ACLeague
ACLeague
  • 25
Przypominam o prekwali do R1 ACLeague MOTORSPORT CAPSULE GT3 CUP. Obecnie mamy aż 130 wykręconych poprawnych czasów.

Wszystko wskazuje na to, że do pierwszego punktowanego wyścigu sezonu uruchomimy po raz pierwszy w historii #acleague 4 równoległe serwery, dzięki czemu pierwsze 136 osób będą miały zagwarantowane miejsce (⌐ ͡■ ͜ʖ ͡■)
Podział na serwery będzie następujący:
PRO - 34 + komentator
ACLeague - Przypominam o prekwali do R1 ACLeague MOTORSPORT CAPSULE GT3 CUP. Obecnie ...

źródło: comment_2jTk4pjYOyAdcp61KzTzpnzNIIm608C2.jpg

Pobierz
Sefni
Sefni
  • 14
#podsumowanie

A więc kolejny wyścig za nami :D

Dzisiaj WEK Old, strasznie dużo emocji. Mogłem przetestować mój nowy mikrofon i jestem bardzo zadowolony z audio.
Jak zawsze widze progres w streamach lecz wciąż może być lepiej.
Sefni - #podsumowanie A więc kolejny wyścig za nami :D Dzisiaj WEK Old, strasz...
Poziokat
Poziokat
  • 0
@ETS2Fun: Forze horizon to bym jeszcze zrozumiał, ale motorsport?
Ta chyba ma być bardziej symulacyjna, jak jest pod pada to raczej kiepska z niej symulacja.
A wiedźmin 3 to akurat dobra gra ;)
  • Odpowiedz
t.....i
t.....i
  • 1
Od czego zacząć naukę #machinelearning?

Nie pytam o videotutorial ani kurs machine learning w weekend, tylko o sensowne materiały. Jestem kompletnym noobem w tej dziedzinie, ale nie kompletnym noobem jeśli chodzi o programowanie i statystykę (znam całkiem przyzwoicie PHP i JS więc i Pytonga ogarnę bez problemu, a statystykę miałem na studiach), tylko nie wiem od czego zacząć.

Dzieki.

#programowanie
Poziokat
Poziokat
  • 1
@tylkostrimi: Na packtpub była kiedyś jakaś darmowa książka python machine learning bodajże, ktoś to wrzucał nawet. Jak chcesz zacząć od literatury to tamta była spoko.

Co do wideotutoriali zależy jakie, ale nie są złe, czasem lepsze nawet niż zwykłe bo po prostu przyspieszam je sobie 1,5-2 razy i nie marnuje tyle czasu. Wręcz przeciwnie, jest szybciej :D
Tylko kwestia tego czy zrozumiesz co mówią i jaki jest tego sens w
  • Odpowiedz
Poziokat
Poziokat
  • 0
@lubie-kasztany: Ten notebook akurat nie jest zbyt zaawansowany jak już się trochę ogarnia, fakt że ładnie wszystko przedstawia równaniami w sposób matematyczny, ale było nie było na matematyce to wszystko się opiera.
Jak chcesz coś lżejszego to całkiem ciekawe, darmowe, ale trywialne kursy z AI i ML znajdziesz na udacity.
Trochę o sieciach, o różnych algorytmach ML, AI, jeśli to Cie kręci to powinieneś się zainteresować.
Poprowadzone w taki trochę
  • Odpowiedz
acidd
acidd
  • 1413
Do oddania mam gry:
H1Z1
H1Z1 Trickster Crate
BlazBlue: Chronophantasma Extend
Passpartout: The Starving Artist
Rivals of Aether
Poziokat
Poziokat
  • 1
@acidd: Jasne, sam właśnie zauważyłem że na steamie zachomikowałem już sporo tytułów z HB w których nigdy nie odpaliłem i pewnie w większości nie będe miał okazji zagrać. Co do gier z tego bundla to kupiłem na bazarku sexy brutale i jest całkiem ciekawe :)
  • Odpowiedz
mojemirabelki
mojemirabelki
  • 2
Zaprojektowałem sieć neuonową do rozpozpoznawania owoców na podstawie obrazów. Obrazy są znormalizowane do wielkości 100x100 pikseli i opisane za pomocą wektora gradientów z którego każdy ma długość 2900.

Do tego napisałem z pomocą kodu z neta sieć neuronową dwuwarstwową MLP z pomocą numpy, gdzie warstwa ukryta ma regulowaną długość, a warstwa wyjściowa to wektor klasyfikowanych owoców. Dla wektora wejściowego o długości np 4 sieć działa bez problemu, jednak kiedy daje na wejście mój wektor obrazów, sieć działa tylko do 10 neuronów w warstwie ukrytej, ze względu na duże tablice wag synaps dla większej ilości neuronów oraz ma overflow na funkcji aktywacji, czyli krótko mówiąc lipa.

Czy jest tu może ktoś kto rozwiązywał podobny problem klasyfikacji obiektów na podstawie obrazów lub jakiś osoba orientująca się w temacie? Możliwe, że sposób opisu deskryptorów mógłbym zrobić w inny sposób, jednak ten wydał mi się dobry, minusem jest jedynie długość wektora, nie modyfikowałem wielkości liczb wektora wejściowego.

Liczę
Poziokat
Poziokat
  • 0
@mojemirabelki:

warstwa wyjściowa to wektor klasyfikowanych owoców

Nie za bardzo rozumiem, wymiar Twojej warstwy wejściowej zależy od ilości przykładowych zdjęć?

Zgaduję że jako że Twoja ukryta wartstwa to zwykła warstwa fully connected i w takim wypadku używasz jakiegoś dekodera czy tam feature extractora który opisuje obraz w postaci n-elementowego wektora i wtedy wejście sieci ma
  • Odpowiedz
Poziokat
Poziokat
  • 0
@mojemirabelki: Ale rozumiem że wejście sieci w architekturze ma wymiar jednego deskryptora Xi a nie wszystkich? Czytaj architektura jest niezależna od ilości przykładów. Jeżeli jest to na tym poziomie jest kolosalny błąd i nie zadziała.

Co do samego treningu jedna epoka to jest przedział w którym przez propagację przeliczymy wszystkie przykłady.
No i przykłady takie przeliczamy często w grupach, tzw batchach.
W skocie chodzi o to że jakbyś updatował wagi dla każdego jednego przykładu to wartość funkcji strat nieźle by się wahała a optymalizacja niebyłaby tak skuteczna, ponieważ szukalibyśmy optymalnego rozwiązania dla tylko jednego przykładu w czasie. Stąd możemy wziąć batch, więcej przykładów i na podstawie tychże przeprowadzić update wag, przejść do następnego batcha i tak aż skończą nam się przykłady, czyli minie jedna
  • Odpowiedz
Poziokat
Poziokat
  • 0
@mojemirabelki: No dość oczywiste że przy fully conneced będzie ogromna, przy działaniu na obrazach używa się głównie konwolucyjnych sieci, wtedy stara się w miarę zmniejszyć ilość danych przed warstwą FC żeby nie było tam aż tyle wag. Może wybierz sobie jakieś dane o mniejszej ilości w ymiarów na początek? Będzie prościej.

@darkelf: Tak to wszystko może być bez sensu, niech się chłopak uczy jak chce, w taki sposób
  • Odpowiedz
Poziokat
Poziokat
  • 0
@darkelf: Zależy od osoby, nie każdy się zniechęci bo trudne. Jakbym miał tylko odpalić coś gotowego i zobaczyć że działa to bym się zanudził. W sumie TF wprowadził ostatnio jakieś takie sieci w black boxie czy coś podobnego, gdzie nie trzeba chyba nawet architektury podawać...
  • Odpowiedz
mojemirabelki
mojemirabelki
  • 1
Chcę zaprojektować sieć wielowarstwową (MLP) do nauki rozpoznawania obrazów. Co do projektowania sieci ograniczam się do biblioteki ML z opencv. Tworzę obiekt klasy, który chcę rozpoznać i z obrazów ciągu testowego czytam deskryptory np obraz RBG, progowanie, histogram.

Czy na wejściu (input) do sieci mam wrzucić obrazy i histogram czy te dane trzeba jakoś przetworzyć (tutaj nie wiem jak)?

#machinelearning #programowanie #deeplearning #siecineuronowe
Poziokat
Poziokat
  • 2
@mojemirabelki: W przetwarzaniu obrazów raczej nie jest wymagane przetwarzanie danych przed wysłaniem do sieci. Wysyłasz jedynie odpowiednio zeskalowany obraz, żeby jego wymiar zgadzał się z wejściem sieci.

Dodatkowy prosty preprocessing to standaryzacja, czyli odjęcie od danych wejściowych średniej wartości wyliczonej z bazy danych a następnie podzielenie ich przez odchylenie standardowe. Robi się to per kanał, czyli osobno wyliczasz i działasz na R, G,B , czy w przypadku opencv właściwie BGR.
  • Odpowiedz
GearBest_Polska
GearBest_Polska
  • 4931
Z okazji Czarnego Piątku Gearbest.com organizuje też rozdajo!

Jako, że to piąty dzień tygodnia, mamy dla was 5 nagród, z których zwycięzca może wybrać jedną, którą sklep prześle bezpośrednio na jego adres. W puli nagród znajduje się, chyba coś, co przypadnie do gustu każdemu

Może przyda wam się nowy telefon, tablet albo inteligentny odkurzacz? Jeśli nie to zawsze możecie rozpocząć swoją przygodę z drukiem 3D, albo tymi szybkimi dronami wyścigowymi ( ͡° ͜ʖ
GearBestPolska - Z okazji Czarnego Piątku Gearbest.com organizuje też rozdajo! Jak...

źródło: comment_dRd5YbrEXQSoKfiJr74KYZB5nEba8UqJ.jpg

Pobierz

Osiągnięcia