی امتیازات دارد. لازم به ذکر است که این مسابقه برخلاف اکثر مسابقات که امتیازات تابلوی امتیازات عمومی فقط برای زیرمجموعه ای از مجموعه داده های آزمون نشان داده می شود ، از تمام مجموعه داده های آزمون برای رهبران عمومی استفاده می کند.
به عنوان تقویت داده برای آموزش استفاده شد این مدل همچنین می تواند تغییرات اندکی را در تصاویر مانند تلنگر افقی ، نورهای مختلف ، چرخش ها و جابجایی به بالا و پایین که سناریوها هستند فیلم های واقعی فیلم در یک قایق در حال تکان دادن در یک اقیانوس کنترل کند.
در نمودار دقت و افت این مدل در هر دوره ، همچنین دیده می شود که دقت /افت آموزش با یک اعتبار سنجی در هر دوره (تولید مثل و مقایسه بیشتر آن در بخش تجسم فرم آزاد) همگراست. من حدود 6/5 ساعت این مدل را برای آموزش اجرا کردم که هر دوره حدود 1 ساعت طول می کشید.
با یک GPU خوب احتمالاً می توانم حداقل 90٪ دقت داشته باشم به سادگی مدل را برای چند دوره دیگر اجرا کنید.
نشت داده ها مسئله ای در این مسئله است زیرا بیشتر تصاویر بسیار شبیه به هم هستند زیرا فقط فریم های فیلم ها هستند. علاوه بر این ، تصاویر در اندازه های مختلف بودند و تصاویر در اندازه مشابه دارای برچسب های مشابه بودند (برای عکسبرداری از یک دوربین در همان زمان) ، برای غلبه بر این مسئله ، تغییر اندازه هر تصویر مهم بود. در هر صورت مجبور شدم برای تغذیه آنها در CNN اندازه آنها را تغییر دهم ، اما تغییر اندازه نیز برای جلوگیری از نشت اطلاعات مهم بود.
V نتیجه گیری
همانطور که دقت و افت مدل ها را در هر دوره ثبت کرده ام ، می توان مدل نهایی را با دومین گزینه بهترین مقایسه کرد. در اینجا نمودار دقت /افت مدل با نرمال سازی دسته ای ، اما بدون افزایش داده وجود دارد.
همانطور که می بینیم دقت آموزش در نمودار نزدیک به 100٪ است و از دست دادن آن نزدیک به 0 است. به همین ترتیب صحت اعتبارسنجی نیز نزدیک به 95٪ است در حالی که افت اعتبار حدود 0.2٪ نزدیک است پایان 10 دوره. ما همچنین روند کجا را می بینیماز دست دادن اعتبار در ابتدا کاهش می یابد اما بعد از حدود 2 دوره از دست دادن آموزش مدام کاهش می یابد /دقت بیشتر می شود ، در حالی که افت اعتبار به جای کاهش بیشتر می شود. واضح است که این مدل بیش از حد بر روی داده های آموزش است.
عملکرد این مدل ها در مجموعه آزمون در تابلوی امتیازات فقط 1.36175 است که از عملکرد مدل های آخر فقط در 5 دوره بدتر است. برای تجسم ، در اینجا نمودار دقت /زیان مدل نهایی در 5 دوره آمده است. ما می بینیم که دقت اعتبار سنجی بالاتر از دقت مدل باقی می ماند به دلیل ترک تحصیل تهاجمی و افزایش داده ها. منحنی اعتبار سنجی به احتمال زیاد به منحنی آموزش در تعداد کافی دوره تبدیل خواهد شد. این مدل نهایی حدود 1.19736 را در جدول رده بندی از دست داده است ، و مدل قبلی را 12.02٪ شکست داده و برای اولین بار مرا در 45٪ برتر جدول رده بندی قرار داده است.
5.2. انعکاس
برای دستیابی به این هدف برای حل نهایی ، سعی کرده ام به تدریج از مدل های پیچیده تری برای طبقه بندی تصاویر استفاده کنم. نزدیکترین همسایه K در روش هیستوگرامهای رنگی به عنوان پایه در Yelp Photo Classification Challenge مورد استفاده قرار گرفت ، اما آنها شباهت را با تصویر متوسط هر کلاس اندازه گیری کردند ، در حالی که من از نزدیکترین همسایه با اکثریت آرا استفاده کردم.
I " من حتی یک مدل پایه کانولوشن را به عنوان یک روش خوب امتحان کرده ام ، زیرا می خواستم ببینم که عملکرد مدل با مدل پیچیده فقط با چند لایه وجود دارد (متأسفانه عملکرد آن بسیار کم است).
در مرحله استفاده از داده افزایشی ، من مجبور شدم ابتدا ویژگی های CNN را استخراج کرده و با اجرای نسخه های مختلف لایه های بالایی روی ویژگی های CNN آزمایش کنم. فقط پس از استفاده از نرمال سازی دسته ای به جای مدل کاملاً متصل به سبک VGG ، پیشرفت چشمگیری دیدم و بنابراین از آن با معماری VGG استفاده کردم و با آن داده های داده ای را تقویت کردم.
حتی اگر کیفیت این مجموعه داده باشد بسیار بالا ، با توجه به اینکه داده های خام فیلم واقعی ماهیگیران در قایق ها را نشان می دهد ، من مطمئن نیستم که این مجموعه داده "نمایشی جامع" از داده های ماهیگیری است که سیستم در زندگی واقعی با آن روبرو می شود به دلیل تغییرات کوچک مانند آب و هوا تفاوت ها ، رنگ قایق ، ماهیگیران از ملیت متفاوت با پوشیدن لباس های مختلف قومی یا با رنگ پوست متفاوت می توانند به راحتی مدل را جبران کنند زیرا پس زمینه تغییر می کند.
من معتقدم رویکرد جعبه مرزی که قادر به تشخیص آن است ماهی های موجود در تصویر از طریق تشخیص جسم ، تصویر را برش دهید تا در ماهی بزرگ شود و سپس طبقه بندی کنید شانس بیشتری دارد. شاید ، قایق های ماهیگیری باید برخی از مناطق را در قایق های خود به عنوان یک نقطه مرجع برای طبقه بندی سریع تر ایجاد کنند.
سخت ترین قسمت برای من این بود که آزمایشات را روی دستگاه محلی خود اجرا کنم. زمان محاسبات بالاتر منجر به تعداد کمتری از آزمایش ها در مورد شبکه های عصبی ، به ویژه هنگامی که تازه می فهمم چه کاری باید انجام دهم زیرا اولین تجربه من با یادگیری عمیق است.
5.3. بهبود
با توجه به زمان و هزینه محاسباتی ، امکان اجرای آزمایشات بیشتر با استفاده از معماری های شناخته شده دیگر غیر از VGG-16 مانند RESNET و Inception V-3 برای این مجموعه داده وجود نداشت. قطعاً ممکن استکه معماری متفاوت موثرتر خواهد بود. یک رویکرد جعبه محدود که در آن ابتدا محل قرارگیری ماهی در قایق را پیدا می کنیم و سپس سعی می کنیم با بزرگنمایی ماهی ، آن را طبقه بندی کنیم ، می تواند دقت طبقه بندی را نیز بهبود بخشد. با توجه به وقت کافی و قدرت محاسباتی ، من قطعاً دوست دارم رویکردهای مختلف را بررسی کنم.
از آنجا که کلاس ها به شدت تعادل نداشتند ، یکی از فرضیه های من این است که اگر عکس های بیشتری را با افزایش داده برای کلاس هایی که تولید می کنم تولید کنم داده های کمتری نسبت به بقیه ، آنها را ذخیره کنید و برای هر کلاس به حدود 1000 تصویر برسید ، این مدل حتی قوی تر خواهد بود. من این بار این کار را انجام ندادم زیرا با کلاس 8 مجموعه آموزش حدود 8000 تصویر خواهد بود. با افزایش داده ها ، هر دوره با تنها 3777 تصویر آموزشی من را در لپ تاپ حدود 1 ساعت طول می کشد ، آموزش 8000 تصویر احتمالاً 2.5 برابر زمانی را که هر یک از دسته ها حتی با استفاده از Keras هنگام افزایش داده ها تغییر می کنند ، طول می کشد. ، که مدت زمان بیشتری طول می کشد.
مراجع:
هایپرلجر - فصل 5 | Tuna Fishing Supplychain - زمینه
هایپرلجر - فصل 5 | Tuna Fishing Supplychain - زمینه
اکنون که اصول بلاکچین و ساختار سطح بالای Hyperledger را درک کردیم ، اجازه می دهیم از این دانش برای مقابله با یک سناریوی دنیای واقعی استفاده کنیم.
زمینه مسئله:
با توجه به اعلامیه ردیابی Tuna 2020 ، هدف ما از بین بردن ماهیگیری غیرقانونی ، گزارش نشده و غیرقانونی است. ما از پارچه هایپرلجر استفاده خواهیم کرد تا شفافیت و وضوح را در یک مثال واقعی ایجاد کنیم: زنجیره تأمین ماهیگیری ماهی تن.
ما توصیف خواهیم کرد که چگونه می توان ماهیگیری در ماهی تن را بهبود بخشید ، از منبع ، ماهیگیر سارا ، و فرآیندی که ماهی تن او در رستوران میریام به پایان می رسد. در این بین ، ما طرفین دیگری را نیز درگیر خواهیم کرد ، مانند تنظیم کننده ای که صحت داده ها و پایداری صید ماهی را تأیید می کند.
ما برای پیگیری هر قسمت از چارچوب Hyperledger Fabric استفاده خواهیم کرد از این فرایند.
دو نکته را باید به خاطر بسپارید:
استفاده از کانال های خصوصی ، تنظیم کننده ها و رستوران داران می توانند تأیید کنند که آیا محموله خاصی از ماهی تن به طور پایدار و قانونی تهیه شده است ، بدون اینکه نیازی به دیدن جزئیات کل سفر باشد.
سهامداران
عناصر پارچه Hyperledger
ماهیگیر | سارا
بعد از هر صید ، سارا اطلاعات مربوط به هر تن ماهی را ثبت می کند ، از جمله: یک شماره شناسه منحصر به فرد ، محل و زمان صید ، وزن آن ، نوع کشتی و اینکه ماهی را صید کرده است. به خاطر سادگی ، با این شش ویژگی داده همراه خواهیم بود. با این حال ، در یک برنامه واقعی ، بسیاری از جزئیات از سم شناسی ، به سایر مشخصات فیزیکی ثبت می شود.
این جزئیات به عنوانجفت کلید /مقدار براساس مشخصات یک قرارداد کد ، به برنامه سارا اجازه می دهد تا به طور موثر معامله ای را در دفتر ایجاد کند. مثال زیر را مشاهده می کنید:
var tuna = {id: '0001'، دارنده: 'Sarah'، مکان: {عرض جغرافیایی: '41 .40238 '، طول جغرافیایی:' 2.170328 '}، زمان:' 20170630123546 '، وزن:' 58 پوند '، ظرف:' 9548E '} صاحب رستوران | میریام | خریدار
میریام صاحب رستورانی است که به دنبال تهیه ماهی تن کم هزینه و در عین حال با کیفیت بالا است که با مسئولیت پذیری صید شده است. میریام هر زمان که ماهی تن بخرد ، همیشه مطمئن نیست که آیا می تواند اطمینان داشته باشد که ماهی تن که خریداری می کند ، با توجه به برجسته بودن ماهیگیری غیرقانونی و گزارش نشده ماهی تن ، صید قانونی و پایدار است.
در عین حال ، به عنوان یک قانون مجاز و ماهیگیری باتجربه ، سارا تلاش می کند تا با فروش ماهی تن خود با قیمت مناسب امرار معاش کند. او همچنین خواهان استقلال در مورد افرادی است که به چه مبلغی می فروشد و
رستوران داران | میریام و کول | فروش
به طور معمول ، سارا ماهی تن خود را به رستوران دارانی مانند کارل به ازای هر پوند 80 دلار می فروشد. با این حال ، سارا می پذیرد که به ازای هر پوند تن ماهی ، قیمت ویژه 50 دلار به میریام بدهد. در یک بلاکچین عمومی سنتی ، وقتی سارا و میریام معامله خود را به پایان رساندند ، کل شبکه قادر است جزئیات این توافق نامه را مشاهده کند ، خصوصاً اینکه سارا قیمت ویژه ای به میریام داده است همانطور که می توانید تصور کنید ، آگاهی از این معامله رستوران داران دیگر ، مانند کارل ، از نظر اقتصادی به صرفه نیست.
برای رفع این مشکل ، سارا می خواهد مشخصات معامله اش در دسترس همه افراد در شبکه نباشد ، اما با این وجود همه بازیگران در شبکه قادر به مشاهده جزئیات هستند از ماهی که می فروشد. با استفاده از ویژگی های کانال های Hyperledger Fabric ، سارا می تواند به طور خصوصی در مورد شرایط با میریام توافق کند ، به طوری که فقط دو نفر می توانند آنها را ببینند ، بدون اینکه شخص دیگری از مشخصات آن اطلاع داشته باشد.
علاوه بر این ، ماهیگیران دیگر ، که نیستند بخشی از معامله سارا و میریام ، این معامله را در دفتر خود نمی بینند. این اطمینان می دهد که ماهیگیر دیگری با داشتن اطلاعاتی درباره قیمت هایی که سارا از رستوران دارهای مختلف می گیرد ، نمی تواند قیمت پیشنهادی را کم کند.
تنظیم کننده ها | مجریان قرارداد
تنظیم کننده ها همچنین برای تأیید ، تأیید و مشاهده جزئیات از دفتر به این شبکه بلاک چین Hyperledger Fabric دسترسی پیدا می کنند. برنامه آنها به این بازیگران اجازه می دهد تا از دفترخانه استعلام بگیرند و جزئیات هر یک از صیدهای سارا را ببینند تا تأیید کند که او به طور قانونی ماهی خود را صید می کند.
تنظیم کننده ها فقط نیاز به دسترسی به درخواست دارند و نیازی به افزودن ندارند ورودی ها به دفتر با این اوصاف ، آنها ممکن است بتوانند افرادی را که می توانند به شبکه دسترسی پیدا کنند و /یا بتوانند ماهیگیران را از شبکه حذف کنند ، در صورت مشارکت در فعالیت های غیرقانونی.
به دست آوردن عضویت در شبکه < /h4>
Hyperledger Fabric یک شبکه مجاز است ، به این معنی که فقط افرادی که تأیید شده اند می توانند به شبکه دسترسی پیدا کنند. برای رسیدگی به عضویت و هویت شبکه ، ارائه دهندگان خدمات عضویت (MSP) شناسه های کاربر را مدیریت می کنند و از تمام شرکت کنندگان در شبکه احراز هویت می کنند.
در سناریوی ما ، تنظیم کننده ، ماهیگیران تأیید شده و رستوران داران تأیید شده بایدتنها کسانی هستند که مجاز به پیوستن به شبکه هستند.
سناریوی ما دارای دو کد مجزا است که در سه کانال جداگانه اجرا می شوند.
کدهای کد
کانال ها
هر یک از اعضای این شبکه در مورد یکدیگر و هویت آنها می داند. کانال ها حریم خصوصی و محرمانه بودن تراکنش ها را فراهم می کنند.
خلاصه ای از معماری مسئله:
در زیر خلاصه ای از سناریوی صید ماهی تن در این بخش آورده شده است:
خلاصه:
بنابراین در این پست ، ما یک مشکل دنیای واقعی را تعریف کردیم که با استفاده از پارچه هایپرلجر قابل حل است.
این یک مجموعه 10 بخشی است.
☞ لطفاً روی "♥ ︎" ضربه بزنید یا کلیک کنید تا به شما کمک کند این مقاله را به دیگران توصیه کنید و به روز بمانید!
می توانید از طریق Twitter ، Medium یا LinkedIn با من تماس بگیرید.
منبع: بنیاد لینوکس ، Whitepapers از بیت کوین ، Ethereum
Nandri ،
موسی سام پل
فصل 6: قطعات پارچه هایپرلجر - غوطه وری عمیق فنی 
فصل 5: زمینه زنجیره تأمین ماهی TunaFish 
4: وابستگی های فنی 
این داستان در Startup ، بزرگترین نشریه کارآفرینی Medium و به دنبال آن 320،131+ نفر.
مشترک شوید تا داستان های برتر ما را در اینجا دریافت کنید.
ما نباید اجازه دهیم نئونازی ها خود را بعنوان رهبران اندیشه مجددا نامگذاری کنند < /h1> <h4> تحمل صفر تنها سیاست برای نفرت است
ما نباید اجازه دهیم نئونازی ها خود را بعنوان رهبران اندیشه مجددا نامگذاری کنند < /h1> تحمل صفر تنها سیاست برای نفرت است
برتری طلبان سفیدپوست راهپیمایی با مشعل از طریق دانشگاه UVA در شارلوتسویل ، واشنگتن - جمعه ، 11 اوت 2017 (Mykal McEldowney /ستاره ایندیاناپولیس از طریق AP) "بنابراین ما باید به نام تحمل ، ادعا کنیم که حق است تحمل نخواهید کرد. " - کارل پوپر
اگر دو سال پیش به من می گفتی که در یک روز ، نیویورک تایمز سعی می کند یک هوادار نازی را که دوست دارد فحش های همجنسگرایانه و حرف n را در خوراک توییتر خود استخدام کند ، در حالی که Politico یک پیشنهاد بلند مدت را برای اجازه دادن به استخدام مهاجران آمریکایی به عنوان مأموران مستحق در فروشگاه های خانگی خود منتشر کنید ، من می خندیدم و می پرسیدم از چه کشوری صحبت می کنید. اما با مشاهده آن ، تنها کاری که می توانم انجام دهم این است که با وحشت بپرسم آمریکا با چه سرعتی در حال تبدیل شدن به چه کشوری است. دعوت از دلسوزان نازی در هیئت های تحریریه و بازیگری برای بازگرداندن اسلحه برای ساکنان خارجی متولد شده؟ آیا ما در یک کشور مدرن زندگی می کنیم ، یا بازگشتی عجیب به دهه 1930؟
یکی از دلایلی که این اتفاق ناگهانی رخ می دهد ، جریان اصلی و کدگذاری نژادپرستی و پوپولیسم بومی گرایانه در سیاست های رسمی دولت است. این باعث تغییر پنجره Overton یا طیف وسیعی از ایده هایی شد که در گفتمان عمومی قابل قبول تلقی می شود. وقتی پیرمردهای عصبانی که از مهاجران متنفر هستند و کسانی که پوست تیره تری دارند ، در پاسخ به تئوری ها و ایدئولوژی های توطئه نژادپرستانه قوانین تنبیهی وضع می کنند ، چاره ای جز گفتگو درباره آنها نداریم. نازی ها و ناسیونالیست های سفیدپوست در این افتتاحیه برای معرفی دگم های خود ، ظاهراً به نام "آزادی بیان" و "رقابت در بازار ایده ها" ، بازی قربانی هنگام مواجه شدن با مقاومت آشکار.
از زمان بازی در Devil's وکالت اکنون داغترین چیز است از آنجا که نان قطعه قطعه شده و کاغذ توالت فرنگی سوراخ دار ، بیایید استدلال مطرح شده توسط افراد متعصب و کسانی که مایلند به آنها پاس بدهند را در نظر بگیریم. چه اشکالی دارد که بگذارید چند نفر صحبت کنند ، حتی اگر عقایدشان پست باشد؟ مطمئناً ، اگر گفته های آنها خیلی بد باشد ، آنها نادیده گرفته می شوند ، درست است؟ شاید این شانس ما باشد که سعی کنیم نازی ها و برتری طلبان سفیدپوست را درگیر کنیم و آنها را درک کنیم! آنها می توانستند ببینند که ما همه مردم هستیم و ایده های آنها چقدر محبوب نیستند و در این مورد درباره زندگی خود تجدید نظر می کنند! مطمئناً شما نمی خواهید از سخنرانی کمتری دفاع کنید ، درست است؟ چرا پاسخ گفتار نفرت بیشتر گفتار نخواهد بود؟
از این افراد می پرسم ، آیا جدی هستید؟ ما در مورد عقاید نازی ها جنگ داشتیم. یک جهان کامل درگیر بود ما بیش از یک قرن تروریسم با هدف اقلیت های قومی و نژادی داشتیم. ما می دانیم که متعصبان چه فکر می کنند: این که داشتن رنگ مناسب پوست به آنها حق تصمیم گیری درمورد مرگ و زندگی را نسبت به سایرین می دهد ، که هر مشکلی که دارند ناشی از اقلیت ها است و هر دستاوردی که اقلیت ها به دست می آورند باید به هزینه آنها تمام شود یا ناشی از آن اقلیت ها باشد. بازی سیستم. می بینید ، در ذهن آنها ، تقریباً همه غیر سفیدپوستان قادر به دستیابی به موفقیت یا عضوی سازنده در جامعه نیستند ، حداقل صادقانه نیستند. آنجاهیچ راز بزرگی از اندیشه های برتری طلبانه نازی و سفیدپوست نیستند.
واقعاً ، تنها دلیلی که اکنون آنها می خواهند توجه کنند این است که مشغول تلاش برای تغییر نام تجاری خود به عنوان "عمل گرایان محافظه کار" هستند که ترجیح می دهند آنها را نژادپرست بنامید ، زیرا آنها این کار را توهین آمیز می دانند و دوست دارند خود را "رئالیست های نژادی" توصیف کنند که به جای نسل کشی ، "یک پاکسازی قومی مسالمت آمیز" را در آنها بجای اعزام آنها به اردوگاه مرگ ، غیر سفیدپوستان و یهودیان را جمع آوری و اخراج می کنند. ببینید ، آیا این افراد خیلی خوب نیستند؟ آنها شما را از خانه شما بیرون می کنند و به جای اینکه فقط شما را بکشند ، شما را به سرزمینی بیگانه می فرستند که فکر می کنند شما متعلق به آن هستید. چرا نمی توانم تصور کنم که چرا ما نمی خواهیم به آنها بستر ارائه دهیم و ایده های آنها را عمیقاً کاوش کنیم!
در حالی که ترامپ قصد داشت مراسم تحلیف خود را آغاز کند ، پولیتیکو یک مقاله طولانی را در مورد تلاش های آنها برای ارائه نوشت خود را بعنوان یک جنبش سیاسی مشروعیت بخشیده به چیزی غیر از نفرت ، موفق به افتادن در هر تله ای می شوند که پیام خود را با حرمت احترام بیرون می کشند. در سال گذشته تعداد بیشماری از تفکرات و تمرکز نرم در معرض نازی ها و ملی گرایان سفیدپوست در میان ما دقیقاً همان کار را انجام داده است ، تعجب آور است که می توان یک شخص متعصب را به نفع پاکسازی قومی بدون سر طاس ، چکمه های جنگی ، و اسواستیکا در پوست آنها حک شده است. اما در حالی که نازی ها با کمک رسانه ها سعی در پاکسازی دارند ، اهداف و روش های آنها تغییر نکرده است.
حزب جمهوری خواه با دروغ های بی وقفه خود در مورد مهاجران و چگونگی تأثیر آنها در دست آنها بازی می کند. اقتصاد یا متناسب با آمریکا است ، بنابراین آنها به وضوح احساس می کنند که زمان مناسب برای استخدام گسترده با قرار دادن لباس های تیره روی خال کوبی های سواستیکا و اجازه دادن به موهایشان به محصولات کوتاه و مرتب مناسب است. و اکنون از ما انتظار می رود که به آنها بخاطر آزادی بیان ، به آنها در عضویت کمک کنیم؟ کارل پوپر دقیقاً وضعیت مشابهی را در پارادوکس تحمل پیش بینی کرد. اگر چنان تحمل کنیم که تعصب ، نفرت و عدم تحمل را تحمل کنیم ، در نابودی خود کمک خواهیم کرد. یا ، همانطور که وی بیان کرد ...
نازی ها نمی خواهند برای تقویت کار در صفوف خود با ما درگیر شوند. آنها نمی خواهند به دلایلی که مهاجران زندگی خود را خراب نمی کنند گوش دهند ، اما حق آنها است. آنها اعتقاد ندارند کسانی که تاریک هستندپوست وحشی های غیرانسانی نیست ، که همه سامی ها نمی خواهند جهان را تسخیر کنند و آنها را به بردگی بکشند ، که ازدواج های مخلوط به جای اینکه نشانه "نسل کشی سفید" باشد ، فرزندان متنوع ژنتیکی بیشتری تولید می کند و "علم نژاد" همیشه در مورد سفید استعمارگران از سفید بودن احساس خوبی دارند ، نه یک زمینه قانونی تحقیق علمی. آنها خواستار میکروفون هستند تا بتوانند توضیح دهند که چرا باید آن را نگه دارند و دیگران باید ساکت شوند.
و در پاسخ به 90 سال از آن ، نیویورک تایمز تصمیم گرفت آنچه که واقعاً به آن نیاز داریم یک نرم باشد. پروفایل متمرکز در مورد اینکه نازی ها دقیقاً مثل ما هستند ، جدا از همه رویاهای نسل کشی و تجارت اجباری. و پس از آن نتیجه معکوس ، آنها دوست خوب یکی از صریح ترین نازی های وب را استخدام کردند که دوست داشت از لعن های نژادی و همجنسگرایانه استفاده کند و به ما بگوید که احساساتش نسبت به دوستان نازی اش "پیچیده" است ، انگار که فکر او در مورد ایدئولوژی آنها باشد وضعیت خداحافظی فیس بوک با چه فکر می کردند؟ چون مسلماً با مغز آنها نبوده است.
از قضا آنها تاریخ خود را تکرار می کنند. در سال 1922 ، آنها نوشتند که هیتلر چگونه از یهودستیزی خود برای رای گیری استفاده می کند و در حالی که از برخی ایده های "خارج" حمایت می کرد ، آنها را به سود پیروان خود ساده می کرد. مفهوم واضح آنها این بود که او صرفاً به دنبال روباهایی متعصب و خسته از نخبگان دزد جمهوری ویمار که مبارزه انسان کارگر را درک نمی کردند ، بود. و حتی اگر تاریخ میانه قرن بیستم خود را از کانال History آموخته باشید - که تاکنون احتمالاً این سeringال را دارد که آیا هیتلر و رهبران نازی با بیگانگان جایگزین می شوند تا انسانها را وادار کنند خود را از بین ببرند - شما می دانید که او احساسات خود را جعل نمی کرد درباره یهودیان و خارجی ها.
چه نفرت انگیزتر این است که گرچه کوین نورتون احتمالاً فکر می کرد با واکنش لطیف و سبک برخورد کرده است ، اما او مجبور است خودش را به عنوان یک قربانی معرفی کند. در این مورد ، در موضوعی از پست های خود ترحم آمیز درباره قدرت وب در تغییر زندگی و هشدار دادن به خوانندگان برای استفاده عاقلانه از آن بخاطر چگونگی به یاد سپاری شدن آنها در تاریخ. من کاملا مطمئن هستم که تاریخ قبلاً نظر خود را در مورد هواداران نازی در نورنبرگ ارائه داده است. هیچ غر زدن توسط افراد متوهم مبنی بر اینکه حق داشتن مطلق حق گفتن هر آنچه را بدون نتیجه می خواهند و بسترهای عظیم گفتن آن است ، تغییری در آن ایجاد نخواهد کرد.
ببینید من قصد دفاع ندارم که همه ما باید هر مهاجر به ایالات متحده را با رژه نوار چسب جشن بگیریم و مطمئناً باید همه تلاش خود را برای تشویق جذب انجام دهیم. به عنوان یک مهاجر ، اکنون می توانم به شما بگویم ، وقتی با فرهنگ کشوری که در آن زندگی می کنید درگیر شوید و زبان آن را قلباً بدانید ، زندگی بسیار راحت تر است و این واقعاً کمترین شما استمی تواند برای احترام به خانه جدید شما انجام دهد. و همچنین نمی خواهم بگویم که هر مهاجر تضمین می شود یک فرد عالی باشد که هرگز خطری نخواهد داشت. مهاجران همچنین می توانند جناح گرا ، نژادپرست یا مذهبی افراطی باشند.
آنها هستند - و من می دانم که این یک شوک بزرگ برای بیگانه هراسان و نازی ها ایجاد خواهد کرد - افرادی که می توانند خوب یا بد ، ذهن باز یا متعصب باشند . اما دروغ گفتن در مورد آنچه که آنها می توانند انجام دهند و از نظر آماری مانند آنها هستند ، آنها را بر اساس شبه علم نفرت انگیز و خود تربیت کننده طبقه بندی می کنند ، خواستار زندگی در جایی هستند که شما به آنها می گویید زندگی کنند یا پیشنهاد کردن قانونی بودن رفتار با آنها به عنوان برده های مجازی برای تبدیل کردن جمعیت بومی را به رختخوابهای قانونی و صاحبان عرق فروشی می رسانید؟ این چیزی است که ما می خواهیم تریبون را پاک کنیم؟ متعصبین متعصب ، آن را بشورند زیرا آنها خود را نوابغی تیزبین و متشنج می پندارند ، اما هر کسی که با احساس نجابت با عقبگرد ما روبرو شود ، چه کسی غر می زند؟
ما این کار را می کنیم گوش دادن به آنها را مدیون نازی ها نیستیم. ما ایدئولوژی آنها را می دانیم و می دانیم که تمام استدلالهای آنها با بدبینی مطرح شده و منجر به بیرون کشیدن مردم از خانه هایشان ، نسل کشی و پاکسازی قومی می شود. ما این فیلم را دیده ایم و می دانیم که چگونه پایان می یابد. ما نمی خواهیم مانع از طرح پیشنهادهای تحقیرآمیز برای بردگی مدرن مهاجران برای آنچه که آنها هستند ، بشویم زیرا ما هم می دانیم این چه وحشت هایی به همراه دارد. و ما عذرخواهی بابت سرزنشهای صوتی خود را مدیون کسانی نیستیم که خود را دوستان آن افراد متعصب و عذرخواهان خود توصیف می کنند. این افراد به دوستان بهتری احتیاج دارند و دلیل محاصره آنها توسط نازی ها ، نژادپرستان و دوستانشان را در نظر می گیرند.
قرن ها طول کشید تا این ایده رایج شود که افراد ، صرف نظر از رنگ پوست یا منشا ethnic قومی ، شایسته قضاوت هستند. به عنوان افراد و از حقوق اساسی یکسانی برخوردار هستند که همه در اطراف آنها استفاده می کنند ، به جای اینکه از هم جدا شوند ، برای بندگی یا برده داری و یا تبعیض مورد استفاده قرار گیرند. ما نمی توانیم به درخواست های غیرعادی اجازه دهیم که ذهنیت آزاد و آزادی بیان از کسانی داشته باشند که می خواهند ذهن ما را ببندند و مخالفان را ساکت کنند تا ما را به گذشته ای خونین و تاریک بکشاند. ما دقیقاً همان چیزی را که فکر می کنند به بقیه جامعه متمدن بدهکار هستند ، مدیون این افراد هستیم: مطلقا هیچ چیز. به خصوص از ادب نشستن و مودبانه گوش دادن در حالی که آنها بصورت واضح تصور می کنند که ما را مقهور خود نمی کنند. .png "> 
Rantt یک شرکت رسانه ای است و ما فقط یک محصول را می فروشیم - حقیقت. مقالات غنی از متن ما فقط به مهمترین داستانهای زمان ما متمرکز هستند زیرا چه کسی به کلیکها اهمیت می دهد وقتی دموکراسی در معرض خطر است؟
برای دیدن پیشنهادات ما ، Patreon ما را بررسی کنید.
ما همچنین یک بار کمک مالی را در Paypal می پذیریم.
بازهم از همه چیز متشکرم. ما شما را دوست داریم و از شما قدردانی می کنیم!
با احترام ،
تیم Rantt
شش دلیل خرچنگ نعل اسب از شما عاشق ترند
شش دلیل خرچنگ نعل اسب از شما عاشق ترند
نوشته امیلی دلزانو ، پارک رنجر در پناهگاه ملی حیات وحش جزیره مریت
جفت گیری خرچنگ نعل اسب توسط Gregory Breese /USFWS گجت ها و گیزم ها به مقدار فراوان - حداقل از نظر سازگاری و رفتار تکاملی - خرچنگ نعل اسبی اغلب راه خود را به سواحل بالا و پایین ساحل اقیانوس اطلس و قلب ما سر و صدا می کنند. خرچنگ نعل اسب اقیانوس اطلس ، یکی از چهار گونه این بندپایان دریایی ویژه ، در اکوسیستم های امتداد خط ساحلی شرقی ایالات متحده و چندین پناهگاه حیات وحش ملی نقش حیاتی دارد.
اگرچه خرچنگ نعل اسبی بیشتر زندگی خود را در اعماق زیر آب دیده نمی شود ، اما این موجودات به صورت دسته جمعی در طول زندگی کامل و جدید ظاهر می شوند قمرها در خط ساحلی در ایالت هایی مانند فلوریدا و دلاور برای فصل جفت گیری برای تخمگذاری صدها هزار تخم مرغ برای اطمینان از وجود این گونه با دوام برای نسل های آینده.
مشارکت کامل ، بنابراین در اینجا شش دلیل وجود دارد که چرا خرچنگ نعل اسب ممکن است به DM های شما نرود ، اما درست به قلب شما می رود و عاشقان بهتری از شما هستند.
خرچنگ نعل اسبی توسط امیلی دلزانو /USFWS 1. خرچنگ نعل اسب از طولانی ترین گونه ها و به نوبه خود باتجربه ترین گونه ها در این کره خاکی است.
اجداد خرچنگ نعل اسب که اغلب "فسیل های زنده" نامیده می شوند می توانند از طریق سابقه زمین شناسی به حدود 445 میلیون سال پیش برسند. ، 200 میلیون سال قبل از وجود دایناسورها.
2. خرچنگ نعل اسب دارای 10 چشم است بنابراین می بیند ... * EvErYtHiNg ~ * ~
با وجود بیرونی سخت و مخزنی مانند ، خرچنگ نعل اسب موجوداتی فوق العاده حساس هستند ، حداقل نسبت به محرک هایی مانند نور. این بندپایان دریایی دارای ده چشم هستند - یک جفت چشم مرکب در پوسته جلوی آنها و "گیرنده های نوری" در مناطق دیگر ، عمدتا در امتداد دم ... بنابراین شما می دانید که این به چه معنی است.
داوطلب استیو دان /USFWS 3. آنها نه تنها 10 چشم دارند ، بلکه 10 پا دارند تا بتوانند شما را به بهترین وجهی کنترل کنند. نسبت به سخت پوستان (گروهی شامل خرچنگ ، خرچنگ دریایی و میگو). 
داوطلب استیو دان /USFWS 4. Get-Togethers آنها بدنام است.
در اوایل ماه های تابستان ، خرچنگ های نعل اسب در کنار کوه ها به ساحل می آیند تا دست و پا بزنند و از طریق عیاشی های عظیم ، محصولات خود را برای نسل های آینده تأمین کنند.
امیلی دلزانو و خرچنگ نعل اسب توسط چارلی دیوو /USFWS 5. آنها WAY فرزندان بیشتری دارند. مانند اکثر اوقات.
در هنگام تخم ریزی ، خرچنگ ماده در حالی که خوشه ای در حدود 4000 تخم مرغ سبز ریز دارد ، خود را تا حدی در شن و ماسه فرو می برد. در یک عصر تخمگذاری ، یک خرچنگ ماده می تواند چندین خوشه تخمگذاری کند و ممکن است طی چندین شب به طور مکرر تخم ریزی کند تا 100000 یا بیشتر تخم بگذارد.
6. خرچنگ نعل اسب بسیار بسیار صبور است.
در طول فصل جفت گیری ، خرچنگ نر نعل اسب در نزدیکی سواحل برای بانوان خود منتظر می مانند. پس از اتحاد ، خرچنگ نر کوچکتر با استفاده از پنجه های جلوی تخصصی خود را به بالای پوسته ماده بزرگتر می چسباند و با هم به ساحل می خزند. نیکلاس اسپارکس نمی توانست پایان عاشقانه تری بنویسد.
آیا از خرچنگ نعل اسبی سیر نمی شوید؟ پرندگان ساحلی نیز نمی توانند!
علاوه بر خرچنگ نعل اسبیدر پناهگاه ملی حیات وحش جزیره مریت ، جمعیت خرچنگ نعل اسبی در پایین و ساحل وجود دارد. بیشترین جمعیت خرچنگ نعل اسب در جهان در خلیج دلاور یافت می شود.
در طول فصل تخم ریزی ، بسیاری از تخم ها با عملکرد موج و عمل حفره خرچنگ های جفت در معرض سطح ساحل قرار می گیرند. هنگامی که تخم مرغ در معرض هوا قرار گرفت ، می تواند به سرعت خشک شود و از جوجه ریزی آن جلوگیری کند. با این حال ، هنوز هم یک نقش حیاتی در اکوسیستم بازی می کند. این تخمهای در معرض منبع اصلی غذایی برای مهاجرت پرندگان ساحلی هستند که از امریکای جنوبی به قطب شمال در امتداد خط هوایی آتلانتیک سفر می کنند.
عکس: Gregory Breese /USFWS 
عکس: گریگوری بریز /USFWS