Wszystko

Najnowsze

Archiwum

majsterV2
  • 0
@passage: Widzę że różnica nie jest zbyt kolosalna, to pewnie dlatego że TPU zostało stworzone do większej ilości połączeń między neuronami a nie szybszej pracy z ich większą ilością (120Tflops w FPU 11Tflops w GPU nie jest równe, dlatego lepiej stosować TOS).
  • Odpowiedz
zdalnie_io
  • 8
Kliknij tutaj lub obserwuj #zdalnieio, aby otrzymywać cotygodniową porcję ofert pracy zdalnej :)

Frontend/Javascript
Frontend Developer - React JS (Lorentus) 8 000 - 16 000 PLN - oferta
Front-end developer (Marbit) 6 000 - 12 000 PLN - oferta
Senior Front-end developer (Devire) 10 000 - 20 000 PLN -
  • 1
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
majsterV2
  • 2
@AdireQ: Masz jakiś ciekawy pomysł? ( ͡º ͜ʖ͡º)
Jak zacznie w miarę logicznie gadać to może uda się zrobić konfrontację, zaś przy tym sporo wiedzy można byłoby zdobyć.
  • Odpowiedz
pepepanpatryk
  • 1
Hej mam takie pytanko. Używając algorytmu kmeans dla macierzy 25080 x 128 obliczam odpowiednie labele. Następnie chciałbym wykorzystać to co zostało obliczone aby obliczyć kolejne labele ale dla wejścia o rozmiarze np 350 x 128 tak aby były wykorzystane cenrtoidy obliczone w poprzednim kroku. Da się coś takiego w ogóle zrobić?

To wszystko wykorzystując bibliotekę opencv, a nie sklearn bo tam jest to już zaimplementowane - kmeans.fit, kmeans. predict.
#opencv
  • 1
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
pepepanpatryk
  • 0
@pepepanpatryk: Ok połowiczne rozwiązanie to wykorzystanie KNearest.

W pierwszej fazie obliczam labele dla zbioru danych uczących(kmeans), następnie trenuje(KNearest) model na podstawie labeli dostarczonych przez kmeans. Połowiczne dlatego, że w mojej opinii zajmuje to za dużo czasu, niemniej jednak i tak w porównaniu do wersji pythonowej, jest szybciej, ale o zaledwie 20 sekund. Co prawda, przy dużym zbiorze danych może być to znaczące.
  • Odpowiedz
croppz
  • 2
Jak działa StandardScaler.transform w sklearn i na czym polega jego działanie?

@pepepanpatryk:

Standardize features by removing the mean and scaling to unit variance

Jakie są jeszcze popularne metody normalizacji
  • Odpowiedz
pepepanpatryk
  • 0
@Blooser: Ok teraz koncepcja się zgadza i już wiem dlaczego jest tak a nie inaczej. Niemniej jednak nadal pracuje nad problemem adaptacji takiego zachowania w opencv, gdzie niestety nie ma obiektu kmeans takiego jak w sklearn tylko zwykła funkcja, której parametry trzeba odpowiednio dostosować.
  • Odpowiedz
zdalnie_io
  • 5
Kliknij tutaj lub obserwuj #zdalnieio, aby otrzymywać cotygodniową porcję ofert pracy zdalnej :)

Frontend/Javascript
Senior Node.js Developer (Startup Development House) 10 000 - 20 000 PLN - oferta
Front-end Developer (HRBeast) 10 000 - 14 000 PLN - oferta
JavaScript Developer (Espeo) 12 100 - 15 200 PLN -
  • 3
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
zdalnie_io
  • 1
@majk3l: Zdecydowana większość ogłoszeń posiada widełki :) Jednak nadal trafiają się ciekawe ogłoszenia, które moim zdaniem warto umieścić a które nie posiadają podanych stawek
  • Odpowiedz
majsterV2
  • 12
Tak wyglądał raytracing 7 lat temu na GPU w czasie rzeczywistym, jak się miało około 1Tflopsa:
https://www.youtube.com/watch?v=vkUwT9U1GzA
Lecz dzięki rdzeniom TPU, jak i ewolucji rdzeni CUDA oraz zaawansowanemu API udało się osiagnąć to w 32bitach kolorów, sporej ilości detali i filmowej rodzielczości FullHD ( ͡° ͜ʖ ͡°)
https://www.youtube.com/watch?v=uzaGI78NtkE

Mam nadzieję że za niedługo powstanie otwarte API do tego celu, które umożliwi to na każdej karcie graficznej, zaś tą moc będzie można czerpać z TPU na
majsterV2 - Tak wyglądał raytracing 7 lat temu na GPU w czasie rzeczywistym, jak się ...

źródło: comment_vhpSYoASDHa2mxBglnbVTVvXP6Glvei6.jpg

Pobierz
  • 7
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
majsterV2
  • 0
Oto najszybszy chłodzony pasywnie komputer do systemów #embedded, odporny na warunki atmosferyczne.
Uciągnie on dosłownie każdą najnowszą grę na całkiem wysokich detalach, obsługuje monitory 4k, #vr oraz nadaje się idealnie do #sztucznainteligencja ( ͡° ͜ʖ ͡° )つ──☆*:・ﾟ

majsterV2 - Oto najszybszy chłodzony pasywnie komputer do systemów #embedded, odporny...
  • 8
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
Avitus
  • 3
Hej #machinelearning i #datascience. Ostatnio trafiłem na moduł Pythonowy auto_ml. Pomyślałem sobie, że może to być fajna alternatywa dla tpot. Napisałem więc artykuł, w którym chciałem je dokładnie porównać. Ale z powodu bugów i słabej dokumentacji skończyło się tylko na ogólnym jego omówieniu. Myślę, że i tak może was zaciekawić:

https://www.jakbadacdane.pl/auto_ml-czyli-kolejny-modul-do-automatyzacji-uczenia-maszynowego/

Miłego czytania!
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach
zdalnie_io
  • 6
Kliknij tutaj lub obserwuj #zdalnieio, aby otrzymywać cotygodniową porcję ofert pracy zdalnej :)

Frontend/Javascript
Front-End Developer (Billenium) - oferta
Frontend Developer - React JS (Lorentus) 8 000 - 16 000 PLN - oferta
JavaScript Developer (LCloud) -
  • Odpowiedz

  • Otrzymuj powiadomienia
    o nowych komentarzach

Powiązane tagi