Как приготовить щи: рецепты, проверенные временем. Что такое щи

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:

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
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.

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.
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 - TP@FP: 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

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.

При варке щей квашеную капусту кладут в холодный бульон (или воду), а тушеную – в кипящий.
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.
Щи из свежей капусты без картофеля рекомендуют заправлять поджаренной мукой.
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!

В 2015 году, благодаря уникальным гастрономическим традициям народной кухни, Чагодощенский край был нанесён на «Вкусную карту России» и официально признан родиной серых щей.

И ведь нет повода не выпить, вернее, не возгордицца тем, что Чагода – область Вологодская

Рецепт от Анна Ивановны Соловьевой (1923 г.)
После первых заморозков в конце сентября - начале октября рубят капусту , отрывают верхние зеленые листья, тщательно моют их, складывают в специальную деревянную бочку и мелко рубят специальной сечкой на длинной палке. Для цвета добавляются листья белокочанной капусты . Добавляют 150 грамм соли на ведро и 150 грамм ржаной муки, все смешивается и укладывается закисать в деревянный бочонок. Сверху необходимо положить деревянный круг и прижать речным камнем.

После того, как крошево забродит, появится пена, которую необходимо снять. Специальным колом делаются дырки в крошеве, чтобы с газами выходила горечь, при этом камень и круг уже не кладется. Чем чаще шевелить крошево, тем оно вкуснее. Через сутки наливают холодную воду таким образом, чтобы после прижатия кругом с камнем 2-3 см. сверху была колодезная вода. На приготовление крошева уходит 4-5 дней.

Оговорюсь лишь, что ((((Рубят щи в корыте деревянном, типа тяпкой, потом складувают в бочку-бак-кастрюлю (эмальку) на худой конец (никогда, наверна, не засниму, хоть уже года 4 жду). Вместо муки можно и хлеб черный кинуть, квасим же (в смысле не бухаем, а от словей «квас-закваску» получить…)И вот именно это крошево и называецца «серые щи», а уж только потом то, что из него, крошева, готовят...
Моя банка капусты из Ярославской области, они, как и псковичи, архангелогородцы и т.д… переняли рецепт, но добавляли больше белых листьев и иногда морковь, цвет же натуральных – болотно-серо-зелеоный. Они и мороза не боятся, можно хранить на морозе но и в холоде хранить не обязательно, главное, в темном месте.
Свинина жирная на кости с салом
Картоха
Лук
и собственно щи щаниц а (половина литровой плотно утрамбованной банки без сока)

Свинину с картохой и луком целиковыми суем в печку, естессно залив водой, чтоб покрыло…. Ладно, расслабьтесь, в духовку в горшке-казане (на плите можно) на 180 градусов на полтора часа.

Картоху с луком и салом разминаем (мясорубим, трем на терке) в кашу. Если добавляете морковь, то ее тож целиком и мнем. Чуть присаливаем.

Пихаем щаницу (если сильно кислые, то промыто в холодной воде, сок отжать).

И обратно в духовку томить. Канеш, было б замечательно на ночь на 100 градусов, но долго, поэтому на 150гр на 2 часа минимум.
А щи мы будем есть с пирогом с солеными грибами, который, зовется ГУБНИК, губу закатали и рецептуру начинки чуть изменили (насчет рецепта я пытала подругу, которая родилась в деревне, совсем деревне на севере вологодчины). Парадокс в том, что моя русская бабушка была спецом по щам, поэтому мои любые и мамины ели все! Если рецепт щей я начинаю «ловить», то пироги она пекла еще обалденнее, но семья, а потом и появившиеся мы, с грибами не ели.
Так что ставим тесто по памяти (научить уже некому, кулебячное)
600 г муки ,
200 г масла ,
3 желтка ,
1 стакан молока ,
25 г дрожжей ,
1 ч. ложка соли .
Из половины муки, молока, дрожжей замесить тесто, дать подойти. Когда поднимется, замесить с остальной мукой, маслом, желтком, солью, дать подойти, после чего разделывать под пироги.
Оговорюсь сразу, я не очень люблю тесто, катала, как на пиццу и мешали все разом (обминая пару раз). Если хотите прям пирог, то тянуть, а не катать и на опаре, желательно.

Грибы промыть.

Сварить 2 яйца вкрутую.

Луковицу обжарить до прозрачности.

Грибы я не жарила, просто на горячей сковороде смешала начинку (там нет соли, черным молотым можно, но я не стала).

Выложить начинку на раскатанное тесто.

Сверху смазать жирной сметаной. Выпекала 25 мин просто верх/низ 220. А пока щи настаиваются (открыла ради посмотреть)

Пирог печется, надо же вспомнить выхи на «бабушкиной» даче… Там уже никто не напечет пирогов, не приготовит в печке самых вкусных разных щей, да и дом, кстати, купленный у дяди Мити, рожденнного в 1905 году в нем же, скоро снесется, ибо на его месте уже поднимается новый… Кстати, как они там жили? В деревке 10 домов (уже давно все дачные), километр до дороги, но зимой непроходимый, плиты положены уже при нас, но и наши буранами катают, если бухать зимой…
И жрем мы там шашлыки.

Но вернемся к нашим щам, ибо футбол, ибо выпить-закусить, еще и зима пришла или осень поздняя, как раз время грибов и капусты..
Кстати, это ваще не похоже на капусту. Думаю, есть общее с Абиной зеленью. Это невозможно переварить-тушить. Никогда не превратится в сопли. Очень бодрит 1 января, а выпить под них можно немеряно. А если вынести на балкон зимой, покроется ледяной коркой, а на 2-3-4….день будут вкуснее и вкуснее…

Можно осовременить, добавив, зажарку, томат и т.д., если готовить на плите, но иногда, чем проще, тем лучше.
И знаете, спасибо Топтухе , если б не конкурс местечковой кухни, я б никогда не узнала столько нового про блюда, знакомые с детства (парадокс)… Желаю нам всем это не растерять, ведь это ж, как родной язык, - наша КУХНЯ, и лжа, что бедная. Богатая она, как богаты и мы нашими местечковыми, национальными и т.д. традициями. Как богаты мы были, когда у нас было детство и бабушки-тетушки и т.д… Не хотелось бы, чтоб именно истоки канули в лету. Тем более, что истоки-то у нас огого!
Кстати, щи эти готовятся и с перловкой. Но пока это слишком нажористо. И – специи, там все лишнее. Подать со сметаной. Укроп-лук-чеснок чуть подавить с солью (по вкусу). Я, кроме каши, не солила вообще. А остроту пихаем по вкусу, но лучше в готовое.

1). Основное, классическое русское национальное горячее суповое блюдо.

Главная особенность щей, отличающая их от всех других блюд, - это их абсолютная неприедаемость.

Щи могут потребляться ежедневно, но тем не менее не приедаться.

Это обстоятельство было замечено уже в древности (щи известны по крайней мере с IX в. на Руси) и нашло отражение в пословице: «Родной отец надоест, а щи - никогда!»

Остается только удивляться, что такое поистине универсальное блюдо, как щи, не пришло на ум никакому другому народу, кроме русского.

Объяснение этому феномену надо искать не столько в географии, сколько, пожалуй, в истории.

Основной компонент щей - капуста - была хорошо известна как пищевой продукт еще в античном Риме и, собственно, пришла в Россию из Римской империи, из Византии, в эпоху крещения (христианизации) Руси.

Бывшие язычники, обреченные на то, чтобы более чем полгода поститься, как предписывала новая религия, должны были напрячь все свои способности, призвать всю свою фантазию и ум, чтобы выдумать, скомбинировать такое блюдо, которое бы поддерживало их силы и не противоречило бы той проповеди аскетизма, которую ревностно вело духовенство и его многочисленные русские прозелиты.

Конечно, щи были созданы не в один день.

На это потребовалось время - должна была сказаться наблюдательность народа, его умение терпеливо пробовать различные варианты.

Но с исторической точки зрения изобретение щей произошло быстро: уже в X в. они стали преобладающей едой древнерусского люда.

Важнейшей предпосылкой появления щей была, разумеется, и оседлость древних славян.

Щи - типичное блюдо оседлого народа.

Они требуют не только постоянного возделывания огорода, но и неотлучного наблюдения за ним от ранней весны до глубокой осени и даже до зимы, ибо иной раз капусту убирают, когда она уже под снегом.

Для щей, следовательно, нужна была прочная, непоколебимая оседлость, предполагавшая и содержание домашнего скота, и надежное, стабильное отопление жилья в долгие зимние месяцы.

Таким образом, мясо, сметана, русская печь, а также лесное окружение, являвшееся источником получения грибов, - все это в совокупности естественно наталкивало на создание щей, создавало необходимые предпосылки именно для их изобретения.

В щах были использованы шесть компонентов: капуста, мясо, грибы, ароматическая заправка, включающая лук и чеснок, мучная подболтка, делающая блюдо сытнее, и, наконец, забелка (сметана или, в крайнем случае, кислое молоко), повышающая питательность и вкусовую ценность блюда.

Несколько позднее в состав ароматической заправки были внесены черный перец и лавровый лист, которые были завезены с Востока, а может быть, непосредственно из той же Византии в XV в.

Во всяком случае, три из шести компонентов щей были «иностранными» - капуста, сметана, пряности (лук, чеснок, перец, лавровый лист), и три - отечественными - мясо, грибы, мука (первоначально в щи шли ржаные отруби, а сама мука - на хлеб!).

В создании щей сказалась, таким образом, очень важная черта древнерусского народа - его непредубежденность, его терпимость, что в то время было весьма редким явлением, ибо не только отдельные народы, но и отдельные племена одного народа относились друг к другу и к чужим обычаям крайне нетерпимо.

Более того, рядом со славянами-россами в лесах почти бок о бок жили и финские (чудские) племена, а в отдельных городах, например, в Новгороде, финно-угоры населяли отдельные улицы, но своих обычаев и особенно своих кулинарных обычаев они не меняли, свято сохраняя обособленность от древних славян и варягов.

Так, например, финны не употребляли в пищу грибов, они даже демонстративно сбивали в лесу ногами самые лучшие, самые ценные грибы - белые, в то время как славяне в безлесном Киеве разводили в пещерах, в катакомбах монастырей шампиньоны в X в., которые с тех пор стали называться печерицами - по наименованию Печерской лавры.

В силу этой прирожденной терпимости, столь необходимой именно великому народу, русские освоили византийскую капусту как «свой» овощ, приняли как должное принесенное болгарскими и греческими монахами обыкновение сдабривать пищу йогуртом, который заменило (из-за невозможности в те времена сохранить чистые культуры болгарской палочки) русское самоквашеное молоко и его лучшая верхняя часть - сметана.

Без всяких предубеждений отнеслись русские и к восточным пряностям, которые пришлись им по вкусу (как и позднее к чаю, превратившемуся так же быстро после первого появления в Москве в русский напиток уже в XVII в., то есть почти на 150 лет раньше, чем в Англии).

Словом, щи воплотили в себе лучшие стороны русского характера - открытость, способность воспринимать все лучшее, непредубежденность, умение гибко сочетать национальное, коренное с новым, неизвестным, заимствованным. И еще одна черта русской национальности сказалась в щах - это умение не застывать на одном месте, не держаться слепо однажды принятого, а совершенствовать, исправлять, дополнять, если к этому приводит опыт и имеются возможности.

Так, в щах со временем была отброшена традиционная мучная подболтка.

Разработано множество вариантов щей (не менее нескольких десятков).

В них, несмотря на небольшие изменения в деталях (например, в использовании разных видов мяса - говядины, свинины, баранины, их сочетаний, копченого мяса, солонины или в использовании разных видов грибов - свежих, сушеных, соленых и разных видов капусты - свежей, квашеной, серой), сохраняется неизменным, непоколебимым, как каркас, остов - основание и состав этого блюда из шести главных компонентов.

Точно так же варьировались и способы нагрева щей: на плите, в духовке, в металлической и глиняной посуде, при повышении или, напротив, при падающей температуре, - но всегда имевшие в виду улучшение вкусовых свойств или создание вкусовых тонкостей (нюансов), обогащающих наше представление об этом блюде и еще более утверждающих ту истину, что оно обладает поразительной «живучестью», поразительной неприедаемостью - именно в силу своей способности гибко и тонко изменять вкус в зависимости от изменений условий приготовления.

Даже жидкость щей может изменяться: в нее может быть внесен квас, рассол, но так, чтобы он лишь оттенял, а не подавлял воду.

Единственное условие тепловой обработки щей заключается в том, что, какой бы она технически ни была, ее целью должно быть доведение щей как сочетания шести компонентов до такой степени, чтобы все они слились в одно целое, то есть прошли бы пик ферментации, достигли наивысшего развития вкуса. Отсюда ясно, что с приготовлением щей нельзя спешить - их надо готовить тщательно и обстоятельно.

Что же касается точных пропорций всех шести компонентов, то они должны быть предоставлены исключительно индивидуальному вкусу и индивидуальной интуиции, а также опыту.

Во всяком случае, правила получения хороших щей просты: два - два с половиной часа должна вариться мясная часть (не менее!).

Капуста, особенно кислая, должна хорошо упреть, сделаться мягкой, причем ее надо варить отдельно от мяса и соединить с бульоном лишь в последней стадии приготовления.

Тогда закладываются и пряности, кроме лука, который обильно варится и с мясом, и с капустой.

Перед подачей щи обязательно должны потомиться под крышкой, но уже будучи сняты с огня, чтобы все «части» щей притерлись (грибы варят вместе с капустой).

Наконец, уже на столе щи следует заправить сметаной или даже смесью сметаны и ложечки сливок (что, конечно, уже является роскошью).

Такие щи носят название «богатых».

К щам идет в основном черный ржаной хлеб (и это также крайне важно).

В то же время к ним хороши и пироги из пшеничного масляного теста - либо с гречневой кашей, либо с капустой (как ни странно, капуста в пироге вовсе не перебивает капусты в щах, они воспринимаются как дополняющие друг друга).

И уже в одном этом заключена загадочность и очарование щей как блюда.

Это не суп с капустой, какие бывают и в Западной Европе, это особое блюдо - именно щи!

«Личность» с собственным именем!

Кроме щей, где растительную основу составляет капуста, в число русских щей входят так называемые сезонные и региональные щи изщавеля (см.), крапивы и репы: зеленые, крапивные и репяные.

2) ЩИ С незапамятных времен на Руси щи были самым распространенным горячим блюдом.

Приготовлялись они и с мясом, и с осетриной, и со снетками, и с яйцом, ветчиной и др.

Такое разнообразие добавок, отличные вкусовые качества, высокая питательная ценность снискали им широкую популярность.

Настоящие щи включают в себя следующие основные компоненты: капусту, морковь, лук, мясо, грибы, сметану.

В качестве специй добавляются петрушка, черный перец горошком, лавровый лист, дольки чеснока.

Составной частью овощного гарнира, преобладающей по количеству, в щах является капуста белокочанная (свежая или квашеная), савойская, а также капустная рассада (молодая).

Питательная ценность щей состоит прежде всего в том, что отвар капусты возбуждает аппетит.

Эту же роль выполняет и молочная кислота квашеной капусты.

Кроме того, для приготовления щей используют крапиву, щавель и шпинат.

Щи приготовляют на мясном, рыбном и грибном бульонах и на воде.

На рыбном бульоне чаще всего готовят щи из квашеной капусты.

Усиливают аппетит мясные и рыбные отвары, содержащие экстрактивные азотистые и безазотистые вещества, ароматические коренья, лук, пряности, входящие в рецептуру блюд.

Мясные щи подают с кусочком мяса, рыбные - с кусочком рыбы, а грибные - с грибами; в щи из крапивы или щавеля добавляют яйца, сваренные вкрутую.

Перед подачей в тарелку со щами кладут сметану или сметану подают в соуснике; посыпают и мелко нарезанной зеленью.

Очень ценен минеральный состав этого блюда.

В нем содержится большое количество солей кальция, калия, натрия и других щелочных элементов.

Зимой и летом щи являются важным источником витамина С, фо-лиевой кислоты, каротина.

В наши дни ассортимент щей значительно расширился за счет введения в блюдо новых, ранее неизвестных продуктов и сырья.

К щам из свежей капусты можно подать ватрушки с творогом или пирожки; к щам из квашеной капусты - крупеник, кашу гречневую рассыпчатую или кулебяку с гречневой кашей.

При варке щей квашеную капусту кладут в холодный бульон (или воду), а тушеную – в кипящий.
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.
Щи из свежей капусты без картофеля рекомендуют заправлять поджаренной мукой.
Щи сами по себе обладают нежным вкусом и тонким ароматом, поэтому не стоит добавлять в них томат, желательно ограничить также количество специй.