Щи, просто ЩИ или Серые Щи (не забываем заготовить листья для щей). Что полезнее щи или борщ

Щи – национальное русское блюдо. Отличаются кислым вкусом, создаваемым квашеной капустой, обычно используемой в щах. Но кислоту могут придавать и другие растения, например, щавель, крапива, или нейтральные травы с последующей заправкой капустным или другим рассолом. Закладка овощей в суп как правило производится в сыром виде, без предварительного обжаривания. Жидкой основой щей может служить мясной, рыбный, грибной бульоны, отвары из овощей или круп. Полностью овощные щи называют «пустыми». Хорошо известны «суточные» щи, которые приобретают свой вкус только через сутки после их приготовления. Часто щи «забеливают» сметаной, сливками или молоком.

1. При варке щей квашеную капусту кладут в холодный бульон (или воду), а тушеную – в кипящий.
2. Вкусные щи можно приготовить даже из очень кислой капусты. Для этого нужно часть кислой капусты заменить свежей. При этом тушат только квашеную капусту, а свежую кладут в кипящий бульон.
3. Щи из свежей капусты без картофеля рекомендуют заправлять поджаренной мукой.
4. Щи сами по себе обладают нежным вкусом и тонким ароматом, поэтому не стоит добавлять в них томат, желательно ограничить также количество специй.

Приготовьте щи по нашему рецепту, сделайте фото ваших щей и разместите его под рецептом - угостите всех вашими щами. Пусть готовить вкусные щи научатся все!

Слово «щи» (шти) происходит от древнерусского «съти». Так называли любое жидкое питательное кушанье. Похлёбки из капусты стали готовить в IX веке, когда на Русь завезли и начали выращивать этот овощ. Блюдо быстро завоевало народную любовь.

«Щаной дух» всегда стоял в доме. Щи могли позволить себе все. Их можно было готовить в любое время года: летом со свежей, а зимой с квашеной капустой. И они никогда не приедались.

Знаете ли вы, что в XVIII–XIX веках щи замораживали в виде больших ледяных кругов и брали с собой в дорогу, а потом рубили, разогревали и ели?

Щи варили и в деревенских избах, и в дворянских усадьбах, и в царских дворцах. Обеспеченные слои населения могли позволить себе богатые щи (с мясом), а люди попроще готовили в основном вегетарианский вариант - пустые щи. Но независимо от того, какими были ингредиенты, щи обязательно томили в русской печи. Так овощи не бурлили в кипятке, а постепенно раскрывали свой вкус.

Lovelymama/Depositphotos.com

Сейчас можно позволить себе хоть гаспачо, хоть мисо, хоть суп-пюре. Но щи до сих пор для многих самое любимое первое блюдо. Поэтому мы расскажем, как приготовить отменные щи.

Богатые щи из квашеной или свежей капусты

Это современная вариация богатых щей - без белых грибов и репы (да простит нас Похлёбкин). Зато с технологией справится даже неопытный кулинар.

Ингредиенты на трёхлитровую кастрюлю:

• 500 г мяса на кости;
• 300 г квашеной или свежей капусты;
• 3 небольшие луковицы;
• 2–3 картофелины;
• 2 помидора;
• 1 небольшая морковь;
• растительное масло для жарки;
• лавровый лист, соль, перец горошком, перец душистый и другие специи - по вкусу;
• укроп, петрушка, сметана для подачи на стол.

Шаг 1. Варим бульон

Традиционно мясные щи варят на говяжьем бульоне, выбирая при этом грудинку, челышко и другие с костью. Но можно использовать свинину и даже курицу.

Мясо залейте водой и варите на среднем огне. Когда начнёт закипать, следите за пеной. Иначе бульон придётся процеживать.

Шаг 2. Добавляем капусту

Это главный компонент щей. Чаще всего используют квашеную капусту. Даже добавляют в суп её рассол. Благодаря квашеной капусте щи приобретают ту кислинку, за которую многие их так любят.

Кислые щи - это вовсе не щи, а разновидность кваса. Так в старину называли медово-солодовый напиток, которым лечили похмелье. Сейчас многие ошибочно называют кислыми щи с квашеной капустой.

Когда бульон закипит, добавьте в кастрюлю капусту. Если она у вас слишком , то её нужно предварительно промыть.

Если же вы готовите щи из свежей капусты, не забывайте, что, в отличие от квашеной, её нужно добавлять в конце варки, перед картошкой.

Убавьте огонь и попробуйте бульон на соль. Обычно солёности капусты вполне достаточно, но при желании можно немного подсолить. Капуста с мясом должны вариться ещё около часа.

Шаг 3. Делаем зажарку

Щи - заправочный суп, а значит, без зажарки не обойтись. Обжарьте мелко порезанный лук на растительном масле, затем добавьте к нему нашинкованную морковь и измельчённый помидор, а в самом конце ещё столовую ложку томатной пасты, чтобы суп имел насыщенный цвет.

Раньше лук в щи клали дважды. Первый раз целую луковицу вместе с мясом при варке бульона (потом её убирали). Была даже поговорка «Голь голью, а луковка во щах есть». Второй раз лук добавляли уже мелко порезанным вместе с капустой.

Шаг 4. Собираем щи

Через час-полтора готовки выловите из бульона, а когда оно немного остынет, отделите его от кости и порежьте небольшими кусочками. Затем верните его в суп вместе с зажаркой и картошкой.

Первоначально в щи для густоты добавляли ржаную муку. С распространением картофеля функцию крахмализации бульона взял на себя этот овощ.

GooDween/Depositphotos.com

Шаг 5. Добавляем специи

Примерно за 10 минут до готовности отправьте в кастрюлю лавровый лист, перец и другие специи по вкусу. Попробуйте щи. Если кажутся недосолёнными, подсолите.

В старину к щам подавали кондумы (ушки с грибами и другими начинками), перепечи или няни. Помните у Гоголя в «Мёртвых душах»: «…хлебнувши щей и отваливши с блюда огромный кусок няни, известного блюда, которое подаётся к щам и состоит из бараньего желудка, начинённого гречневой кашей…»?

Щи готовы! В качестве заправки обычно используют сметану и свежую зелень.

Раньше чугунок со щами мог томиться часами, пока печь не остынет. Чем дольше, тем вкуснее. Так появился особый вид щей - суточные. По составу они такие же, как обычные мясные, но готовятся намного дольше.

zoryanchik/Depositphotos.com

Чтобы превратить обычные щи в суточные, нужно после приготовления разлить их по и отправить в духовку, разогретую до 220 градусов. Когда суп закипит, уменьшите температуру до 160 °С и томите ещё два часа. После этого убавляйте температуру на 10–15 градусов каждый час, пока не дойдёте до 70–80 °С. Это имитирует температурный режим остывающей русской печи.

Ещё один вариант: после приготовления укутайте кастрюлю со щами во что-нибудь тёплое и дайте им постепенно остыть (это займёт 4–6 часов).

Кроме того, можно использовать мультиварку, экспериментируя с режимом выпечки и тушения, а также функцией поддержания тепла.

Это вариант пустых щей. Он отлично подойдёт тем, кто не ест мясо или .

Ингредиенты на трёхлитровую кастрюлю:

• 350 г кеты, трески или любой другой рыбы с небольшим количеством костей;
• 400 г квашеной капусты;
• 150–200 г свежих лесных грибов;
• 3 небольшие луковицы;
• 2–3 картофелины;
• 2 помидора;
• 1 небольшая морковь;
• 1 столовая ложка томатной пасты;
• сливочное и растительное масло для жарки;
• лавровый лист, соль, перец горошком, перец душистый и другие специи по вкусу;
• укроп, петрушка, сметана для подачи.

Приготовление

Налейте в кастрюлю воды и добавьте туда квашеную капусту. Когда начнёт закипать, снимите пену и убавьте огонь до минимума. Капуста должна вариться 40–60 минут. Затем добавьте в бульон свежую , порезанную большими кусками. Через 20 минут выловите рыбу, отделите её от костей и измельчите. Верните рыбу в бульон.

Порубите и отварите грибы. Лучше использовать именно лесные: белые, подберёзовики, опята. Затем обжарьте их на сливочном масле. На отдельной сковороде сделайте зажарку: обжарьте на растительном масле лук, морковь, помидоры и томатную пасту.

Отправьте грибы и зажарку в бульон и варите ещё около 10 минут. Добавьте все специи. Не забудьте посолить! Ещё через 10–15 минут рыбно-грибные щи готовы. Подавать их можно так же, как и богатые щи, с зеленью и сметаной.

Nalga/Depositphotos.com

Приятного аппетита!

Поучи жену щи варить!

В современной кулинарии несколько десятков разновидностей щей. Какие щи готовите вы? Поделитесь своим любимым рецептом в комментариях.

Употребление супов полезно для здоровья. Многие люди задаются вопросом, какой суп наиболее полезный, но однозначного ответа не существует. Все зависит от ингредиентов, входящих в состав супа, и состояния здоровья человека. Так, все полезные свойства щей могут привести к расстройству желудка у людей с раздраженным кишечником, а фасолевый суп может стать причиной вздутия живота.

В чем различие между борщом и щами?

Различие между борщом и щами заключается только в том, что в первый суп добавляется свекла. Способов приготовления борща, как и щей, очень много. Эти блюда можно варить как на жирных, так и диетических сортах мяса. Если борщ будет приготовлен на курином бульоне, то сможет послужить вполне диетическим блюдом. Калорийность овощей, которые входят в борщ и щи, небольшая. Эти блюда могут стать калорийным только за счет мяса, которое обязательно входит в их состав.

В состав борща входит свекла, богатая витаминами. Она выводит из организма вредные вещества. Благодаря свекле обмен веществ ускоряется и нормализуется пищеварение. Свекла полезна для кровеносной системы и позволяет улучшить состав крови. Она обладает мочегонным и слабительным действиями. Морковь богата витамином Е, который полезен для зрения и кожи, а картофель – калием.

Капуста очень полезна для пищеварения, а особенности необходима во время диеты. Она содержит огромное количество витамин и минеральных веществ. Капуста не только выводит вредные вещества из организма, но и помогает в заживлении язв. Блюда, в состав которых входит капуста, лучше усваиваются организмом.

Достаточно часто в борщ или щи добавляют томаты. Они содержат большое количество антиоксидантов и позволяют защитить наши клетки от вредных веществ. Томаты богата кислотами и полезны для системы пищеварения. Однако стоит понимать, что большая часть полезных элементов разрушается под действием температур.

В борщ обязательно входит лук, который защищает наш организм от простудных заболеваний. В луке много витамина С. Для того, чтобы борщ имел низкую калорийность, в него лучше всего добавлять диетические сорта мяса. Они также богаты белком, дающему нашему организму энергию.

Овощи, входящие в состав борща или щей, богаты клетчаткой, которая необходима для нормализации работы пищеварения. Также она выводит из организма токсины и прочие вредные вещества. Не смотря на это кушать борщ при панкреатите или язвенной болезни желудка противопоказано.

Щи имеют более низкую калорийность, чем борщ. В их состав входит такое же большое количество полезных элементов, как и в борщ. Однако этот суп не так сильно ускоряет обмен веществ. Капуста также нормализует обмен веществ и помогает в борьбе с запорами. Но борщ в этом случае будет намного эффективнее.

Невозможно сказать, что полезнее щи или борщ. Эти супы полезны, и лучше всего их чередовать. Если вы страдает расстройством пищеварения, то лучше всего отказаться от щей и борщей. Эти супы богаты клетчаткой и могут ещё больше усугубить проблему.

Распознаванием лиц в 2018 году никого не удивишь – каждый студент, может, даже школьник, его делал. Но всё становится немного сложнее, когда у вас не датасет на 1 млн пользователей, а:

• 330 миллионов пользовательских аккаунтов;
• ежедневно заливается 20 млн пользовательских фотографий;
• максимальное время на обработку одного фото не должно превышать 0.2 сек ;
• ограниченные объемы оборудования для решения задачи.

В этой статье мы поделимся опытом разработки и запуска системы распознавания лиц на пользовательских фотографиях в социальной сети Одноклассники и расскажем про все ”от А до Я”:

• математический аппарат;
• техническую реализацию;
• результаты запуска;
• и акцию StarFace , которую мы использовали для PR-а нашего решения.

Задача

Более 330 млн аккаунтов зарегистрировано в Одноклассниках, в этих аккаунтах содержится более 30 млрд фото.

Пользователи ОК заливают 20 млн фото в сутки. На 9 млн загруженных за сутки фотографий присутствуют лица, а всего детектируется 23 млн лиц. То есть, в среднем 2.5 лица на фотографию, содержащую хотя бы одно лицо.

У пользователей есть возможность отмечать людей на фотографии, но обычно они ленятся. Мы решили автоматизировать поиск друзей на фотографиях, чтобы увеличить информированность пользователя о загруженных с ним фотографиях и объем фидбека для пользовательских фотографий.

Система распознавания пользователей в соц сети

Распознавание лиц на загруженном фото

Пользователь загружает фото с любого клиента (с браузера или мобильных приложений iOS, Android), оно попадает на детектор, задача которого найти лица и выровнять их.

После детектора нарезанные и предобработанные лица попадают на нейросетевой распознаватель, который строит характеристический профиль лица пользователя. После этого происходит поиск наиболее похожего профиля в базе. Если степень похожести профилей больше граничного значения, то пользователь автоматически детектируется, и мы отсылаем ему уведомление, что он есть на фото.

Рисунок 1. Распознавание пользователей на фото

Перед тем, как запустить автоматические распознавание, нужно создать профиль каждого пользователя и заполнить базу.

Построение пользовательских профилей

Для работы алгоритмов распознавания лиц, достаточно всего одной фотографии, например аватарки. Но будет ли эта аватарка содержать фото профиля? Пользователи ставят на аватарки фотографии звёзд, а профили изобилуют мемасиками или содержат только групповые фотографии.

Рисунок 2. Трудный профиль

Рассмотрим профиль пользователя, состоящий только из групповых фотографий.
Определить владельца аккаунта (рис. 2) можно если учитывать его пол и возраст, а также друзей, профили которых были построены ранее.

Рисунок 3. Построение пользовательских профилей

Мы строили профиль пользователя следующим образом (Рис. 3):

1) Выбирали наиболее качественные фотографии пользователя

Если фотографий было слишком много, мы использовали не более ста лучших.
Качество фотографий определяли на основе:

• наличия отметок пользователей на фото (фотопинов) ручным способом;
• метаинформации фотографии (фото загружено с мобильного телефона, снято на фронтальную камеру, в отпуске, ...);
• фото было на аватарке

2) Искали на этих фотографиях лица

• не страшно, если это будут другие пользователи (на шаге 4 мы их отфильтруем)

3) Вычисляли характеристический вектор лица

• такой вектор называется эмбеддингом

4) Производили кластеризацию векторов

Задача этой кластеризации – определить, какой именно набор векторов принадлежит владельцу аккаунта. Основная проблема – это наличие друзей и родственников на фотографиях. Для кластеризации мы используем алгоритм DBScan.

5) Определяли лидирующий кластер

Для каждого кластера мы считали вес на основании:

• размера кластера;
• качества фотографий, по которым построены эмбеддинги в кластере;
• наличия фотопинов, привязанных к лицам из кластера;
• соответствия пола и возраста лиц в кластере с информаций из профиля;
• близость центроида кластера к профилям друзей, вычисленным ранее.

Коэффициенты параметров, участвующих в вычислении веса кластера обучим линейной регрессией. Честный пол и возраст профиля – отдельная сложная задача, об этом расскажем далее.

Чтобы кластер считался лидером, нужно чтобы его вес был больше ближайшего конкурента на константу, рассчитанную на обучающей выборке. Если лидер не найден, мы еще раз переходим к пункту 2, но используем большее число фотографий. Для некоторых пользователей мы сохраняли два кластера. Такое бывает для совместных профилей - некоторые семьи имеют общий профиль.

6) Получали эмбеддинги пользователя по его кластерам

• Наконец, строим вектор, который будет характеризовать внешность владельца аккаунта, – “эмбеддинг пользователя”.

Эмбеддинг пользователя – это центроид отобранного для него (лидирующего) кластера.
Строить центроиды можно множеством разных способов. После многочисленных экспериментов мы вернулись к самому простому из них: усреднение входящих в кластер векторов.

Как и кластеров, эмбеддингов у пользователя может быть несколько.

За время итерации мы обработали восемь миллиардов фото, проитерировали 330 млн профилей и построили эмбеддинги для трехсот миллионов аккаунтов. В среднем, для построения одного профиля мы обрабатывали 26 фотографий. При этом для построения вектора достаточно даже одной фотографии, но чем больше фото, тем больше наша уверенность, что построенный профиль принадлежит именно владельцу аккаунта.

Процесс построения всех профилей на портале мы производили несколько раз, так как наличие информации о друзьях повышает качество выбора кластера.
Объем данных необходимый для хранения векторов ~300 GB.

Детектор лиц

Первую версию детектора лиц ОК запустили в 2013 году на базе стороннего решения, схожего по характеристикам с детектором на базе метода Виолы - Джонса. За 5 лет это решение устарело, современные решения, основанные на MTCNN , показывают точность в два раза выше. Поэтому мы решили следовать трендам и построили свой каскад из сверточных нейронных сетей (MTCNN).

Для работы старого детектора мы использовали более 100 “стареньких” серверов с CPU. Практически все современные алгоритмы нахождения лиц на фото основаны на свёрточных нейронных сетях, которые наиболее эффективно работают на GPU. Закупить большое число видеокарт мы не имели возможности по объективным причинам: дорого все скупили майнеры. Решено было запускаться c детектором на CPU (ну не выкидывать же сервера).

Для детектирования лиц на заливаемых фотографиях мы используем кластер из 30 машин (остальные пропили сдали в утиль). Детектирование при построении пользовательских векторов (итерации по аккаунтам) мы делаем на 1000 виртуальных ядрах с низким приоритетом в нашем облаке. Облачное решение детально описано в докладе Олега Анастасьева : One-cloud - ОС уровня дата-центра в Одноклассниках .

При анализе времени работы детектора мы столкнулись с таким худшим случаем: сеть верхнего уровня пропускает слишком много кандидатов на следующий уровень каскада, и детектор начинает работать долго. Например, время поиска достигает 1.5 секунд на таких фотографиях:

Рисунок 4. Примеры большого количества кандидатов после первой сети в каскаде

Оптимизируя этот случай, мы высказали предположение, что на фотографии обычно немного лиц. Поэтому, после первого этапа каскада мы оставляем не больше 200 кандидатов, опираясь на уверенность соответствующей нейросети в том, что это лицо.
Такая оптимизация уменьшила время худшего случая до 350 мс, то есть в 4 раза.

Применив пару оптимизаций (например, заменив Non-Maximum Suppression после первой ступени каскада на фильтрацию на основе Blob detection), разогнали детектор ещё в 1.4 раза без потери качества.
Впрочем прогресс на месте тоже не стоял, и сейчас искать лица на фото принято более элегантными методами - см. FaceBoxes . Не исключаем, что в ближайшее время и мы переедем на нечто подобное.

Распознаватель лиц

При разработке системы распознавателя мы экспериментировали с несколькими архитектурами: Wide ResNet , Inception-ResNet , Light CNN .
Немного лучше остальных себя показала Inception-ResNet, пока остановились на ней.

Для работы алгоритма нужна обученная нейронная сеть. Её можно найти на просторах интернета, купить, либо обучить самим. Для обучения нейронных сетей необходим некоторый набор данных (датасет), на котором происходит обучение и валидация. Так как распознавание лиц - известная задача, для неё уже существуют готовые датасеты: MSCeleb, VGGFace/VGGFace2, MegaFace. Однако, тут вступает в дело суровая реальность: обобщающая способность современных нейросетей в задачах идентификации по лицу (да и вообще) оставляет желать лучшего.
А на нашем портале лица сильно отличаются от того, что можно найти в открытых датасетах:

• Иное распределение возрастов – на наших фото есть дети;
• Другое распределение этносов;
• Попадаются лица в очень низком качестве и разрешении (фото с телефона, снятые 10 лет назад, групповые фото).

Третий пункт легко побороть, искусственно уменьшив разрешение и наложив артефакты jpeg-а, а вот остальное качественно сэмулировать не получится.
Поэтому мы решили составить собственный датасет.

В процессе построения набора методом проб и ошибок мы пришли к такой процедуре:

1. Выкачиваем фото из ~100k открытых профилей
   Профили выбираем случайно, минимизируя количество тех, кто состоит друг с другом в дружеских отношениях. Вследствие этого считаем, что каждый человек из датасета появляется только в одном профиле
2. Строим вектора (эмбеддинги) лиц
   Для построения эмбеддингов используем предобученную опенсорсную нейросеть (мы взяли отсюда).

Кластеризуем лица в рамках каждого аккаунта
Пара очевидных наблюдений:

• Мы не знаем, сколько разных людей появляются на фото из аккаунта. Следовательно, кластеризатор не должен требовать количество кластеров в качестве гиперпараметра.
• В идеале для лиц одного и того же человека надеемся получить очень похожие вектора, образующие плотные сферические кластеры. Но Вселенной нет дела до наших чаяний, и на практике эти кластера расползаются в замысловатые формы (например, для человека в очках и без кластер обычно состоит из двух сгустков). Поэтому centroid-based методы тут нам не помогут, нужно использовать density-based.

  По этим двум причинам и результатам экспериментов выбрали DBSCAN . Гиперпараметры подбирали руками и валидировали глазами, тут всё стандартно. Для самого главного из них – eps в терминах scikit-learn – придумали простенькую эвристику от количества лиц в аккаунте.

3. Фильтруем кластера
   Основные источники загрязнения датасета и как мы с ними боролись:

   • Иногда лица разных людей сливаются в один кластер (из-за несовершенства нейросети-рекогнайзера и density-based природы DBSCAN-а).
     Помогла нам простейшая перестраховка: если два или более лиц в кластере пришли из одной фотографии, мы такой кластер на всякий случай выкидывали.
     Это значит, любители селфи-коллажей в наш датасет не попадали, но оно того стоило, ибо количество ложных “слияний” уменьшилось в разы.
   • Случается и обратное: одно и то же лицо образует несколько кластеров (например, когда есть фотографии в очках и без, в макияже и без и т.д.).
     Здравый смысл и эксперименты привели нас к следующему. Измеряем расстояние между центроидами пары кластеров. Если оно больше определённого порога - объединяем, если достаточно велико, но порог не проходит - выкидываем один из кластеров от греха подальше.
   • Бывает, детектор ошибается, и в кластерах оказываются вовсе не лица.
     К счастью, нейросеть-распознаватель легко заставить фильтровать такие ложные срабатывания. Подробнее об этом ниже.
4. Дообучаем нейросеть на том, что получилось, возвращаемся с ней к пункту 2
   Повторять 3-4 раза до готовности.
   Постепенно сеть становится лучше, и на последних итерациях надобность в наших эвристиках для фильтрации вовсе отпадает.

Решив, что чем разнообразнее, тем лучше – подмешиваем к нашему новенькому датасету (3.7M лиц, 77K людей; кодовое название - OKFace) что-нибудь ещё.
Самым полезным чем-нибудь ещё оказался VGGFace2 – достаточно большой и сложный (повороты, освещение). Как водится, составлен из найденных в Гугле фото знаменитостей. Неудивительно, что очень “грязный”. К счастью, почистить его дообученной на OKFace нейросетью – дело тривиальное.

Функция потерь

Хорошая функция потерь для Embedding learning – всё ещё открытая задача. Мы попытались подойти к ней, опираясь на следующее положение: нужно стремиться, чтобы функция потерь максимально соответствовала тому, как модель будет использоваться после обучения

А использоваться наша сеть будет самым стандартным образом.

При нахождении на фото лица его эмбеддинг будет сравниваться с центроидами из профилей кандидатов (самого пользователя + его друзей) по косинусному расстоянию. Если , то заявляем, что на фото - кандидат номер .

Соответственно, хотим, чтобы:

Отклонение от этого идеала будем наказывать по квадрату, потому что все так делают эмпирически так оказалось лучше. То же самое на языке формул:

А сами центроиды – это просто параметры нейросети, обучаются, как и всё остальное, градиентным спуском.

У такой функции потерь есть свои проблемы. Во-первых, она плохо подходит для обучения с нуля. Во-вторых, подбирать целых два параметра - и - довольно утомительно. Тем не менее, дообучение с её использованием позволило добиться более высокой точности, чем остальными известными нам функциями: Center Loss , Contrastive-Center Loss , LMCL (CosFace) .

И стоило оно того?

цифры в таблице - средние результаты 10 замеров +-стандартное отклонение

Важный для нас показатель - [email protected]: какой процент лиц мы опознаем при фиксированной доле ложных срабатываний (здесь - 0.1%).
С лимитом ошибок 1 на 1000 и без дообучения нейросети на нашем датасете мы могли распознавать лишь половину лиц на портале.

Минимизируем ложные срабатывания детектора

Детектор порой находит лица там, где их нет, причём на пользовательских фото делает это часто (4% срабатываний ложные).
Довольно неприятно, когда такой “мусор” попадает в тренировочный датасет.
Очень неприятно, когда мы настойчиво просим наших пользователей “отметить друга” в букете роз или на текстуре ковра.
Решить проблему можно, и самый очевидный способ – собрать побольше не-лиц и прогнать через нейросеть-рекогнайзер их выявлять.

Мы же по обыкновению решили начать с быстрого костыля:

Интересно здесь то, что сеть-распознаватель отправляет всё разнообразие не-лиц всего в несколько областей в пространстве эмбеддингов, хотя её такому никто не учил.

Все врут или определение реального возраста и пола в социальной сети

Пользователи часто не указывают свой возраст или указывают его неправильно. Поэтому возраст пользователя будем оценивать используя его граф друзей. Тут нам поможет кластеризация возрастов друзей: в общем случае возраст пользователя в наибольшем кластере возрастов его друзей, а с определением пола нам помогли имена и фамилии.

Архитектура решения

Так как вся внутренняя инфраструктура ОК построена на Java, то и все компоненты мы завернем в Java. Inference на detector и recognizer работает под управлением TensorFlow через Java API. Detector работает на CPU так как удовлетворяет нашим требованиям и работает на уже имеющемся оборудовании. Для Recognizer-а мы установили 72 GPU карты, так как запуск Inception-ResNet не целесообразен на CPU с точки зрения ресурсов.

В качестве базы данных для хранения векторов пользователя используем Cassandra.
Так как суммарный объем векторов всех пользователей портала ~300Gb, то для быстрого доступа к векторам добавляем кэш. Кэш реализован в off-heap, детали можно прочитать в статье Андрея Паньгина : «Использование разделяемой памяти в Java и off-heap кеширование ».

Построенная архитектура выдерживает нагрузку до 1 млрд фото в сутки при итерации по пользовательским профилям, при этом параллельно продолжается обработка новых заливаемых фотографий ~20 млн фото в сутки.

Рисунок 6. Архитектура решения

Результаты

В результате мы запилили систему, натренированную на реальных данных социальной сети, дающую хорошие результаты при ограниченных ресурсах.

Качество распознавания на датасете, построенном на реальных профилях из ОК, составило TP=97.5% при FP=0.1%. Среднее время обработки одной фотографии составляет 120 мс, а 99 перцентиль укладывается в 200 мс. Система самообучающаяся, и чем больше тегируют пользователя на фото, тем точнее становится его профиль.

Теперь после загрузки фото пользователи, найденные на них, получают уведомления и могут подтвердить себя на фотографии или удалить, если фото им не нравится.

Автоматическое распознавание привело к 2-кратному росту показов событий в ленте об отметках на фотографиях, а количество кликов на эти события выросло в 3 раза. Интерес пользователей к новой фиче очевиден, но мы планируем вырастить активность еще больше за счет улучшения UX и новых точек применения, таких как Starface.

Флешмоб StarFace

За первые дни акции пользователи уже загрузили более 10 тысяч фото со знаменитостями. Выкладывали селфи и фотографии со звездами, фото на фоне афиш и, конечно, “фотошоп”. Фото пользователей, получивших ВИП-статус:

Планы

Так как большая часть времени тратится на детектор, то дальнейшую оптимизацию скорости нужно проводить именно в детекторе: заменить его или перенести на GPU.

Добавить метки

Говорят, что щи на Руси варили задолго до ее крещения и это блюдо ели чуть ли не каждый день. Не случайно множество пословиц и поговорок прославляют капустный суп на все лады: «Где хорошие щи, другой пищи не ищи», «Щей поел - словно шубу надел», «Щами мир стоит». Русские люди настолько привыкли к щам, что даже путешествовали зимой с замороженными в кадке щами, которые достаточно было разогреть, чтобы досыта наесться всей семьей. Говорят, что русские солдаты, сражавшиеся с армией Наполеона, находясь на французской территории, так скучали по и щам, что квасили виноградные листья, которые заменяли им в супе кислую капусту. Щами пахло не только в крестьянских избах, но и в царских покоях, правда, зажиточные люди ели густые мясные щи, в которых ложка стояла, а бедняки нередко хлебали жидкий суп с капустой, лебедой и луком. И все равно это было очень вкусно, поэтому в народе говорили: «Отец родной надоест, а щи не надоедят».

Как готовили щи на Руси

Существует множество рецептов с капустой, щавелем, крапивой, репой, грибами, на мясном или рыбном бульоне, с разными кореньями, пряностями и кислыми заправками, например рассолом или яблоками. В старину щи варили даже из свеклы, называя это блюдо «буряковыми щами», которые больше напоминали борщ. Классический рецепт старинных щей обязательно включал в себя капусту, свежую или квашеную, а если ее не было под рукой, брали зеленые листовые овощи или репу. Из кореньев хозяйки использовали морковь и петрушку, приправляя суп луком, чесноком, сельдереем, укропом, лавровым листом и перцем. Обязательным компонентом щей была кислота - ведь этот суп ценился благодаря своему пикантному кислому вкусу. Кроме квашеной капусты использовали соленые грибы, антоновку, бруснику, клюкву, соленые огурцы, сметану и все, что придавало щам специфический кислый вкус. В южных районах России щи всегда варили с томатами и болгарским перцем, а в современных рецептах можно встретить и картофель, который делает щи гуще и вкуснее.

На Руси продукты закладывали в щи в сыром виде, не подвергая их обжариванию или пассеровке, хотя для более густого бульона в некоторых областях добавляли в щи ржаную муку. Щи томили в русской печи в глиняном горшке, поэтому они получались очень аппетитными и ароматными. В основном для бульона использовали говядину, хотя в западном регионе были популярны щи из капусты со свининой или птицей. Донские щи по традиции варили с осетриной, псковские - со снетками, польские и украинские щи готовили с салом, уральский вариант щей включал в себя пшено или овсянку, в Грузии в щи добавляли белое вино и сыр сулугуни, а финны не могли представить это блюдо без баранины и копченой колбасы. В общем, во всех национальных кухнях существуют свои особенности приготовления щей, и каждый вариант блюда вкусен по-своему, к тому же «голодному Федоту любые щи в охоту».

Выбираем рецепт вкусных щей

Прежде чем научиться варить правильные , следует определиться с рецептом, поскольку существует несколько разновидностей этого блюда.

Полные щи, которые еще называют «богатыми», варят на крепком мясном бульоне, с добавлением большого количества ингредиентов, включая грибы, картофель и множество специй. В сборные щи добавляют мясо и мясные продукты разных сортов - отварную говядину, птицу, свинину, ветчину, колбасу, сардельки и сосиски, которые режут небольшими кусочками. Рыбные щи варят из благородных сортов рыбы, из мелкой речной рыбешки или рыбных консервов, при этом допустимо сочетание свежей и соленой рыбы. Постные щи готовят без мяса - с овощами, грибами и зеленью, зеленые щи - это летний вариант супа со щавелем или шпинатом. В приготовлении серых северных щей используют нижние капустные листья сероватого цвета, рассадные щи варят из капустной рассады, а суточные щи после приготовления сначала держат в тепле в течение четырех часов, а потом оставляют на холоде. Кстати, сейчас под кислыми щами мы имеет в виду суп из квашеной капусты, а на Руси это была разновидность кваса, которая спасала при похмельном синдроме.

Как приготовить вкусные щи: несколько секретов

Когда-то хозяйки не задумывались о том, как правильно приготовить щи из капусты, - они просто смешивали все продукты в глиняном горшке, ставили его в печь, и суп томился весь день, а к вечеру ароматные и вкусные щи подавались на стол. У нас нет столько времени, зато на помощь приходят современные технологии - мультиварка и аэрогриль. Но даже в обычной кастрюле можно сварить аппетитные щи, которые будут съедены за вечер большой семьей. Запомните несколько секретов и тонкостей, и щи станут вашим фирменным блюдом!

Секрет 1. Если вы решили приготовить щи на мясном бульоне, варите мясо целым куском не менее двух часов, чтобы бульон получился более наваристым и насыщенным - для щей такой и нужен. Обязательно добавьте к мясу для пикантности душистые травы и коренья.

Секрет 2. Не варите щи из слишком молодой капусты, которая годится больше для салатов. Лучший выбор для щей - осенняя капуста с плотными, крепкими и белыми кочанами. Многие хозяйки капусту доводят до предварительной готовности отдельно - молодую капусту тушат в сотейнике на плите в течение 15 минут, а более зрелую капусту готовят в глиняной посуде в духовке - часа два-три. Зачем это нужно? Дело в том, что когда капуста томится, она насыщается новыми вкусами и ароматами, которые обогащают вкус блюда.

Секрет 3. Если у вас есть время, поставьте кастрюлю с бульоном на последнем этапе приготовления в духовку, накрыв фольгой, и томите около часа. Добавьте туда порезанный кубиками картофель рассыпчатых сортов и продолжайте томить в духовом шкафу. Представляете, что окажется в кастрюле через полтора часа? Нежное густое рагу с мягким мясом, а от картофеля не останется ни крошки. И эту ароматную жидкость вам следует смешать с капустой, добавить любые ингредиенты, которые вам нравятся, - томаты, болгарский перец, стручковую фасоль, грибы и зелень, после чего томите щи еще как минимум полчаса. Если вы варите щи на плите, время приготовления, конечно, сокращается.

Секрет 4. В щи можно добавлять и поджаренную муку. После того как она станет золотистой, следует разбавить ее бульоном, слегка проварить и протереть через сито. Щи варят и с крупой, только вводить ее следует до капусты и картофеля, учитывая индивидуальное время варки.

Готовим щи быстро

Хорошо, когда есть время, чтобы уделить весь день, но иногда необходимо приготовить для семьи быстрый обед, и в этом случае спасают рецепты для очень занятых хозяек. Бульон в этом случае лучше сварить с вечера, к тому же мясо за ночь станет мягким и нежным, поэтому вам не составит труда порезать его кубиками и снова вернуть в кастрюлю. Введите в бульон нашинкованную соломкой свежую капусту, после закипания добавьте порезанный дольками картофель и, пока щи варятся, обжарьте в масле на сковороде морковь, лук, чеснок и корень петрушки. Опустите в щи томаты с предварительно снятой кожицей и нарезанный кубиками сладкий перец, а после того, как овощи немного проварятся, добавьте к ним морковную заправку. Не забудьте о лавровом листе, черном перце и зелени, которую лучше добавить в готовые щи вместе со сметаной. На 400 г мяса возьмите небольшой кочан капусты, 2 картофелины, 2 томата, 1 морковь и 1 головку лука, а травы и корешки можно добавлять по вкусу. Ваша семья будет довольна!

Щи из квашеной капусты

Это блюдо особенно полезно в период зимнего авитаминоза, поскольку квашеная капуста содержит витамин С, который необходим для борьбы с простудными заболеваниями и вирусными инфекциями. Кроме того, кислые щи не дают сильно развариться другим овощам, поэтому они приятно хрустят, что делает блюдо еще вкуснее и полезнее.

Из килограмма говядины сварите наваристый бульон - с лавровым листом и душистым перцем. Пока бульон варится, обжарьте на сковороде с подсолнечным маслом 2 луковицы и, когда лук станет прозрачным, добавьте к нему 2 нашинкованные на терке моркови. После того как морковь станет мягкой, снимите сковороду с огня и займитесь бульоном. Вам нужно вынуть мясо, порезать его на кусочки, выложить обратно в кастрюлю и высыпать в нее порезанные кубиками 2 картофелины и измельченный корень петрушки. Минут через 10 добавляйте в щи 600 г квашеной капусты, которую можно сначала слегка отжать, чтобы удалить лишнюю кислоту. Впрочем, если вы любите щи с кислинкой, то с капустой ничего делать не нужно - просто варите ее в бульоне 15 минут, потом добавьте обжарку и варите еще минут 7 с любимыми пряностями и приправами. Подавайте кислые щи со сливками или сметаной, посыпав душистой зеленью. Приятного аппетита!

На сайте «Едим Дома!» вы найдете множество пошаговых рецептов щей на любой вкус. Готовьте с любовью для своей семьи и получайте удовольствие от еды!