AO
не совсем
Size: a a a
2021 January 16
AO
хотя. да)
AO
наверн
АГ
Ну самое простое делать маску на каждом слое. Но ведь есть же класс dropout?
AO
сор. криво объяснил.
K
Артём Глазунов
А точно А и Б не факторы, оказывающие эффект на переменную X?
опять же, я бы называл это взаимосвязью. Честно говоря, даже не помню используется ли в дисперсионном анализе терминология регрессионного (зависимая/независимая переменная)
АГ
опять же, я бы называл это взаимосвязью. Честно говоря, даже не помню используется ли в дисперсионном анализе терминология регрессионного (зависимая/независимая переменная)
Вроде нет, там просто переменная и факторы были, если правильно ещё помню.
AO
я для лосса это делаю) что б лосс не считать.. там где не нада. лан это уже не туда) я про тензоры спрашивал) спс. пойду попробую кое что
АГ
я для лосса это делаю) что б лосс не считать.. там где не нада. лан это уже не туда) я про тензоры спрашивал) спс. пойду попробую кое что
Давай, удачи)
B
C1W4
Доброго времени. Проверьте, пжл, работу
https://www.coursera.org/learn/mathematics-and-python/peer/4vN1n/tsientral-naia-priediel-naia-tieoriema-svoimi-rukami/review/k3y5K1gEEeutqg6oYG2Fdw
Доброго времени. Проверьте, пжл, работу
https://www.coursera.org/learn/mathematics-and-python/peer/4vN1n/tsientral-naia-priediel-naia-tieoriema-svoimi-rukami/review/k3y5K1gEEeutqg6oYG2Fdw
d
А тут же можно просто по питону вопросы позадавать? Я немного удивился, когда увидел, что есть значительная разница в производительности между вызовом функции 1000 раз и вычислениями через матрицу. Вот пример кода:
def squared_error2(x, y, w0, w1):
diff = y - (w0 + w1 * x)
return np.sum(np.square(diff))
def squared_error3(x, y, w0, w1):
x = np.array(x)
x = x.reshape(1, x.size)
y = np.array(y)
y = y.reshape(1, y.size)
w1 = np.array(w1)
w1 = w1.reshape(w1.size, 1)
m = w0 + w1.dot(x) - y
m = np.square(m)
result = m.sum(axis=1)
if result.size == 1:
return result[0]
return result
Вызываем вот так:w0 = 50Вот какой вариант должен быть самым быстрым, а какой самым медленным?
w1 = np.linspace(-5, 5, 10001)
a1 = np.array([squared_error2(x, y, w0, wi) for wi in w1])
a2 = np.array([squared_error3(x, y, w0, wi) for wi in w1])
a3 = squared_error3(x, y, w0, w1)
А
А тут же можно просто по питону вопросы позадавать? Я немного удивился, когда увидел, что есть значительная разница в производительности между вызовом функции 1000 раз и вычислениями через матрицу. Вот пример кода:
def squared_error2(x, y, w0, w1):
diff = y - (w0 + w1 * x)
return np.sum(np.square(diff))
def squared_error3(x, y, w0, w1):
x = np.array(x)
x = x.reshape(1, x.size)
y = np.array(y)
y = y.reshape(1, y.size)
w1 = np.array(w1)
w1 = w1.reshape(w1.size, 1)
m = w0 + w1.dot(x) - y
m = np.square(m)
result = m.sum(axis=1)
if result.size == 1:
return result[0]
return result
Вызываем вот так:w0 = 50Вот какой вариант должен быть самым быстрым, а какой самым медленным?
w1 = np.linspace(-5, 5, 10001)
a1 = np.array([squared_error2(x, y, w0, wi) for wi in w1])
a2 = np.array([squared_error3(x, y, w0, wi) for wi in w1])
a3 = squared_error3(x, y, w0, w1)
np внутри себя использует глубокую оптимизацию и написан на Си, поэтому любые вычисления через numpy почти всегда быстрее(и кроме того удобнее) чем те же, но обычными средствами
d
np внутри себя использует глубокую оптимизацию и написан на Си, поэтому любые вычисления через numpy почти всегда быстрее(и кроме того удобнее) чем те же, но обычными средствами
Ага. И исходя из этого как можно было бы отранжировать вычисление a1, a2, a3?
А
Ага. И исходя из этого как можно было бы отранжировать вычисление a1, a2, a3?
Я бы предположил, что a1, a3, a2
d
Я бы предположил, что a1, a3, a2
Самый быстрый слева или справа?
А
Самый быстрый слева или справа?
Слева
🐙
Помню в курсе было, но хочу ещё раз уточнить один момент:
Нормально ли считать корреляции между признаком из "натуральных" значений и признаком из вещественных?
А между бинарным и "натуральным"/"вещественным" ?
Нормально ли считать корреляции между признаком из "натуральных" значений и признаком из вещественных?
А между бинарным и "натуральным"/"вещественным" ?
d
Слева
Чуть позже скажу, как на самом деле получается. А почему такой вывод? Ведь в a1 только часть на numpy, а дальше просто вызов одной и той же функции. А в a3 все на numpy сделано, и все вычисления идут параллельно.
SA
Добрый вечер.
Подскажите, пожалуйста, как узнать версию artm, установленную на компьютере?
Подскажите, пожалуйста, как узнать версию artm, установленную на компьютере?
n🐈
А тут же можно просто по питону вопросы позадавать? Я немного удивился, когда увидел, что есть значительная разница в производительности между вызовом функции 1000 раз и вычислениями через матрицу. Вот пример кода:
def squared_error2(x, y, w0, w1):
diff = y - (w0 + w1 * x)
return np.sum(np.square(diff))
def squared_error3(x, y, w0, w1):
x = np.array(x)
x = x.reshape(1, x.size)
y = np.array(y)
y = y.reshape(1, y.size)
w1 = np.array(w1)
w1 = w1.reshape(w1.size, 1)
m = w0 + w1.dot(x) - y
m = np.square(m)
result = m.sum(axis=1)
if result.size == 1:
return result[0]
return result
Вызываем вот так:w0 = 50Вот какой вариант должен быть самым быстрым, а какой самым медленным?
w1 = np.linspace(-5, 5, 10001)
a1 = np.array([squared_error2(x, y, w0, wi) for wi in w1])
a2 = np.array([squared_error3(x, y, w0, wi) for wi in w1])
a3 = squared_error3(x, y, w0, w1)
самым быстрым будет a4 = squared_error2 :)
а тормозит тут от кучи конвертаций в 3м методе, а не от цикла кмк
а тормозит тут от кучи конвертаций в 3м методе, а не от цикла кмк