{"id":15,"date":"2020-10-27T17:35:16","date_gmt":"2020-10-27T16:35:16","guid":{"rendered":"http:\/\/www.beritglanz.de\/netzresidenz\/?page_id=15"},"modified":"2022-01-09T20:19:50","modified_gmt":"2022-01-09T19:19:50","slug":"ueber-das-projekt","status":"publish","type":"page","link":"https:\/\/www.beritglanz.de\/netzresidenz\/ueber-das-projekt\/","title":{"rendered":"\u00dcber das Projekt"},"content":{"rendered":"\n

Landschaft sehen, <\/p>

die Maschine Landschaft sehen lassen<\/p>

die Maschine Landschaft schreiben lassen<\/p><\/blockquote><\/figure>\n\n\n\n

Projektskizze:<\/strong><\/h4>\n\n\n\n

Ziel des Projektes Nature Writing \/ Machine Writing<\/em> ist mit verschiedenen Versuchsanordnungen herauszufinden, wie eine neue Form von Nature Writing aus dem Zusammenwirken von Schreibenden und Computern entstehen kann.<\/p>\n\n\n\n

Konzeptionell interessieren mich die Implikationen einer Verbindung von Natur und Maschine, was k\u00f6nnen wir von digitaler Poesie \u00fcber unser Verh\u00e4ltnis zur Natur lernen?<\/p>\n\n\n\n

Was bedeutet Landschaft? Kann ich Texte der Sorte „Nature Writing“ schreiben ohne mich von meinem Computer fortzubewegen? Wer beobachtet die Landschaft? Kann die Maschine die Landschaft besser wiedergeben als ich? Entfremdet mich die Nutzung von Technologie bei der literarischen Auseinandersetzung mit Natur von der Landschaft? Habe ich durch die Maschine an meiner Seite eine neue Beziehung zur Landschaft? Wie verh\u00e4lt sich das Bild einer Landschaft in meinem Kopf zum Bild der Maschine? Kann die Maschine bisher Ungesehens sichtbar werden lassen?<\/p><\/blockquote><\/figure>\n\n\n\n

Technische Werkzeuge:<\/strong><\/h4>\n\n\n\n
Img2poem<\/u> <\/h5>\n\n\n\n

Auf GitHub findet sich das neuronale Netzwerk<\/a>, das im Paper \u201fBeyond Narrative Description: Generating Poetry from Images<\/a>\u201d von B. Liu et al. beschrieben wird, 2018. (Hier ein Extralink zur PyTorch Implementation<\/a>)<\/p>\n\n\n\n

In dem Projekt wurde ein neuronales Netzwerk darauf trainiert Bilder nicht nur mit einzelnen Worten zu klassifizieren, sondern mit einem Gedicht. Dazu musste das Netzwerk lernen aus den Bildern poetische Hinweise zu ziehen, also zu entscheiden, welche zum Bild passenden Farbadjektive es beispielsweise mit metaphorischen Konzepten verbindet. Der erste Trainingskorpus (UniM-Poem) f\u00fcr das neuronale Netzwerk bestand aus 92.265 englischsprachigen Gedichten, die von Websites gescraped wurden. Der zweite Trainingskorpus (MultiM-Poem) bestand aus 34.847 Bild-Gedicht Paaren, die aus \u00f6ffentlichen Flickr-Gruppen in denen Bilder mit Gedichten verbunden wurden, gescraped wurden und dann von f\u00fcnf Literaturwissenschaft-sStudierenden auf Relevanz \u00fcberpr\u00fcft und auf 8.292 Kombinationspaare reduziert wurden.<\/p>\n\n\n\n

Die generierten Gedichte sollten nicht nur in sich stimmig sein, sondern auch zu den Vorlagebildern passen. Deswegen wurden sie menschlichen Testpersonen zur Bewertung vorgelegt, um die Qualit\u00e4t des trainierten Netzwerkes zu evaluieren.  <\/p>\n\n\n\n

F\u00fcr das Projekt Nature Writing \/ Machine Writing <\/em>wurde das vortrainierte Img2Poem <\/em>zur Generierung von Gedichten verwendet.<\/p>\n\n\n\n

<\/div>\n\n\n\n
NVIDIA AI Playground:<\/u><\/h5>\n\n\n\n

Ich verwende zwei von Nvidia zur Verf\u00fcgung gestellte Programme.<\/p>\n\n\n\n