нет, одна эпоха учится 15 минут. Я не знаю сколько их нужно для построения графика. Вот я для себя увидел что на 6-7 эпохе разницы с 3 особо нет. Поэтому останавливал. Может стоит поставить 100 эпох, а может 50. Но это много времени. Вот проблема что это можно найти только экспериментально

сейчас заблюрил края еще сильнее и одна эпоха теперь 30 минут 🤔

Я бы отказался от блюра. От него нет смысловой нагрузки, а на сверточной сети он накидывает лишних операций

Кстати, при том же размере квадрата копье будет большей площади, так что возможно сетка начнёт лучше "видеть" его

Всем привет! Нужно ли изучать pl/sql бигдатеру?

Самый простой способ найти ответ на этот вопрос - посмотреть вакансии;)

Да.

Добрый вечер, знает кто как быстро разбить большой csv файл(8гб)? А то pandas всю ОЗУ сьедает(32 гб) и выдает ошибку, разбить хотя бы на файлы по 1 гб

Просто читай по строке

head > filename

ну с параметрами. вообщем консольными утилитами

Можно читать чанками

chunksize = 10 ** 6
for chunk in pd.read_csv(filename, chunksize=chunksize):
    process(chunk)

Добрый вечер! Подскажите, пожалуйста, какие сейчас алгоритмы классификации текста по темам наиболее актуальны? Интересуют именно алгоритмы, а не готовые решения, почитать статьи по этой теме

Шарящие за onnx, объясните, как работает io binding? В доке написано, что это просто фича, которая позволяет не тратить время на переброс тензоров с cpu на gpu, например, но каким именно образом - непонятно.

У меня была задача классифицировать тематику сайта по его html - naive bayes показал норм результат

Ребята, нужен совет по GAN сетям для текста. Хотел сделать  GAN из предобученной сети T5, вынимая из неё выходные hidden state-ы декодера вместо логитов и скармливать эту последовательность в параметр input_embeds дискриминатора, который состоит из одного энкодера T5. Таким образом получится непрерывный градиент из дискриминатора в генератор и сеть может быть оптимизирована. Рассчёт был на то что выходные хиден стейты находятся в пространстве эмбеддингов, и могут заменять собой эмбеддинги полученные из соответствующей матрицы. Но что-то у меня возникли сомнения в этом предположении. Можете ли вы сказать заработает ли это, или что-то нужно сделать по-другому?

Лайфхак:
На Colab Pro можно подписаться находясь в любой стране, гугл спрашивает только почтовый индекс

Рандомный индекс можно выбрать на https://tools.usps.com/zip-code-lookup.htm?bycitystate
Я выбрал Остин, Техас - 73301