Я ставила проблему переиспользования данных из старой политики. Алгоритмы, обучающиеся только на текущей версии политики называются on-policy. Посмотрите на "гору математического мусора" первого же раздела.
Добрый день! Я в начале указала, что вижу ценность поста именно в этих формулах. При самостоятельном разборе алгоритмов мне лично очень не хватало этой информации. Просто надеюсь что данный пост найдет своего читателя, кому важно что в у модельки лежит "под капотом" и какие идеи вообще к этому привели.
Так же, в тексте явно указано "чем один алгоритм лучше другого". Ставятся явно проблемы одного алгоритма и начинается объяснение другого алгоритма, решающего эту проблему.
Метрики, к сожалению не скажу, смотрела на рабочих данных. В любом случае, эта сеточка дала результаты даже визуально куда лучше, чем сети, основанные на CNN (смотрела PeNet, SemAttNet, NLSPN). Однако, данные тоже были специфичны, если сравнивать с KITTI на котором почти все обучались.
Да, такая проблема случается. Вероятно, можно попробовать такое уравнение для каждого пикселя по отдельности, а возможно, это приведет только к большим ошибкам или каким-то cлишком сложным регуляризациям матриц scale и shift 🤷♀️
Не смотря на то что сеть основана на Stable Diffusion, она все равно долговато генерит карты глубины (не изображения). Около 2к изображений могут предиктиться всю ночь. Ну и потом надо отлавливать галлюцинации, смотреть насколько они критичны для вашей задачи.
А, кстати, одно из преимуществ - то что изображения с лид.точками могут быть разного размера (но вместе одинакового). Например, другими сетками у меня были проблемы, что лид.точки нельзя просто так взять и растянуть (или ужать) под требуемый формат.
Спасибо за ваш комментарий! Пока что оставлю как есть, потому что для меня выстроена логичная цепочка. Плюс, в тесте не говорится, что ResNet ставили себе цель решить проблему затухающего градиента (хотя из текста так может показаться), однако, как следствие, решили. Я обдумаю как поправить этот момент. Еще раз, спасибо!
Искренне надеюсь, что кому-то пригодиться. Очень хорошая книга Морозова и Каленовой. Она служила основным источником. Так что можете обратиться, возможно, за более понятной информацией, туда.
Наконец-то не поругали за формулы 😅 Спасибо ❤️
Я ставила проблему переиспользования данных из старой политики. Алгоритмы, обучающиеся только на текущей версии политики называются on-policy. Посмотрите на "гору математического мусора" первого же раздела.
Добрый день! Я в начале указала, что вижу ценность поста именно в этих формулах. При самостоятельном разборе алгоритмов мне лично очень не хватало этой информации. Просто надеюсь что данный пост найдет своего читателя, кому важно что в у модельки лежит "под капотом" и какие идеи вообще к этому привели.
Так же, в тексте явно указано "чем один алгоритм лучше другого". Ставятся явно проблемы одного алгоритма и начинается объяснение другого алгоритма, решающего эту проблему.
Применение PPO добавила в начале)
❤️
❤️
Спасибо! Еще не обучала. Тестировала на случайных тезорах разных размерностей для того чтобы убедиться, что с размерностями на слоях все хорошо.
Метрики, к сожалению не скажу, смотрела на рабочих данных. В любом случае, эта сеточка дала результаты даже визуально куда лучше, чем сети, основанные на CNN (смотрела PeNet, SemAttNet, NLSPN). Однако, данные тоже были специфичны, если сравнивать с KITTI на котором почти все обучались.
Да, такая проблема случается. Вероятно, можно попробовать такое уравнение для каждого пикселя по отдельности, а возможно, это приведет только к большим ошибкам или каким-то cлишком сложным регуляризациям матриц scale и shift 🤷♀️
Не смотря на то что сеть основана на Stable Diffusion, она все равно долговато генерит карты глубины (не изображения). Около 2к изображений могут предиктиться всю ночь. Ну и потом надо отлавливать галлюцинации, смотреть насколько они критичны для вашей задачи.
А, кстати, одно из преимуществ - то что изображения с лид.точками могут быть разного размера (но вместе одинакового). Например, другими сетками у меня были проблемы, что лид.точки нельзя просто так взять и растянуть (или ужать) под требуемый формат.
Спасибо за ваш комментарий! Пока что оставлю как есть, потому что для меня выстроена логичная цепочка. Плюс, в тесте не говорится, что ResNet ставили себе цель решить проблему затухающего градиента (хотя из текста так может показаться), однако, как следствие, решили. Я обдумаю как поправить этот момент. Еще раз, спасибо!
Благодарю. Но чтобы ее написать (и про приведение нестационарных систем) в таком замечательном виде, мне потребовался год.
Искренне надеюсь, что кому-то пригодиться. Очень хорошая книга Морозова и Каленовой. Она служила основным источником. Так что можете обратиться, возможно, за более понятной информацией, туда.