DA
Нужны тесты мне кажется…
Size: a a a
2021 November 26
А
я думаю да, гпу быстрее обучает
АК
Смотря какая видюха )) Опять же, если это tf, то видюха должна быть совместима с CUDA.
В
Похоже моя карта не поддерживается всё таки... Зато оказывается можно активировать оптимизацию для цпу от интела
В
я думаю да, гпу быстрее обучает
В
Переслано от Алексей Крапивницкий...
Смотря какая видюха )) Опять же, если это tf, то видюха должна быть совместима с CUDA.
IK
Apple M1 тоже совместим с TF
DZ
ну там то не видюха, там специальный нейроюниты обсчитывают как я помню.
IK
Нейро ядра там вроде недоступны со стороны на данный момент.
IK
Только цпу и гпу
DZ
может быть, тогда странно - нафиг Эпол делает специальную версию ТФ
G
Они любят огораживаться если могут
IK
Там что то вроде автоматического распределения задач у них в процессоре, и оно может перекинуть код на нейроядро, но только если само так решит
IA
Hello guys I have question about the distribution database design?
IA
What is tha main difference between these ?
Operator tree without optimization ?
And
Optimized operator tree ?
Operator tree without optimization ?
And
Optimized operator tree ?
IA
?
Н
Господа, добрый вечер
Скажите, пожалуйста, стоит ли смотреть на R2 при использовании Random Forest Regressor? Или это бесполезно?
Скажите, пожалуйста, стоит ли смотреть на R2 при использовании Random Forest Regressor? Или это бесполезно?
G
Это надо заранее знать что читать в 1кк страничной документации да?)
М
Всем привет. Помогите пожалуйста разобраться с метрикой mAP.
Ниже опишу по шагам, как я понимаю процесс вычисления этой метрики, а вы поправьте, где я что не так написал, если не сложно.
Допустим, у нас есть размеченный баундинг боксами датасет с двумя классами: кошки и собаки.
IoU > 0.5 - true positive, IoU <= 0.5 - false positive
Тогда:
0) Вычисляем IoU предсказанного BB по отношению к размеченному для каждого кота и пса на каждом изображении.
1) Ранжируем предсказанные BB по убыванию IoU. Оба класса ранжируются отдельно;
2) Для каждой записи из полученных в результате ранжирования списков(2 списка, по количеству классов) итеративно считаем precision и recall, округляя их до десятых долей;
3) После этого мы откладываем по x и y значения precision и recall соответственно(для каждого из списков проделываем это отдельно);
Дальше у меня не очень укладывается в голове: вроде как мы должны найти интегральную площадь под получившимся графиком, если смотреть на это геометрически, но если смотреть алгебраически - мы просто берём все значения precision выше определённого порога, находим их сумму, после чего делим эту сумму на количество элементов этой суммы. Делаем так для всех классов, потом берём сумму получившихся значений и делим её на количество классов
Ниже опишу по шагам, как я понимаю процесс вычисления этой метрики, а вы поправьте, где я что не так написал, если не сложно.
Допустим, у нас есть размеченный баундинг боксами датасет с двумя классами: кошки и собаки.
IoU > 0.5 - true positive, IoU <= 0.5 - false positive
Тогда:
0) Вычисляем IoU предсказанного BB по отношению к размеченному для каждого кота и пса на каждом изображении.
1) Ранжируем предсказанные BB по убыванию IoU. Оба класса ранжируются отдельно;
2) Для каждой записи из полученных в результате ранжирования списков(2 списка, по количеству классов) итеративно считаем precision и recall, округляя их до десятых долей;
3) После этого мы откладываем по x и y значения precision и recall соответственно(для каждого из списков проделываем это отдельно);
Дальше у меня не очень укладывается в голове: вроде как мы должны найти интегральную площадь под получившимся графиком, если смотреть на это геометрически, но если смотреть алгебраически - мы просто берём все значения precision выше определённого порога, находим их сумму, после чего делим эту сумму на количество элементов этой суммы. Делаем так для всех классов, потом берём сумму получившихся значений и делим её на количество классов