Официально на одно ядро до 22.5 TFLOPS, а их всего 8 у v2-8 - то есть в сумме 180 TFLOPS, но по факту получается меньше, но все равно больше чем у T4, но есть нюансы.
Не знаю как там на сахаре, крайне редко там бываю. Реализацию WCH-Interrupt-fast для xpack брал отсюда. Пересобирать последний xpack лениво и не так тривиально и быстро как ванильный gnu gcc. С multilib на моём 3800x во все потоки с нуля оно собиралось часа 4 (включая время на скачивание) и съедало около 80 ГБ дискового пространства. Но может быть когда-нибудь и займусь ...
Что могли сделать в начале 2000-х на обычном компе с имеющимися тогда скромными мощностями? Тогда даже пискельных шейдеров не было на GPU.
Реализация двух полносвязных слоёв на GPU (AT1 Radeon X800 (Pixel Shader 2.0) или GeForce 6800 Ultra) в 2005 году позволяла получить увеличение производельности до 3.4х в сравнении с реализацией в лоб на CPU (Intel Pentium 4 (3 GHz)).
Реализация CNN на GPU (GeForce 7800 Ultra с DirectX 9.0c и Pixel Shader 3.0) в 2006 году позволяла получить увеличение производельности до 4.1х в сравнении с реализацией в лоб на CPU (Intel Pentium 4 (2.8 GHz)).
А вообще более менее осмысленный GPGPU настал ещё в 2001 году с появлением DirectX 8.x, GeForce 3 и Radeon R200, а это Pixel Shader 1.х
Тогда уж nanogui, если оставить в либе только кнопоки, чекбоксы и текстовые поля ввода как хотел тс, то я думаю можно будет уложиться в 400-700кБ на всё, и при этом это будет вменяемо и удобоваримо, а не голый winapi. Если очень хочется обмазываться ржавчиной - тогда slint наверное.
Почти пустой pyside6 проект компилируется в линуксах с помощью nuitka в один бинарный исполняемый файл (--onefile) размером 30МБ, в винде примерно тоже самое. Для чего-то очень простого pyside6 конечно оверхэд. u префикс - это просто явное указание, что строка unicode, всем понятно, что это уже давно не актуально, но здесь придираться я бы точно не стал.
Когерентный рефлектометр - слишком размытое понятие. Если речь про фазочувствительный рефлектометр - то его запросто можно сделать портативным и он будет выполнять свою работу при соответствующих характеристиках, только в его портативности нет особого смысла.
Статью мы конечно вряд ли увидим, но вот неплохой обзор для работы с табличными данными - Deep Neural Networks and Tabular Data: A Survey . Сравнивать надо по 5+ датасетам с 10+ доступных "фреймворков", а не крайне урезано как у вас в статье.
UNet++ была предложена больше 4-х лет назад - ещё из тех времён, когда трансформеры ещё не заняли доминирующего положения во многих прикладных задачах. Конкретно для анализа медицинский изображений - обзор, ещё конкретней в области сегментации ядер клеток лучше всех пока себя показывает LViT.
Я сам собирал трансимпедансники с усилением по постоянке 10+ МОм, зависит от фотодиода, ОУ и вообще от того где такой усилитель стоит. Да, в обратной связи при таких усилениях просто одного резитора зачастую не достаточно.
Как ни странно, болометры до сих пор ставят в некоторые спектрофотометры. Зависит от задачи, а сами болометры на месте не стоят и развиваются. Сейчас хороший болометр будет стоить намного дороже чем хороший (но обычный) одиночный InGaAs фотодиод.
Тем временем германиевые фотодиоды: doi.org/10.1038/s41566-021-00893-w
tensorflow и pytorch поддерживают гугловские tpu.
Официально на одно ядро до 22.5 TFLOPS, а их всего 8 у v2-8 - то есть в сумме 180 TFLOPS, но по факту получается меньше, но все равно больше чем у T4, но есть нюансы.
Не знаю как там на сахаре, крайне редко там бываю. Реализацию WCH-Interrupt-fast для xpack брал отсюда. Пересобирать последний xpack лениво и не так тривиально и быстро как ванильный gnu gcc. С multilib на моём 3800x во все потоки с нуля оно собиралось часа 4 (включая время на скачивание) и съедало около 80 ГБ дискового пространства. Но может быть когда-нибудь и займусь ...
Я в марте собирал 13.2.0-2 с поддержкой WCH-Interrupt-fast.
Реализация двух полносвязных слоёв на GPU (AT1 Radeon X800 (Pixel Shader 2.0) или GeForce 6800 Ultra) в 2005 году позволяла получить увеличение производельности до 3.4х в сравнении с реализацией в лоб на CPU (Intel Pentium 4 (3 GHz)).
Реализация CNN на GPU (GeForce 7800 Ultra с DirectX 9.0c и Pixel Shader 3.0) в 2006 году позволяла получить увеличение производельности до 4.1х в сравнении с реализацией в лоб на CPU (Intel Pentium 4 (2.8 GHz)).
А вообще более менее осмысленный GPGPU настал ещё в 2001 году с появлением DirectX 8.x, GeForce 3 и Radeon R200, а это Pixel Shader 1.х
где можно об этом почитать?doi.org/10.1364/OE.21.013572
Тогда уж nanogui, если оставить в либе только кнопоки, чекбоксы и текстовые поля ввода как хотел тс, то я думаю можно будет уложиться в 400-700кБ на всё, и при этом это будет вменяемо и удобоваримо, а не голый winapi. Если очень хочется обмазываться ржавчиной - тогда slint наверное.
C nuitka даже очень простое консольное приложение компилируется в бинарник размером 3.5МБ :)
Не использовать питон) Даже самое минималистичное приложение с tkinter будет занимать 7МБ, с Dear PyGui примерно тоже самое.
Почти пустой pyside6 проект компилируется в линуксах с помощью nuitka в один бинарный исполняемый файл (--onefile) размером 30МБ, в винде примерно тоже самое. Для чего-то очень простого pyside6 конечно оверхэд. u префикс - это просто явное указание, что строка unicode, всем понятно, что это уже давно не актуально, но здесь придираться я бы точно не стал.
"all-Python" не тоже самое, что и "чистый Python".
Неохлаждаемый полупроводниковый HgCdTe фотодиод VML10T0 охватывает диапазон от 2 до 10.6мкм. Если охлаждать HgCdTe - то можно и до 24мкм дотянуться.
Портативные (почти что карманные) OFDR: Luna OBR 6200 series.
Когерентный рефлектометр - слишком размытое понятие. Если речь про фазочувствительный рефлектометр - то его запросто можно сделать портативным и он будет выполнять свою работу при соответствующих характеристиках, только в его портативности нет особого смысла.
"Терра" - это отсылка к наземной связи? :)
Статью мы конечно вряд ли увидим, но вот неплохой обзор для работы с табличными данными - Deep Neural Networks and Tabular Data: A Survey . Сравнивать надо по 5+ датасетам с 10+ доступных "фреймворков", а не крайне урезано как у вас в статье.
UNet++ была предложена больше 4-х лет назад - ещё из тех времён, когда трансформеры ещё не заняли доминирующего положения во многих прикладных задачах. Конкретно для анализа медицинский изображений - обзор, ещё конкретней в области сегментации ядер клеток лучше всех пока себя показывает LViT.
Trimble выкупил SketchUp у гугла больше 10 лет назад.
Я сам собирал трансимпедансники с усилением по постоянке 10+ МОм, зависит от фотодиода, ОУ и вообще от того где такой усилитель стоит. Да, в обратной связи при таких усилениях просто одного резитора зачастую не достаточно.
Как ни странно, болометры до сих пор ставят в некоторые спектрофотометры. Зависит от задачи, а сами болометры на месте не стоят и развиваются. Сейчас хороший болометр будет стоить намного дороже чем хороший (но обычный) одиночный InGaAs фотодиод.
А глаза не устают от такого?