Здравствуйте, Kocur, Вы писали:
K>Господа, что вы скажете за сабж? Можете на простом PC создать с помощью него что-то существенное?
Да, норм штука, можно делать крутые штуки.
Видюха маст. Желательно 4, иначе придется сутками ждать пока там не обучится моделька.
Я заказал titan v , хочу опробовать тензорные ядра в действии. По теории должно обучение в разы ускориться.
Основная проблема с нейросетками, для них нужно много данных. Открытых баз вроде imagenet почти нет.
Здравствуйте, ӍїϛϮϠǷiя-ȺҜ, Вы писали:
ӍȺ>Здравствуйте, Kocur, Вы писали:
K>>Господа, что вы скажете за сабж? Можете на простом PC создать с помощью него что-то существенное?
ӍȺ>а почему именно на нем?
Здравствуйте, sharpcoder, Вы писали:
S>Видюха маст. Желательно 4, иначе придется сутками ждать пока там не обучится моделька. S>Я заказал titan v , хочу опробовать тензорные ядра в действии. По теории должно обучение в разы ускориться.
Интересная штука!
А может кто нибудь просвятить какая задача решается тут с помощью ML?
Я так понимаю — модель обучается на фотографиях дорожного полотна, знаках, светофоре, и т.д.
Затем во время движения модельке скармливается текущий кадр и она определяет что находится в кадре (знак светофор т.д.)
Но разве нельзя решить эту задачу без ML?
Какие преимущества в данном контексте дает машинное обучение?
Здравствуйте, Quadri, Вы писали:
Q>Здравствуйте, Михaил, Вы писали:
М>>Вот делают самоуправляемые машинки: https://youtu.be/QbbOxrR0zdA
Q>Интересная штука! Q>А может кто нибудь просвятить какая задача решается тут с помощью ML? Q>Я так понимаю — модель обучается на фотографиях дорожного полотна, знаках, светофоре, и т.д. Q>Затем во время движения модельке скармливается текущий кадр и она определяет что находится в кадре (знак светофор т.д.) Q>Но разве нельзя решить эту задачу без ML? Q>Какие преимущества в данном контексте дает машинное обучение?
Распознавание дорожных знаков и разметки (распознавание образов) — классическая задача для нейронной сети, ее и применили:
Для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями и т. д. Для букв нужно перебирать шрифт, свойства шрифта и т. д.
Второй подход — найти контур объекта и исследовать его свойства (связность, наличие углов и т. д.)
Ещё один подход — использовать искусственные нейронные сети. Этот метод требует либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи.
Здравствуйте, Quadri, Вы писали:
Q>Здравствуйте, Михaил, Вы писали:
М>>Вот делают самоуправляемые машинки: https://youtu.be/QbbOxrR0zdA
Q>Интересная штука! Q>А может кто нибудь просвятить какая задача решается тут с помощью ML? Q>Я так понимаю — модель обучается на фотографиях дорожного полотна, знаках, светофоре, и т.д. Q>Затем во время движения модельке скармливается текущий кадр и она определяет что находится в кадре (знак светофор т.д.) Q>Но разве нельзя решить эту задачу без ML? Q>Какие преимущества в данном контексте дает машинное обучение?
Здравствуйте, Шубин Евгений, Вы писали:
S>>Видюха маст. Желательно 4, иначе придется сутками ждать пока там не обучится моделька. S>>Я заказал titan v , хочу опробовать тензорные ядра в действии. По теории должно обучение в разы ускориться.
ШЕ>Она же не поддерживает SLI.
SLI — это для игр
NVIDIA SLI (англ. scalable link interface, рус. масштабируемый интерфейс связи) — технология, позволяющая использовать мощности нескольких видеокарт для обработки трёхмерного изображения.