С бочкой оценка не такая уж и противоречивая. Сеть вырабатывает признаки близко/далеко, позиции врагов. Эти признаки вырабатываются в процессе обучения и потом к конкретному набору признаков привязывается действие, стрелять или не стрелять.
Более интересная задача как найти в большом пространстве возможных состояний наиболее интересные области и прицельно исследовать именно их. То есть например повзаимодействовать с бочкой, а не изучать, к примеру, что бывает от выстрелов в разные конфигурации стен.
Этот метод работает. Об этом много говорилось в более ранних статьях. Но этот путь оооочень долгий и требовательный к ресурсам. Поэтому стараются как-то ускорить обучение, это тоже довольно интересное занятие
Уменьшение размера батча также даст уменьшение времени итерации обучения, что опять же может ускорить обучение. Однако надо следить, чтобы при этом не падало качество обучения.
В VM Box скорее всего GPU не пробросить, а вот в виртуалке от Parallels раньше была функция проброса GPU, может быть стоит посмотреть в этом направлении
Еще недавно не было возможности использовать GPU на маке, сейчас это уже есть. Может и для винды сделают какой-то готовый пакет. Хотя верится в это с трудом, конечно.
С VS, вероятно, так просто не получится, так как я не видел инструкций по сборке для Windows. Но, если возможно будет собрать Bazel, я думаю, что шанс будет. Однако хлебнуть приятных минут ковыряния глубоко в исходниках наверное придется. Я не пользуюсь ни Windows, ни VS. Так, что ничем, кроме как расплывчатыми советами помочь не могу.
Я тоже видел жалобы на тормознутость на GPU. Но с другими фреймворками не сравнивал, пользуюсь только TensorFlow на данный момент. Было бы интересно посмотреть на какие-нибудь сравнительные тесты. Про централизованый зоопарк моделей тоже не слышал, но идея здравая. Может к версии 1.0 появится.
А есть ли что-нибудь более современное и качественное чем StereoBM и StereoSGBM? В плане скорости работы и качества результата. И при этом чтобы код был в доступе.
А можно же фальшивомонетчика развернуть, предъявлять ему изображения и он будет выдавать рецепт, потом по расстоянию между рецептами (разности чисел) можно будет определить насколько похожи 2 изображения друг на друга? Так как я понял, что в пространстве рецептов похожее располагается рядом. Или это только у них в DCGAN так получились?
Я тоже так думал, но даже в той самой статье упоминается термин multilayer perceptrons, так же как и в коде примера. Видимо это указывает на нелинейную передаточную функцию.
По идее, момент как раз задается функцией AddRelativeTorque, но почему-то у меня этот момент не передавался от двигателей всей конструкции, может я просто не разобрался как его готовить :)
Более интересная задача как найти в большом пространстве возможных состояний наиболее интересные области и прицельно исследовать именно их. То есть например повзаимодействовать с бочкой, а не изучать, к примеру, что бывает от выстрелов в разные конфигурации стен.