возможно какието отдельные критерии отлавливать получится такой микросхемой. но так чтобы "приложил устройство, объяснил что эта 1 секунда работы есть правильная" и успокоился, не верю).
Как я понимаю план выкладки материала совпадает с тем планом как вас учат в институте?) Если это так то обработка и анализ данных проработан хорошо. Я бы просто взял датасет убедился что в каждой категории одинаковое количество примеров и перешёл бы к обучению нейронной сети) если бы количество было бы разное то либо удалил лишнее либо добавил ещё что-то.
А ещё я бы использовал в последнем слое в качестве активационной функцию "sigmoid", считаю что она лучше подходит для детектирование классов.
А как вы вообще получили второй график с хвостами?) Как сигнал ни крути но в при времени t1 он не может появится если он появится лишь при t2(t1<t2). Самый тупой эксперимен: через зелёное стекло(тоже фильтр) пропустить белый свет. Зелёный свет мы ни как не увидем раньше чем белый попадет на стекло.
майкрософт старались старались.. делали красивую установку а у многих она была не на все 100% красивая) сам ни когда не сталкивался с музыкой) хотя тоже много раз переустанавливал систему.
А как насчёт сжатия в jpg? На если текст упаковать в картинку а потом в сохранить аак в jpg, а затем обратно развернуть в текст то как сильно испортится текст?
Виртуалка или Raspberry не подойдёт. В первом случае будут проблемы с пробросом порта, второй вариант слишком слаб. Машина должна быть достаточно мощной, так как для запуска сети требуется немало ресурсов.
Мощность ПК влияет на количество абонентов?
Абоненты находились в одной локальной сети? Есть возможность настроить ftp соединение между абонентами? Какая будет тогда скорость?
Лёгкость реализации простой нейронной сети на питоне оценил. Теперь возникает о вычислениях, механизм обучения либо уже когда сеть обучена как ложиться на вычислительные мощности? Я имею ввиду о распараллеливания, о доступности переноса расчета с процессора на видеокарту, ли обратно, Использование памяти. Ведь мало запустить нейронку так надо ещё и скорость вычисления получить с нее.
На первый взгляд возникает вопрос "а зачем?"... Но потом приходит осознание что автору нравится этим заниматься, а это главное) а теперь к конкретике: как я понял система команд реализована собственная и компиляторов разумеется нет? Если компилятора нет, то есть планы реализовать?
P.s. на первой картинке схема больше похожа на сердце)
Можно набирать по 500 отсчётов и выдавать по 500 отсчётов. Недостаток у такого режима в том что стыки между окон кривые будут. Ну или можно набирать новые 100 отсчётов а потом выдавать 100, в итоге получится шаг по 100 отсчётов, тогда стыки окон не будут такими плохими.
А окно из 500 отсчётов скользящее? Или шагает по 500 отсчётов? Вы ыглядит как шагающее окно. И ещё вопрос, почему такой тип окна(скользящее или нет...) выбрали?
То есть вы хотите сказать что реализовали нейронную сеть на ПЛИС и успешно ее обучили?
К слову, я за последние пару недель, реализовал масштабируемую нейронную сеть(через параметры задаем число узлов в каждом слое, число слоев, есть возможность внедрения условного рандома весовым коэффициентам при инициализации), эта сеть имеет в себе механизм обучения обратного распространения ошибки. И я на этапе симуляции ее обучаю, в целом успешно(структура нейронной сети 2,3,2,1 - нейронов в каждом слое), но есть ряд проблем: 1.выбор активационной функции, метод обучения(набор данных, накапливать ошибку или после каждого прогона корректировать веса). 2.разрядность констант/данных/коэффициентов (если выбрать слишком большие разрядности то ресурсы съедаются огромные, если выбрать слишком маленькие разрядности то сеть ни когда не сойдется к нулевой ошибке)
P.S. кстати, если механизм обучения убрать из нейронной сети то она начинает весить в разы меньше, и если сеть с обучением занимает 2-3 ПЛИСы то без обучения она может и в одну влезть, возникает вопрос о сохранении(выгрузки) весовых коэффициентов пользователю, мне кажется этот механизм отъест еще больше ресурсов
мне кажется что для холодильника в статье требуется сотояние покоя,чтобы происходило перетекание жидкостей:
Для обеспечения циркуляции же (так как в генераторе не весь аммиак будет испаряться из воды, в результате чего будет образовываться газообразный аммиак и обеднённый раствор, который необходимо вновь подавать в абсорбер), они просто-напросто абсорбер расположили чуть ниже генератора. А для подачи жидкости с более низкого уровня на высокий (то есть из абсорбера в генератор), они соединили их простым устройством под названием термосифон, которое представляет собой простую трубку, соединённую с дном абсорбера и верхней частью генератора.
Возможно это для тех кто не хочет/не может/не умеет работать с графиками, выставления порогов.
возможно какието отдельные критерии отлавливать получится такой микросхемой. но так чтобы "приложил устройство, объяснил что эта 1 секунда работы есть правильная" и успокоился, не верю).
Как я понимаю план выкладки материала совпадает с тем планом как вас учат в институте?) Если это так то обработка и анализ данных проработан хорошо. Я бы просто взял датасет убедился что в каждой категории одинаковое количество примеров и перешёл бы к обучению нейронной сети) если бы количество было бы разное то либо удалил лишнее либо добавил ещё что-то.
А ещё я бы использовал в последнем слое в качестве активационной функцию "sigmoid", считаю что она лучше подходит для детектирование классов.
А как вы вообще получили второй график с хвостами?) Как сигнал ни крути но в при времени t1 он не может появится если он появится лишь при t2(t1<t2). Самый тупой эксперимен: через зелёное стекло(тоже фильтр) пропустить белый свет. Зелёный свет мы ни как не увидем раньше чем белый попадет на стекло.
майкрософт старались старались.. делали красивую установку а у многих она была не на все 100% красивая) сам ни когда не сталкивался с музыкой) хотя тоже много раз переустанавливал систему.
А как насчёт сжатия в jpg? На если текст упаковать в картинку а потом в сохранить аак в jpg, а затем обратно развернуть в текст то как сильно испортится текст?
Мощность ПК влияет на количество абонентов?
Абоненты находились в одной локальной сети? Есть возможность настроить ftp соединение между абонентами? Какая будет тогда скорость?
а как много можно навтыкать таких АЦП в параллель? должен же быть предел, который выражается не столько в фазе тактирующего сигнала но и в чемто еще
Лёгкость реализации простой нейронной сети на питоне оценил. Теперь возникает о вычислениях, механизм обучения либо уже когда сеть обучена как ложиться на вычислительные мощности? Я имею ввиду о распараллеливания, о доступности переноса расчета с процессора на видеокарту, ли обратно, Использование памяти. Ведь мало запустить нейронку так надо ещё и скорость вычисления получить с нее.
Вам на каком уровне демонстрация нужна?) Со стороны плис или со стороны ПК или может весь путь подробно?
На первый взгляд возникает вопрос "а зачем?"... Но потом приходит осознание что автору нравится этим заниматься, а это главное) а теперь к конкретике: как я понял система команд реализована собственная и компиляторов разумеется нет? Если компилятора нет, то есть планы реализовать?
P.s. на первой картинке схема больше похожа на сердце)
Там скорее сетевая карта правильная нужна в ПК...
Есть браузер для консоли) тоже умеет видео воспроизводить .
https://habr.com/ru/companies/timeweb/articles/715134/
Действительно, я ошибся.
Можно набирать по 500 отсчётов и выдавать по 500 отсчётов. Недостаток у такого режима в том что стыки между окон кривые будут. Ну или можно набирать новые 100 отсчётов а потом выдавать 100, в итоге получится шаг по 100 отсчётов, тогда стыки окон не будут такими плохими.
P.s. я начинаю чувствовать что сильно ошибаюсь...
А окно из 500 отсчётов скользящее? Или шагает по 500 отсчётов? Вы ыглядит как шагающее окно. И ещё вопрос, почему такой тип окна(скользящее или нет...) выбрали?
То есть вы хотите сказать что реализовали нейронную сеть на ПЛИС и успешно ее обучили?
К слову, я за последние пару недель, реализовал масштабируемую нейронную сеть(через параметры задаем число узлов в каждом слое, число слоев, есть возможность внедрения условного рандома весовым коэффициентам при инициализации), эта сеть имеет в себе механизм обучения обратного распространения ошибки. И я на этапе симуляции ее обучаю, в целом успешно(структура нейронной сети 2,3,2,1 - нейронов в каждом слое), но есть ряд проблем: 1.выбор активационной функции, метод обучения(набор данных, накапливать ошибку или после каждого прогона корректировать веса). 2.разрядность констант/данных/коэффициентов (если выбрать слишком большие разрядности то ресурсы съедаются огромные, если выбрать слишком маленькие разрядности то сеть ни когда не сойдется к нулевой ошибке)
P.S. кстати, если механизм обучения убрать из нейронной сети то она начинает весить в разы меньше, и если сеть с обучением занимает 2-3 ПЛИСы то без обучения она может и в одну влезть, возникает вопрос о сохранении(выгрузки) весовых коэффициентов пользователю, мне кажется этот механизм отъест еще больше ресурсов
по подробнее про подделку контрольной суммы, пожалуйста)
p.s. про отрицательную степень не думал
интересно, а есть интеграция в RTOS?
мне кажется что для холодильника в статье требуется сотояние покоя,чтобы происходило перетекание жидкостей: