Как создать свою нейросеть: три пути от конструктора до кода

Кратко. Свою нейросеть создают тремя путями. Самый простой: настроить готовую модель инструкцией и своими файлами, это вечер без кода. Средний: дообучить готовую модель на своих данных, например LoRA на своих фото. Сложный: написать сеть с нуля на Python, это недели учёбы и маленькие учебные задачи.

Как создать свою нейросеть: сначала реши, что значит «своя»

Под словами «своя нейросеть» люди имеют в виду три очень разные вещи. Один хочет бота, который отвечает клиентам его салона в его же тоне. Второй хочет генератор, который рисует его самого. Третий хочет понять, как это устроено изнутри, и написать сеть своими руками.

Представь, что ты тренер по боксу и хочешь «свою нейросеть» для подписчиков. Скорее всего, тебе нужен первый путь: бот с твоими программами тренировок и ответами на частые вопросы. Писать сеть с нуля ради этого то же самое, что строить автомобиль, чтобы съездить за хлебом.

Как вообще устроено обучение на примерах, объяснено в статье про машинное обучение. Ниже только практика.

Путь первый: настроить готовую модель под себя

Это самый быстрый путь, и чаще всего его одного достаточно. Модель остаётся той же, меняется то, что она получает перед каждым разговором: инструкция, примеры и документы.

Порядок такой:

1. Опиши роль и границы: кто этот помощник, для кого, о чём говорит и о чём нет.
2. Дай три-пять примеров хороших ответов в твоём стиле.
3. Загрузи свои материалы: прайс, программу, частые вопросы, регламент.
4. Проверь на двадцати настоящих вопросах, которые тебе задавали.
5. Перепиши инструкцию там, где ответы плывут, и проверь снова.

Во многих крупных чат-ботах такой помощник собирается в настройках без единой строчки кода, у ChatGPT это называется GPTs. Похожие инструменты есть в конструкторах ИИ-агентов, где помощнику можно дать ещё и доступ к почте или таблицам.

Было: клиенты салона пишут одно и то же про запись и цены, администратор отвечает вручную. Стало: помощник знает прайс и расписание, пишет в тоне салона и зовёт человека, когда вопрос нестандартный. Формально это не новая нейросеть, но для клиента она твоя.

Путь второй: как обучить нейросеть под свои задачи

Когда инструкции не хватает, модель дообучают. Готовая модель уже умеет почти всё, и её подкручивают на твоих примерах, чтобы она лучше делала одно конкретное дело. Это и есть ответ на вопрос, как обучить нейросеть на своих данных: не с нуля, а поверх готовой.

Для картинок самый частый вариант это LoRA, небольшой адаптер к большой модели, который учит её новому лицу, предмету или стилю. Что это такое, разобрано в статье что такое LoRA простыми словами. Полное дообучение переписывает всю модель, требует больше данных и мощностей и для одного лица почти никогда не нужно.

Для текстовых моделей дообучают на парах «запрос и правильный ответ». Сотня аккуратных пар часто даёт больше, чем тысяча кое-как собранных. Готовые открытые модели и инструменты для этого лежат на площадке Hugging Face.

Скажем, ты хочешь, чтобы модель рисовала твою собаку в разных сценах. Нужно собрать два-три десятка чётких снимков с разных сторон и в разном свете, подготовить подписи, запустить обучение адаптера и потом отбраковать неудачные пробы. Сама тренировка идёт от десятков минут до нескольких часов на хорошей видеокарте, подготовка данных легко занимает вечер.

Как обучать нейросеть: данные решают больше, чем настройки

Кто спрашивает, как обучать нейросеть, обычно ждёт ответа про параметры. На практике девять десятых результата решают данные.

Чек-лист перед любым дообучением:

• примеры похожи на то, что модель будет делать в работе, а не на то, что было под рукой;
• в наборе нет дублей и почти одинаковых примеров;
• есть разнообразие: разный свет, ракурсы и фон у картинок, разные формулировки у текста;
• нет чужого, что модель не должна запомнить: посторонних лиц, логотипов, личных данных;
• часть примеров отложена для проверки и в обучение не идёт.

Для лица правило особенно жёсткое. Двадцать селфи в одной куртке на фоне одного шкафа научат модель куртке и шкафу. Сколько снимков нужно и какими они должны быть, есть в статье сколько фото нужно для обучения.

Настройки тоже важны, но у готовых инструментов разумные значения по умолчанию. Начинать с них и менять по одному параметру за раз честнее, чем крутить всё сразу и потом гадать, что помогло.

Путь третий: как создать свою нейросеть с нуля

С нуля значит написать архитектуру сети, подготовить данные и обучить все веса самому. Путь интересный и полезный для понимания, но результатом станет учебная модель, а не конкурент большим чат-ботам.

Реалистичный маршрут для новичка:

1. Основы Python: переменные, циклы, функции, работа со списками.
2. Библиотека для нейросетей, чаще всего PyTorch, по официальным учебникам на её сайте.
3. Первая задача: распознавание рукописных цифр на классическом наборе MNIST, 60 тысяч картинок для обучения и 10 тысяч для проверки.
4. Вторая задача на своих данных: например, отличать фото с твоей рыбалки от фото из отпуска.
5. Запуск на видеокарте, своей или в облачном блокноте вроде Google Colab.

Представь выходные. В субботу ты ставишь Python и разбираешься с первым учебником. В воскресенье вечером твоя сеть узнаёт цифры, нарисованные мышкой, и ошибается раз в полсотни попыток. Ощущение отличное, и оно честно заработано. Но от этой сети до модели, которая пишет тексты или рисует портреты, дистанция в годы работы больших команд и огромные вычисления.

Частые ошибки, когда учишь свою нейросеть

Большинство провалов у новичков одинаковые, и почти все про ожидания, а не про технику.

• Учить с нуля там, где хватило бы инструкции. Неделя уходит на то, что готовая модель сделала бы за вечер.
• Мерить успех на тех же примерах, на которых учил. Модель их помнит, и результат выглядит лучше, чем есть на самом деле.
• Кидать в обучение всё подряд. Размытые фото, дубли и случайные скриншоты портят модель быстрее, чем их нехватка.
• Менять пять настроек одновременно. Потом невозможно понять, что сработало.
• Ждать, что модель поймёт намёк. Если в примерах нет нужного поведения, она его не выдумает, а если выдумает, то не то.

Допустим, ты учишь модель писать описания для своего магазина снастей и кладёшь в набор все старые описания подряд, включая те, что писал в спешке с ошибками. Модель честно научится и ошибкам тоже. Двадцать лучших описаний, вычитанных руками, дадут результат чище, чем двести случайных.

Отдельная ловушка это чужие данные. Фото знакомых, переписки клиентов, чужие тексты в обучающем наборе могут стать проблемой, если модель потом покажет их кому-то ещё. Учи на своём или на том, на что у тебя есть разрешение.

Что реально успеть за выходные, а что нет

Реально: собрать помощника на готовой модели, обучить LoRA на своих или собачьих фото при наличии видеокарты, написать учебную сеть для цифр. Нереально: свою языковую модель уровня известных чат-ботов, свой генератор фото с нуля, модель, которая «сама научится» на паре файлов.

Проверка простая. Если задача звучит как «сделать как ChatGPT, но своё», тебе нужен первый путь. Если «чтобы модель знала моё лицо, стиль или формат», второй. Если хочется понять механику и не жалко месяцев, третий.

Где тут мы

Профи-фотосессия в a-dam.photo это второй путь, сделанный за тебя: загружаешь 15-20 своих фото, личная модель обучается на них, и ты получаешь 60 портретов в 5 стилях за 3 490 ₽. Вся съёмка занимает около 20 минут, видеокарта и настройки не нужны. Подробности на странице Профи-фотосессии.

Частые вопросы