Yeni Kayıt
Konudaki Resimler
|
Hızlı 
Bildirim
Makine öğrenme dili cebe giriyor
Sıcak Fırsatlarda Tıklananlar
Editörün Seçtiği Fırsatlar
Kono USB Şarj Portlu Seyahat Dizüstü Bilgisayar Sırt Çantası Suya Dayanıklı İş Bilgisayar Çantası Okul Çantası Kadın Erkek Günlük Sırt Çantası 15,6 İnç Dizüstü Bilgisayara Uygun, gri, M : Amazon.com.tr: Bilgisayar
https://www.amazon.com.tr/dp/B07ZVLPKZ7
3 sa. önce paylaşıldı
Samsung Galaxy S24 Ultra 17,3 cm (6,8") 12 GB 256 GB Çift SIM Gri 5000 mAh : Amazon.com.tr: Elektronik
https://www.amazon.com.tr/dp/B0CNKGPSBM
18 sa. önce paylaşıldı
Acer Nitro 5 AN515-58-588W NH.QLZEY.007 i5-12450H 8 GB 512 GB SSD RTX4050 15.6" Dos Dizüstü Bilgisayar Fiyatları ve Özellikleri
https://www.n11.com/urun/acer-nitro-5-an515-58-588w-nhqlzey007-i5-12450h-8-gb-512-gb-ssd-rtx4050-156-dos-dizustu-bilgisayar-46011556?magaza=bozdanteknoloji
3 hafta önce paylaşıldı
Daha Fazla 
Bu Konudaki Kullanıcılar:
Daha Az 
1 Misafir - 1 Masaüstü
Giriş
Mesaj
-
-
Uzun lafın kısası usb yapay zeka mı anlamadım :)
-
Güzel translate yapabiliyorsa dh hemen üç beş tane sipariş versin. -
Benim anlamadigim bunun evimizdeki bilgisayardan ne avantaji var aynisini orada da yapariz
-
Biraz araştırma yaptım da ufak bir şey kafama takıldı anladığım kadarıyla vektör yöntemi süper bilgisayarlarda kullanılmıyormuş(yanlışım varsa affola) bu kadar verimli bir yöntem varken neden daha uzun yoldan bu işlemler gerçekleştiriliyor ?
-
@HealtCliff96 SIMD yapısındaki herşeyi vektör altyapısı olarak kabul edebilirsin işlemciler için SSE vs.
@GenkaNuank Çünkü başka yerlerdekinin aynısını çevrilip aktarılınca böyle sonuca varmaktan başka çaresi kalmıyor okuyanın. Evde AI çalışman için değil zaten bu. Evdeki makinanla alasını yaparsın zaten. Bunun esas amacı geliştirme vs. için kullanmak. Sen evdeki makinada esas kullanılacak olan AI altyapısını hazırlıyorsun. Bunun işlenmesi train edilmesi vs. gerekiyor. train edilmesi esnasında çok büüyk işlem gücüne ihtiyacın var. Resimleri alacak, mesela 32x32 pixel parçalara bölecek, sonra bu parçalardan her birini 4x4 alt patçalara bölecek, sonra belli özellik filtrelerinden geçirecek, aralarında belli ağırlıklar(ilişki değerleri) oluşturacak evdeki makinadaki işlem gücü (veya farm-cloud-gpu neyse artık). Böylece gelen resmin detaylarını inceleyip amacın neyse ona göre bi özellik setleri, ayrıştırmakta / amaca göre karar vermekte kullanacağın bi ilişki dizisi oluşturdun. Bu train edilmiş yapı. Yani Train etmesi uzun sürüyor. Sonra bunu çalıştıracak bi yapı lazım. Yani elinde bişeyleri öğrenmiş yapı var. Öğretmek için çok işlem gücü gerekirken, öğrenmiş-train edilmiş yapıyı çalıştırırken çok çok daha düşük işlem gücüne ihtiyacın var. Tesla M40 vs. M4 farkı gibi (Titan X , gtx960). Train ederken M40'ı kullanıyorsun (yada onlardna oluşan farm), işlerken daha az işlem gücüne ihtiyacın var diye düşük bi kart kullanıyorsun.
Movidious'un elinde bu işe özel algo-train seti vs. var. Bu alanda çalışanlar zaten kendileri de amaçlarına yönelik altyapıları vardır mutlaka. Bunu çipe yüklüolar bi nevi, çip önceden train edlmiş altyapıyı işliyor. Drone'a takıyorsun kendisi otomatik olarak resim işleyip engellerden kaçınıyor faln. Arabaya takıyorsun, yoldaki insnları arabaları faln algılıo vs.
Myriad'ı bi tık farklı kılan, başından beri görüntü işleme amacıyla tasarlanmış olması. Yoksa compiler dev.'ler var, eleman bunu yerin dibine soktu saçma sapan gelen özelliklerinden dolayı. sonuçta bi tür CPU bu, derin vektör altyapıları faln var. PS3 Cell'in SPE'lerinin daha da derin bozuk anlam ifade etmeyen halleri gibi. Ama, esas amacı olan görüntü işleme için kullanıldığında oldukça verimli çalışıyor.
CTO'su ile ahpablığım var ama direk ilgi alanım diye üstünde debelenmedim. Yani PR için bi sürü şeyini biliyorum, ama en optimize işler için unsupervised olarak ne kadar kendi başına öğrenebilir , kendi başına train edebilir detayını bilmiyorum(unsupervised -> train edilmiş yapı ile beslenen değil, ilişkileri kendisi analiz ederek altyapıyı oluşturan gibi bişey). Yani tanımlanmamış yapıları yorumlarken o AI altyapısındaki ağırlık setlerini ne kadar verimli l yeni baştan dizayn edeblir faln detaylarını bilmiyorum. Ama sonuçta güçlü bi serverdaki kadar sürekli kendini yeniden train edebilecek altyapısı yok. REaltime çalıştırma-işleme için.
Ama realtime işleme yaparken de içinde bi sürü hızlandırıcı altyapılar var. İşte kenar tanımlama / yeniden boyutlama / ton-renk-parlaklık / lens bozulması / vs. için hızlı filtreleme altyapıları var. YAzılımla hepsi yapılır, ama bi tık vakit alır detayına göre , uzayabilir, gücü yetmez , daha güçlü çip gerekir , toplam perf düşer vs.
Özeti, buna altyapıyı veriyorsun, mobilitenin düşük güç tüketiminin hafifliğin vs. gerektiği yerlerde o mobil aracı akıllı hale getiriyor, sonuçlar üretiyor. Görece karmaşık AI altypılarını düşük güç tüketimi vs. ile verimli olarak işleyebiliyor. Sonra bunlar ne yapılacaksa, mobil aracı kontrol eden ana yapı ne ise ona veriliyor. O da yolda adam var, karşıda bina var diyip ona göre manevra yaptırıyor.
< Bu mesaj bu kişi tarafından değiştirildi Rubisco -- 2 Mayıs 2016; 0:17:23 >
-
Çok yararlı bir ürün olmuş.Böyle ürünlerin hem yararlı hem de ucuz olması en güzel yönlerinden
-
Ek olarak ilerde bu tarz düşük gecikme ile görüntü işleyen çip/yapılar sanal gerçeklik -> arttırılmış gerçeklik sistemlerinde kullanılması zorunlu olmaya başlayabilir (VR -> AR). Sanal gerçeklikte (VR) bizi içine çekebilmesi için, kendimizi farklı ortamda hissedebilmemiz için, algılarımızın karışıp bulunduğumuz ortamda kopabilmemiz için süper grafiklere ihtiyaç yok. Bu işin bi yere kadar güzelliği burda zaten. 2 kişi karşılıklı VR ile inanılmaz basitlikte bi ortamda etkileşime geçse bile bu etkileyici geliyor. Arttırılmış gerçeklikte (AR) ise gerçek ortam ile sanal nesnelerin birleştrilebilmesinde kesinlikle devasa sorunlar var. Bunun için ya kamera altyapısının referans alıp düşük gecikme ile işlenmesi için yardımcı olacağı ilave tag-çizgi vs. gibi şeylere ihtiyaç var. Yoksa masanıza odanıza yaratık çizip bunun yerde değil havada yürüyor gibi gözükmesi, duvarın içine girip çıkıyor olması, ortamı (oda vs.) işleyip analiz edip nesneleri ortama çizmek sonra da render altyapısını sürekli güncellemek gerekirken oluşan sürekli titremeler, sanal nesnelerin çok hızlı yer değiştirmesi vs -> işin cazip yanını hemen bozar. Hololens vs. Pr için kıyameti kopardılar ama götürntü işleyip nesneleri oturtmak için eşek gibi çalışıolar. Basit işler için bile çok çalışıyorlar.
Bu durumda işte eğer Myriad benzeri görüntü işleme çipleri ile ortamı daha iyi tanıyıp, buna göre ortamdaki nesneler arasında ilişki kurup, sınıflandırılmış halini render altyapısında AR için sunabilir. Myriad'ın önceki msjda yazdığım şeyleri yaparkenki avantajı çok düşük gecikme ile yapması. Belli AI altyapısı için bi sürü resim işleme filtrsinden geçirmesi, sınıflara ayırması AI için altyapıda işlemesi (CNN vs. ile) düşük gecikmeli bi altyapı yüzünden daha faydalı olabilir.
Kinect'de mesela ortamın taranması bundan derinlik bilgisi faln oluşturulması, nesne konumlarına göre ana render altyapısına bilgi hazırlanması az işlem gücü istemiyor.
Ortamın derinlik bilgisini alma için (depth extraction) ilave kamera-sensör-tarayıcı-işlem gücü olmadan görece basit yoldan derinlik bilgisinin toplanabilmesi, sınıflandırılabilmesi, ana işlem altyapısına render için verilebilmesi ve bunun düşük gecikme ile olabilmesi önemli. Myriad 2 mesela 1080p için 50 bin farklı sınıflandırma filtresini 7 ms 'den daha kısa zmanda işleyebiliyor. Çok daha basit filtreleme işleminde gecikme hızla aşağılara iniyor.
Yani VR->AR setleri için ortamın daha iyi işlenmesi amacıyla extradan bu tarz bi çip içermesi ileride bazı işleri kolaylaştırabilir.
-
Amd64x2
kullanıcısına yanıt
bir makine asla bir insan kadar kusursuz çeviri yapamaz
Sayfa:
1
Ip işlemleri
Bu mesaj IP'si ile atılan mesajları ara Bu kullanıcının son IP'si ile atılan mesajları ara Bu mesaj IP'si ile kullanıcı ara Bu kullanıcının son IP'si ile kullanıcı ara
KAPAT X
Bu mesaj IP'si ile atılan mesajları ara Bu kullanıcının son IP'si ile atılan mesajları ara Bu mesaj IP'si ile kullanıcı ara Bu kullanıcının son IP'si ile kullanıcı ara
KAPAT X
