Quote:
Originariamente inviato da Gyammy85
Si ma queste spiegazioni sono inutili, rivolte a chi di vga amd non sa assolutamente nulla, hanno la scheda che "impara, inferisce e distrugge", prima avevano la vga che "riflessava, computava e asfaltava", prima ancora quella che "geometrava, tessellava e piallava", non sono qui per arricchire la discussione ma per essere sicuri di essersi davvero convinti di aver fatto l'acquisto giusto
|
Vabbè che non serviva conferma, ma quanto è assurdo sto thread
Quando uno parla di bot ed acquisti schede video giustamente vi lamentate perchè non si parla di qualcosa di tecnico o interessante.
Quando invece uno prova a dare una "smossa" al thread co qualche spunto tecnico come questo:
Quote:
Originariamente inviato da incorreggiubile
Ma la NN impara, cioè si "tuna" meglio grazie alla backpropagation e contemporaneamente evitando l'overfitting a cui vanno incontro tipicamente i modelli statistici (regressione lineare) 
E i pesi così trovati possono essere utili anche in contesti diversi da quello per cui si è effettuato il training. |
Quote:
Originariamente inviato da Gigibian
Dipende tutto da come ed in che modo si deve fare un training.
Usare delle CNN o delle RNN non è quello che dà il "plus" all'algoritmo: dipende su cosa fai il training. Ovvero l'informazione di base che adesstra le NN.
Come dicevo prima:
Se non utilizza nessuna delle due informazioni, che tu usi una rete neurale o un polinomio di fitting con dei pesi calcolati con un altri tipo di training, è assolutamente identico, non è che le NN sono "magiche".
Una NN non fa altri che stimare una info "y" definendo dei pesi "p" da applicare ad una informazione che già hai "a". Nel nostro caso "a" sono i pixel di un singolo sub-set del frame (ad esempio un quadrato 4x4 pixel):
y1 = p0+ p1*a1 + p2*a2 + p3*a3 + p4*a4 etc...
se la stima dei vari "p" che producono l'informazione "y" è fatta con poche informazioni, il risultato sarà pessimo.
gli stessi pesi "p" posso essere stimati con una convergenza ai minimi quadrati: che alle volte funziona molto meglio delle NN, ed il polinomio di fitting sarà pressochè identico:
y2 = p0 + p1*a1 + p2*a2 + p3*a3 + p4*a4 etc...
le differenze tra NN ed altri metodo di stima sono due:
- Le informazioni che dai in pasto al training (shit in - shit out)
- Come definisci la convergenza del training: Con i minimi quadrati sei tu a dare dei criteri di convergenza; con le reti neurali le "epoche" di iterazioni portano a convergere il criterio trovando i pesi "corretti".
Tutto ciò spiegato molto velocemente e male, ma solo per sottolineare che le reti neurali è solo un modo un po' più moderno per ottenere un polinomio y=ax+b. Fine. La parte interessante è il training: con quali informazioni viene fatto.
Quindi AMD puo' anche aver usato 45000 layer di reti neurali strafiche, ma se è confermato che usa solo l'informazione del singolo frame, beh, puoi fare ben poco.
|
Vi lamentate che "queste spiegazioni sono inutili".
Mamma mia ragazzi. Sconforto.
Invece sono utilissime per chi vuole capire