Куду качал последней версии 11.2. Файл cusolver64_10.dll не ищется, видимо, его нет. Покурил интернет - пишут, что ставят более старую CUDA, а потом оттуда копируют эту длльку в папку со свежей 11.2. Так и сделать? У меня сомнения, не порушит ли старая куда новую куду.

не все с вами согласны))
https://tjournal.ru/340446

у меня была похожая проблема, только на линуксе. Тоже была проблема с кусолвером, я там просто переименовал. На винде у тебя есть по идее cusolver64_11.dll. Попробуй просто переименовать в cusolver64_10. Не поверишь, но мне это помогло.

орегон был хорошим штатом.......

https://www.machinelearningmastery.ru/an-introduction-to-gradient-descent-c9cca5739307/#:~:text=%D0%9D%D0%BE%D1%80%D0%BC%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%D0%B3%D1%80%D0%B0%D0%B5%D1%82%20%D0%B2%D0%B0%D0%B6%D0%BD%D1%83%D1%8E%20%D1%80%D0%BE%D0%BB%D1%8C%20%D0%B4%D0%BB%D1%8F,%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B5%20%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%B8%2C%20%D1%87%D1%82%D0%BE%D0%B1%D1%8B%20%D0%B4%D0%BE%D1%81%D1%82%D0%B8%D1%87%D1%8C%20%D0%BC%D0%B8%D0%BD%D0%B8%D0%BC%D1%83%D0%BC%D0%B0.

вот ответ на мой вопрос

если кто-то будет тоже искать

Нормализация играет важную роль для градиентного спуска. Если функции не нормализованы, в обновлении будут преобладать объекты с большим масштабом, поэтому алгоритм будет генерировать зигзагообразный путь обучения. Требуется много ненужных шагов и больше времени, чтобы достичь минимума. После нормализации всех функций функция стоимости приобретает более сферическую форму. Алгоритм градиентного спуска идет прямо к минимуму. Один из способов нормализации - это минус среднее и деление на стандартное отклонение. Вы также можете напрямую применить функцию StandardScaler в Scikit-Learn.

Читал, что начали на физиков давить. Атом, нейтрон, электрон и т.д. - сексистские термины. Только нейтрино гендерно корректно. Маразм крепчает 😞

подтверждаю, на линуксе симлинк для этой либы делал для tf-nightly

Ура! Заработало! На cpu одну эпоху считала 120-140 секунд, сейчас 1-3 секунды!) Супер!

@MaurerF большое спасибо за помощь! в личку предложил благодарность)

Подскажите пожалуйста
#C1_W4
Нормальное распределение
Сгенерировал 3 выборки объемом 5, 15, 50
Сделал список их средних значений
Рисую гистограмму - все ок

Накладываю на гистограмму график теоретической плотности, ( np.linspace)  и он накладывается в таком виде, т.е. до середины высоты гистограммы и чем больше выборок тем ниже уходит
Это так и должно быть или я где то ошибаюсь?

Вообще логика верная накладывать график ?
x = linspace(-4,4,100),
pdf = ...pdf(x)
plt.plot (x,pdf)

сами средние ведут себя правильно как я понимаю

С увеличением выборки нормальное распределение должно "сужаться". Такое ощущение, что с сигмой беда, она ведёт себя обратным образом.

Сигма будто увеличивается у теоретического распределения, в то время, как она должна уменьшаться.

Подскажите пожалуйста. Задачка вне курса, руки чесались сделать что-то работающее. Вот я обучил модель, которая распознаёт картинки. Как мне теперь эту модель сохранить, чтобы с её помощью распознавать картинки?

pickle

погугли deploy model to production и т.п.

Спасибо!