t
Сейчас пишу диплом и работаю в колабе. Но он часто выкидывает меня. Хоть и купил про версию
сохраняйте чекпоинты в гуглодрайв
Size: a a a
2021 March 16
ТА
Прошу прощения а не подскажите как это
ТА
Спасибо вам за помощь
ТА
За 1 почти лям косарей. Да почти не дорого. Теперь я согласен 3090 копейки стоит))))
D
а ещо их можно поставить ДВЕ
ТА
Продать квартиру чтобы купить 2 карты. Круть)))
SG
Сейчас пишу диплом и работаю в колабе. Но он часто выкидывает меня. Хоть и купил про версию
На колабе стал часто выключать сессию когда все подсчитано. Еще важно в начале сессии сделать какую-то нагрузку на GPU вычислительную. Перестало выкидывать. Для задач не требующих GPU выключаю режим GPU или локально делаю (1660ti 6gb в ноуте).
В самом колабе дает tesla p100-pcie-16gb
https://timdettmers.com/2020/09/07/which-gpu-for-deep-learning/#GPU_Deep_Learning_Performance
В самом колабе дает tesla p100-pcie-16gb
https://timdettmers.com/2020/09/07/which-gpu-for-deep-learning/#GPU_Deep_Learning_Performance
AI
Ребят кто-нибудь видел датасеты для проверки написания названий Российских городов? или подскажите в какую сторону копать в такой задаче
SL
а ещо их можно поставить ДВЕ
И одну в машину вместо магнитолы)
EZ
Можно вопрос. Я тока вливаюсь в ваши ряды. Я сейчас работаю в колабе. А в свою машину что посоветуете купить. Какую ведуху? На данный момент занимаюсь зрением
Лучше подождать
EZ
Щас бы 40гб версию брать
ТА
На колабе стал часто выключать сессию когда все подсчитано. Еще важно в начале сессии сделать какую-то нагрузку на GPU вычислительную. Перестало выкидывать. Для задач не требующих GPU выключаю режим GPU или локально делаю (1660ti 6gb в ноуте).
В самом колабе дает tesla p100-pcie-16gb
https://timdettmers.com/2020/09/07/which-gpu-for-deep-learning/#GPU_Deep_Learning_Performance
В самом колабе дает tesla p100-pcie-16gb
https://timdettmers.com/2020/09/07/which-gpu-for-deep-learning/#GPU_Deep_Learning_Performance
спасибо попробую
AN
Ребят, уже несколько дней голову ломаю, может кто встречался и подскажет..
Данные: есть датасет собранный мной сами где ВРЕМЕННЫЕ РЯДЫ из онлайн игры. То есть, игровое время и куча предикторов. Данные обновляются каждую минуту, поэтому на матч там 15-60 строк.
Цель: предсказать победит команда или проиграет по первым, к примеру, 10 минутам.
Проблема: Не могу правильно понять, как мне их анализировать. Ведь это не стандартный временной ряд, где у меня 1-НО СОБЫТИЕ и его 1000 записей. А много событий (каждый отдельный матч).
К чему я сам пришёл на данный момент: Мне нужна LSTM модель, так как важно, чтобы предсказание учитывало во внимание именно изменение значений с ходом времени. Но как её обучать?
- Может батчами как-то можно загружать по этих 10 минут за одну эпоху и тем самым учить...
- Может вообще распрямить эти 10 минут в один сплошной вектор и подать целиком (но тогда теряется фактор изменения со временем)..
В общем, я в замешательстве и буду благодарен за подсказку ❤️
Данные: есть датасет собранный мной сами где ВРЕМЕННЫЕ РЯДЫ из онлайн игры. То есть, игровое время и куча предикторов. Данные обновляются каждую минуту, поэтому на матч там 15-60 строк.
Цель: предсказать победит команда или проиграет по первым, к примеру, 10 минутам.
Проблема: Не могу правильно понять, как мне их анализировать. Ведь это не стандартный временной ряд, где у меня 1-НО СОБЫТИЕ и его 1000 записей. А много событий (каждый отдельный матч).
К чему я сам пришёл на данный момент: Мне нужна LSTM модель, так как важно, чтобы предсказание учитывало во внимание именно изменение значений с ходом времени. Но как её обучать?
- Может батчами как-то можно загружать по этих 10 минут за одну эпоху и тем самым учить...
- Может вообще распрямить эти 10 минут в один сплошной вектор и подать целиком (но тогда теряется фактор изменения со временем)..
В общем, я в замешательстве и буду благодарен за подсказку ❤️
Сам не сталкивался с подобным, но мне вот что пришло в голову:
Вот у нас есть игра номер 1. Она длилась 30 минут и закончилась победой команды. То есть таргетом будет 1. Из этих 30 минут нам нужно только 10, поэтому мы берем первые 10 записей и строим по всем важным параметрам лаг - минуту, две, три... n назад. Дальше надо как-то посчитать скорость изменения этих показателей и превратить это все в вектор. Для простоты пускай это будет средний diff между лагами. То есть,
И тогда мы подаем этот вектор на вход в модель (хоть логистическую регрессию для начала), а на выходе получаем 1 или 0 - выиграла или проиграла команда.
Вот у нас есть игра номер 1. Она длилась 30 минут и закончилась победой команды. То есть таргетом будет 1. Из этих 30 минут нам нужно только 10, поэтому мы берем первые 10 записей и строим по всем важным параметрам лаг - минуту, две, три... n назад. Дальше надо как-то посчитать скорость изменения этих показателей и превратить это все в вектор. Для простоты пускай это будет средний diff между лагами. То есть,
сумма разностей между лагами признака/10И тогда мы подаем этот вектор на вход в модель (хоть логистическую регрессию для начала), а на выходе получаем 1 или 0 - выиграла или проиграла команда.
TN
А еще можно сделать претрейн модели с помощью предсказания следующего временного шага
∫
Сам не сталкивался с подобным, но мне вот что пришло в голову:
Вот у нас есть игра номер 1. Она длилась 30 минут и закончилась победой команды. То есть таргетом будет 1. Из этих 30 минут нам нужно только 10, поэтому мы берем первые 10 записей и строим по всем важным параметрам лаг - минуту, две, три... n назад. Дальше надо как-то посчитать скорость изменения этих показателей и превратить это все в вектор. Для простоты пускай это будет средний diff между лагами. То есть,
И тогда мы подаем этот вектор на вход в модель (хоть логистическую регрессию для начала), а на выходе получаем 1 или 0 - выиграла или проиграла команда.
Вот у нас есть игра номер 1. Она длилась 30 минут и закончилась победой команды. То есть таргетом будет 1. Из этих 30 минут нам нужно только 10, поэтому мы берем первые 10 записей и строим по всем важным параметрам лаг - минуту, две, три... n назад. Дальше надо как-то посчитать скорость изменения этих показателей и превратить это все в вектор. Для простоты пускай это будет средний diff между лагами. То есть,
сумма разностей между лагами признака/10И тогда мы подаем этот вектор на вход в модель (хоть логистическую регрессию для начала), а на выходе получаем 1 или 0 - выиграла или проиграла команда.
Интересная мысль!
На данный момент, немного больше разобрался с ЛСТМ и, насколько я понимаю, она должна работать так как и задумано - принимать данные пачкой для каждого матча и замечать различия - выдавать решение. Но, если не получится, попробую твой метод, спасибо, что ответил 🤗
На данный момент, немного больше разобрался с ЛСТМ и, насколько я понимаю, она должна работать так как и задумано - принимать данные пачкой для каждого матча и замечать различия - выдавать решение. Но, если не получится, попробую твой метод, спасибо, что ответил 🤗
AN
Интересная мысль!
На данный момент, немного больше разобрался с ЛСТМ и, насколько я понимаю, она должна работать так как и задумано - принимать данные пачкой для каждого матча и замечать различия - выдавать решение. Но, если не получится, попробую твой метод, спасибо, что ответил 🤗
На данный момент, немного больше разобрался с ЛСТМ и, насколько я понимаю, она должна работать так как и задумано - принимать данные пачкой для каждого матча и замечать различия - выдавать решение. Но, если не получится, попробую твой метод, спасибо, что ответил 🤗
А как этот ЛСТМ реализуется? Что подается на вход, и какой ответ на выходе? Мне интересно, потому что иногда приходится по работе с временными рядами иметь дело)
∫
А как этот ЛСТМ реализуется? Что подается на вход, и какой ответ на выходе? Мне интересно, потому что иногда приходится по работе с временными рядами иметь дело)
Смотри, точно ответить сейчас наверное не смогу, так как сам ещё не пробовал и моё представление пока поверхностное, но я получил некоторое понимание из 2-х источников:
Сначала я прочёл эту статью -https://publications.lib.chalmers.se/records/fulltext/250411/250411.pdf
А затем получил подтверждение слов в статье этим сообщением:
У тебя на каждый матч есть кадры данных, т.е. на каждую минуту есть куча данных, на следующую минуту данные будут другие, это всё касаемо одного матча. Берёшь и пихаешь в лстм эти данные, грубо говоря это как кинолента с кадрами, и по изменениям в этих кадрах тебе надо так обучить сетку чтобы она выдавала 0 или 1, проиграл или выиграл. Сеть должна обучаться на куче таких кинолент, что собственно у тебя и есть.
Сначала я прочёл эту статью -https://publications.lib.chalmers.se/records/fulltext/250411/250411.pdf
А затем получил подтверждение слов в статье этим сообщением:
У тебя на каждый матч есть кадры данных, т.е. на каждую минуту есть куча данных, на следующую минуту данные будут другие, это всё касаемо одного матча. Берёшь и пихаешь в лстм эти данные, грубо говоря это как кинолента с кадрами, и по изменениям в этих кадрах тебе надо так обучить сетку чтобы она выдавала 0 или 1, проиграл или выиграл. Сеть должна обучаться на куче таких кинолент, что собственно у тебя и есть.