Начиная с определенного количества кубитов уже можно сравнивать с процессорами. Например, в 64-кубитной системе возможны вычисления с большим количеством потоков, чем на 64 логических процессорах, причем на несколько порядков.
На ноутбуке с 4-мя ядрами и 6Гб оперативки у меня получалось натренировать сеть для распознования фотографий с дорожными знаками с точностью 93% на тесте. Процесс обучения занимал около 40 минут. Использовал TensorFlow. Но конечно вместо не очень мощного ноутбука предпочел бы использовать машины с AWS с графическим процессором, но тогда не было к ним доступа.
Я выше приводил решение с равномерной скоростью (при котором бегуны прибегут одновременно),
но, посмотрев решения других комментаторов, вижу, что нельзя так все упрощать.
Нужно обязательно принимать во внимание психологический фактор.
Вася во втором забеге более мотивирован: ему нужно отыграться, в то время как Саша уже все
доказал и себе, и другим. Во втором забеге он и так дает фору противнику,
поэтому в качестве благородного жеста может
особо не напрягаться и даже специально прибежать вторым.
А вот Васе уже стыдно будет продуть во второй раз, да еще и
с форой. Явно он прибежит первым. Или все-таки Саша, как вы думаете?
Решение для равномерного движения я привел выше в комментариях — по нему выходит, что бегуны во втором забеге финишируют одновременнно.
Для неравномерного движения и различных непредвиденных условий приведу 2 возможных кратких решения (без формул):
1-е решение: Васино преимущество во втором забеге выразилось в том, что он уже хорошо разогнался к тому времени, как второй бегун только стартанул. Проблема в другом: на последних 10 метрах Вася выдохся, и более профессиональный Саша его догнал/обогнал, лишив единоличного первого места.
2-е решение: У Васи не было должного опыта пробега стометровок (см. результаты 1-го забега), следовательно, во втором забеге он мог и не добежать до отметки 100 метров, отдав тем самым победу сопернику. В этом случае бегуны действительно могут встретиться на отметке 90 метров (см. решение работодателя), а дальше — Саша бежит быстрее-медленне — неважно, так как конкурент уже слился.
Непонтяно зачем столько страшных формул. Если решать задачу чисто математически, то Вася пробегает 90 метров за то время, пока Саша пробегает 100 метров, поэтому они прибегут к финишу одновременно. А еще как-то по-другому решать данную задачу будет излишеством, так как в таком случае нужно больше данных.
«Вася и Саша окажутся на отметке 90 метров одновременно (следует из первого забега + учитывая фору в 10 метров). А оставшиеся 10 метров… — Саша быстрее»
Не может такого быть, ведь тогда получается, что Саша пробегает 90 метров за то время, пока Вася пробегает 80, но ведь из первого забега ясно, что Вася пробегает 90 метров за то время, как Саша пробегает 100.
Тесты прогнать не только можно, но и нужно, так как в машинном обучении всегда присутствуют как минимум два набора примеров (то есть наборов ситуаций в данном случае) — тренировочный и тестовый, это базовые требования данного вида обучения, без выполнения которых проявится так называемый эффект переобучения.
Нейронная сеть, если и является blackbox-ом, то не для тех, кто ее создает — на вход подаются совершенно определенные параметры. Робот, возможно увидит трех муравьев, находящихся в трех километрах, но среагирует на них в том случае, если они будут выглядеть совершенно так же, как светофор, загоревшийся зеленым светом, но тогда и человек на них тоже среагирует.
«задашь слишком много нейронов, сеть всё запомнит с умным видом, а на новых данных будет откровенно ошибаться»
Наверное, не нейроны имелись в виду, а обучающие примеры? Если так, то обучающий набор делится как минимум на тренировочный, cross-validation и тестовый наборы, таким образом избегается переобучение.
Сегодня многие адепты BigData ратуют за то, чтобы собирать громадные массивы данных, оперировать гигантскими базами для поиска связей и на этом основании формировать полноценную картину мира, практически без белых пятен незнания. Само по себе это замечательно, но вызывает сомнение единственный вопрос — кто и как будет проставлять логические связи между фактами?
С помощью машинного обучения: регрессионных моделей, нейросетей, SVM, различных методов классификации и кластеризации и т.д. Без этого всего одна лишь голая BigData ничего интересного и полезного для бизнеса и потребителя не даст. Поэтому адептам BigData ничего другого не остается — либо продолжать кропотливо собирать и хранить данные для специалистов машинного обучения, либо самим этими специалистами становиться.
Но есть и реальные истории, например, о AirBnB – американской компании, которая занимается арендой частного жилья по всему миру. Основатели этой компании путешествовали по территории США, посещая собственников квартир. Они разговаривали с каждым индивидуально и убеждали их сдавать в аренду жилье. Прошло несколько лет, прежде, чем эти люди согласились – им тоже понадобилось снять в аренду жилье во время путешествия.
Начиная с определенного количества кубитов уже можно сравнивать с процессорами. Например, в 64-кубитной системе возможны вычисления с большим количеством потоков, чем на 64 логических процессорах, причем на несколько порядков.
но, посмотрев решения других комментаторов, вижу, что нельзя так все упрощать.
Нужно обязательно принимать во внимание психологический фактор.
Вася во втором забеге более мотивирован: ему нужно отыграться, в то время как Саша уже все
доказал и себе, и другим. Во втором забеге он и так дает фору противнику,
поэтому в качестве благородного жеста может
особо не напрягаться и даже специально прибежать вторым.
А вот Васе уже стыдно будет продуть во второй раз, да еще и
с форой. Явно он прибежит первым. Или все-таки Саша, как вы думаете?
Для неравномерного движения и различных непредвиденных условий приведу 2 возможных кратких решения (без формул):
1-е решение: Васино преимущество во втором забеге выразилось в том, что он уже хорошо разогнался к тому времени, как второй бегун только стартанул. Проблема в другом: на последних 10 метрах Вася выдохся, и более профессиональный Саша его догнал/обогнал, лишив единоличного первого места.
2-е решение: У Васи не было должного опыта пробега стометровок (см. результаты 1-го забега), следовательно, во втором забеге он мог и не добежать до отметки 100 метров, отдав тем самым победу сопернику. В этом случае бегуны действительно могут встретиться на отметке 90 метров (см. решение работодателя), а дальше — Саша бежит быстрее-медленне — неважно, так как конкурент уже слился.
«Вася и Саша окажутся на отметке 90 метров одновременно (следует из первого забега + учитывая фору в 10 метров). А оставшиеся 10 метров… — Саша быстрее»
Не может такого быть, ведь тогда получается, что Саша пробегает 90 метров за то время, пока Вася пробегает 80, но ведь из первого забега ясно, что Вася пробегает 90 метров за то время, как Саша пробегает 100.
Нейронная сеть, если и является blackbox-ом, то не для тех, кто ее создает — на вход подаются совершенно определенные параметры. Робот, возможно увидит трех муравьев, находящихся в трех километрах, но среагирует на них в том случае, если они будут выглядеть совершенно так же, как светофор, загоревшийся зеленым светом, но тогда и человек на них тоже среагирует.
Наверное, не нейроны имелись в виду, а обучающие примеры? Если так, то обучающий набор делится как минимум на тренировочный, cross-validation и тестовый наборы, таким образом избегается переобучение.
С помощью машинного обучения: регрессионных моделей, нейросетей, SVM, различных методов классификации и кластеризации и т.д. Без этого всего одна лишь голая BigData ничего интересного и полезного для бизнеса и потребителя не даст. Поэтому адептам BigData ничего другого не остается — либо продолжать кропотливо собирать и хранить данные для специалистов машинного обучения, либо самим этими специалистами становиться.