неа, не помогает)

либо надо прямо хорошего пилить на машинке внутри, годно обученного

Пример выхлопа бота-модератора. Сам он не удаляет, но хоть предупреждает. Если вдруг что - он может оказаться полезен

Alert! Urgent Immediate is a known spammer and is CAS banned. Ban is strongly recommended.

да ну, только засорять чат ещё больше

Если спаммер добавился, то или бот напишет сообщение или спаммер напишет одно или больше

Главное, чтобы писали не только спамеры и больше радовали чем-нибудь типа вопросов про Julia+CUDA :)

а есть опыть совмещения?

Нет :( Потому что и кейсов нет таких. Надо менять сферу деятельности, чтобы появились. Но сама тема крайне вдохновляющая, для анализа больших данных - вообще одна их ключевых. Всё же матричные операции на GPU ощутимо быстрее выполняются.

ну ДС вроде как почти не делается на карточках.
не видел такого, и чтобы это выйгрышно было где то тоже не очень понимаю где.

всякие xgboost это имплементации на плюсах на проце, так что там хз как это переносить на карты, а остальное и смысла особо нет кажется.


в питоне есть cupy - это numpy на GPU - основа chainer фреймворка для сеточек - тоже особо не пользуется популярностью


к чему это я, я бы тоже на такие кейсы посмотрел с радостью!

эм. xgboost, и catboost, и lightgbm прекрасно (и заметно быстрее) работают на GPU

а про chainer совсем непонятно) вы отделяете data science в общем от deep learning конкретно?

а может там есть какие-то ограничения именно технологии ГПУ? может процессоров то много, а надо память шарить между или что-то типа того

ну в целом я бы отделял. так как внутри deep learning уже своя кухня и вообще все свое и другое.

но мне не очень понятен ваш вопрос, можете конкретизировать

ну как минимум в памяти на карте. если данные не лежат в карте памяти, то преимущество карточек не особо выйгрышное, узкое место считывание данных получается.

поэтому промышленные карты за дорого с кучей памяти на борту, а по скорости флоатинг поинт оперешн не особо от консьюмерских отличаются.

хм. я не знал! погуглю про это) спасибо)

уточняю просто терминологию) data science в смысле exploratory - да, там GPU не нужны, потому что зачем бы? а если нужен более конкретно ML - так там вполне себе. хоть DL, хоть classical

ну ДЛ я бы отделил.

а классический, ну тока если на реально огромных данных, но тогда вроде как карты и не спасают, а вот всякие distributed фреймворки типа того же xarray и всякие dask, которые умеют эффективно дистрибьютить и считывать лениво с диска данные эффективно. но опять же они вроде не про GPU

в общем я бы хотел увидеть прямо кейсы, где классический МЛ с карточками заруливает!)

dask помогает)

оч простой: grid search (или аналоги) с градиентный бустингом