Бесплатная GPU Tesla K80 для ваших экспериментов с нейросетями

[@FreeBa]

но через 12 часов виртуальную машину у вас заберут и все данные внутри контейнера будут потеряны.

За 12 часов ничему серьезному сеть научить не получится, даже на такой мощной тесле. Больше маркетинга, чем халявы.

[@Dumbris]

Можно снова запустить, тот же самый ноутбук, подмонтировать google drive и продолжить обучение из последнего checkpointa.

[@slovak]

Этот процесс можно даже автоматизировать простым скриптом по таймеру. Думаю уже кто-то сделал и скоро выложит. Правда лавочку могут и прикрыть.

[@S_o_T]

А учитывая возможность майнить… Точно прикроют :)

[@Tihon_V]

Или научатся эвристическим анализом распознавать большую часть ядер CUDA/OpenCL предназначенных для майнинга. Думаю, что Google — это по силам :)

[@alhel]

Как они будут боротся с майнерами?

[@Imp5]

«к Jupyter ноутбукам», «над kaggle задачами», «в docker контейнере» — вот откуда этот порядок слов?
«13G видеопамяти» — может имелось в виду «13<пробел>GB видеопамяти» или «13<пробел>ГБ видеопамяти»?
«tcp тунеля» — тут даже браузер подчёркивает красной волнистой линией.
И полное игнорирование заглавных букв в названиях сервисов.

В личку писать не буду, всё равно почти никто не исправляет.

[@Goron_Dekar]

порядок слов из документации.

[@Imp5]

При таком порядке ставят дефис.

[@flash_usb]

Мы же не говорим «в Samsung телевизорах», «в Metallica альбомах», «в Ford автомобилях». Или уже говорим? :)

[@AlexAV1000]

Купите себе б/у Nvidia TESLA M2090 за 10 т.р. на авите или еще где и экспериментируйте прямо на своем компе.

[@de1m]

и во сколько раз она медленнее? Это я просто думаю, что может стоит купить.

[@AlexAV1000]

Это если вам нужен «вычислитель» с двойной точностью. Поиграть в в бегалки-стрелялки на ней нельзя. :)

[@nikolay_karelin]

Для глубокого обучения двойная точность не нужна. Прелесть Tesla — в большом объеме памяти.

[@ymuv]

По количеству cuda ядер относительно недорогие 1050ti и 1060 и частотах выигрывают в старых Tesla. Искал сравнения, не нашел.

[@AlexAV1000]

По ядрам сравнения некорректные, 1050ti в вычислениях с двойной точностью — 83 GFlops, 1080ti — 250 GFlops, Tesla M2090 — 667 Gflops. В тесле 6ГБ оперативки с ECC. Тесла — чистый вычислитель или в CUDA или OpenCL.

[@sergarcada]

Николаса Кейджа можно будет вставить в фильм про супермена на такой машине?

[@apiksDen]

Идите дальше, Николас Кейдж как раз не был монтажом, просто фильм не стали снимать. Может ли нейросеть сама снять фильм?

[@sergarcada]

Николас Кейдж как раз не был монтажом

да, но в итоге его в фильм не взяли, а посмотреть хочется.

Но вообще меня интересует такая возможность в принципе. Можно ли использовать предоставленные мощности для таких целей.

[@boblenin]

Не стоит смотреть. Тем более с кейджем. Он умудряется даже призрачного гонщика сделать скучным, а тут изначально персонаж без недостатков.

[@velovich]

Конечно может. Михалков же снимает как-то.

[@dbagaev]

Спасибо огромное за статью, у меня как раз закончились мощности на домашнем компьютере, а эти машины считают в раз десять быстрее.

У меня возник вопрос. Я когда пытаюсь показать картинку с помощью matplotlib, получаю вот такую ошибку, вы сталкивались с чем-то подобным?

AttributeError: 'numpy.ndarray' object has no attribute 'mask'

У меня стоит старый matplotlib 1.5.3 и кастомный numpy-1.13.3+mkl, если я обновляюсь к последним версиям из pip-репозитория, то и дома получаю эту ошибку. Как только возвращаюсь к исходным — все в порядке…

[@Viacheslav01]

На амазоне можно за пару долларов в час взять V100, он побыстрее будет.

[@QtRoS]

Бесплатно. Бесплатно! Как много в слове этом!

[@htdt]

Поигрался, отличное начинание! Продукт пока что сырой, kernel часто падает и зависает. Для простых экспериментов норм, но не больше.

[@intelligenceAgent]

Хорошая вещь. Может кто знает как подключить к ней vim plugin?

[@sergei3000]

Код для запуска tensorboard выдаёт ошибку:
Archive: ngrok-stable-linux-amd64.zip
inflating: ngrok
Traceback (most recent call last):
File "", line 1, in IndexError: list index out of range

[@rsashka]

Спасибо за статью! Потестить за бесплатно, это здорово.

Проясните пожалуйста один момент, если в нем есть понимание.
Попробовал сравнить производительность обучения на CPU, TPU и GPU инстансах.
И по ощущения GPU обучает сеть примерно в 3-5 раз быстрее чем CPU, а вот разницы между TPU и CPU я не увидел.
Или для TPU нужен специальный класс задач?

[@max-himik]

Прошу заранее сильно не пинать, но где и как указать «model_dir». За два дня гугления и поиска по хабру так и не сообразил как заставить premade_estimator.py писать чекпойнты на google drive