On Sunday, December 24, 2017 at 5:31:59 PM UTC+1, grapeli23 wrote:
> > To będzie padało ;-)
> Nie wiem.
To żart był. Chmura to jest ten obłoczek na niebie z którego
czasami pada ;-) A to co napisałeś poniżej, to trochę podobne do
obliczeń równoległych, rozproszonych, optymalizacji na poziomie
bramek logicznych, itd ;-)


> Wszystko obecnie jest realizowane w chmurze.
Teraz już nie żartuję. Jaka jest definicja chmury?


> Smartfon, komputer PC,
> smart tv, tablet czy korporacyjny PC służy jedynie do wysyłania żądań
> i zapytań do serwerów zewnętrznych.
Rozumiem, że tak jest 'jedynie' w przypadku jakiś aplikacji które
masz na myśli, możesz przybliżyć?


> Możliwości jednostkowe tych
> urządzeń, OSów dostępowych są mało znaczące.
Pewnie też piszesz w jakimś zawężonym sensie, doprecyzujesz?


> Znaczące są te w BigQuery.
Pierwszy raz słyszę to słowo.


> Co z tego że twój najnowszy AMD Ryzen 7 1700 (8-Core/16-Thread, 3.0 GHz)
> z NVMe SSD skompiluje najnowsze chromium w 3-4h jak googlowe buildboty
> robią to w 5min.
Mógłbym powiedzieć że masz rację, bo masz; albo odparować, bo rzadko
kompiluje się całość, ale nie wiem do jakiego celu zmierza ta rozmowa.
Piszą kolokwialnie: co z tego że coś z tego, albo co z tego że nic z tego?


> https://chromium-build.appspot.com/p/chromium/consol
e
> https://www.chromium.org/developers/testing/chromium
-build-infrastructure/tour-of-the-chromium-buildbot
>
> Co z tego że biedzisz się nad silnikiem szachowym. Jak googlowe AI po
> zaprzęgnięciu sporej ilości TPU na 5h bije najlepszy silnik szachowy
> Stockfish po tak krótkim treningu.

Znowu, co z tego że nic z tego, albo co z tego, że nic z tego?

Wiadomo, sztuczne sieci neuronowe zrównolegalają się na N*M sposobów, a
sztuczne sieci neuronowe do szachów na N*M*K*L sposobów ;-) Moje szachy
uczyły się dwiema metodami. Jedna bardzo szybko (2-3 doby) dobierała przybliżone
parametry, druga w 2-3 tygodnie na jednym zwykłym komputerze jeszcze
bardziej je przybliżała. Ale deep-learning ile razy próbowałem do
szachów, tyle razy się nie udało. Chociaż stosowałem przyrostowe
uaktualnianie wag (niektóre statystyki podawane na wejście nie
zmieniają się po wykonaniu jednego ruchu, więc część neuronów po
zmianie układu na planszy jest aktualna), co znacznie przyspieszało
przelizanie sieci, to na najprostszych sieciach (na czas) grało
najlepiej.

Potem opracowałem nową strukturę do reprezentowania sztucznych sieci
neuronowych. Ta struktura wydajnościowo jest dostosowana do
obliczeń na PC (chociaż klastrami też nie gardzi), więc może przy
jakiś milionach neuronów grałoby lepiej, bo by spowalniało mniej niż
klasyczny perceptron wielowarstwowy.


Pozdrawiam