Каффе не надо. Кладёшь обученную модель в папочку и работаешь

под винду кто недавно кафе собирал, с какого гитхаба брать лучше?

Я с официального собирал под vs15

отсюда: https://github.com/BVLC/caffe/tree/windows ?

Я сейчас не за компьютером, не могу точно сказать. Точно помню что официальная инструкция.

наверное это тогда

кстати, кто читал на хабре туториал вчерашний? офигенная вещь, где бы ещё такого найти?

вот это

я как то смотрел на хероку, но мне было дико, что я там ни одного байта не могу сохранить в самой хероке, поэтому забросил. а оказывается не всё так страшно

Всем привет. Кто-нибудь разбирал эту статью: Hierarchical Multi-scale Attention Networks for Action Recognition (August 2017, Shiyang Yan, https://www.researchgate.net/publication/319311903_Hierarchical_Multi-scale_Attention_Networks_for_Action_Recognition)?

Что думаете про HTM?

HyperText Markup =)

а какой именно HTM?

почитал, крайне сложная реализация, а существенных преимуществ в бенчмарках по сравнению с CHAM не видно.

Всем привет. Задался таким вопросом. Каким образом нейросетки толкают в продакшн? Я имею в виду вот что. На обучении тратится довольно много ресурсов. Требуется видеокарта, время и т.д. Но ведь даже для запуска нейросетки для обычного predict-a уходит также немало мощностей, ведь сетку нужно хранить в оперативной памяти (поправьте, если я ошибаюсь) и еще прогнать по ней данные. Тогда как работают допустим системы слежения на основе сеток, всякие Prisma и  другие продукты? Они же установлены на слабых устройствах. Неужели все данные направляют в облако, на мощные сервера и там обрабатываются?

1) ресурсы тратятся на подбор весов, чтобы 100500 раз переколдовать веса, а один проход всегда быстрый. 2) не требуется видеокарта, просто без неё будет медленнее. 3) сеть можно хранить в памяти всю, можно один слой, можно не хранить, это от реализации зависит. 4) призма первой версии была облачной, потом сделали локальную.

именно, в итоге нейронная сеть - это огромный многочлен, который может считаться достаточно быстро и без видеокарт. Тем более, немалое число связей и нейронов, как правило, можно прорядить (prune), получая бОльшую скорость применения в обмен на увеличение погшености

Просто я это все примерно так и понимал. Но сейчас попытался запустить реализацию faster-rcnn на caffe на CPU и получил ошибку того, что не хватает оперативной памяти.

Сетка vgg16