제안된 구현은 CPU와 GPU 모두에서 쉽게 변환할 수 있습니다. 그리드는 지연 연산자도 제공합니다.
3가지 변환 경로가 있습니다.
GPU에 적합한 그대로 둡니다(4개의 배열 모두 2차원임).
out은 1차원 배열이지만 2차원 bool 마스크도 사용됩니다.
out은 1차원 배열이며 마스크 대신 마스크에서 만든 인덱스 배열이 사용됩니다.
(우리는 이전에 이진 마스크에 대해 이야기했습니다. 이것은 0과 1을 사용하여 연결이 있는지 여부를 나타내는 마스크입니다. 이 경우 뉴런은 수평 배열이고 다른 뉴런과의 연결은 수평선에 의해 표시됩니다. 이진 마스크의 해당 값, 바로 그 셀에서 가중치, 출력 및 시간 데이터를 저장하는 병렬 배열에서 Zx는 x-순위 지연 연산자입니다)
class CDmem
{
public :
CDmem( void ){};
~CDmem( void ){};
double m[];
};
//+------------------------------------------------------------------+//| |//+------------------------------------------------------------------+class CBmem
{
public :
CBmem( void ){};
~CBmem( void ){};
bool m[];
};
//+------------------------------------------------------------------+//| |//+------------------------------------------------------------------+class CProcessing
{
public :
CProcessing( void ){};
~CProcessing( void ){};
virtualvoid Processing( int i,CBmem &mask[],CDmem &weg[],CDmem &out[],CDmem &temp[], int I, int J)
{
for ( int j= 0 ;j<J;j++)
{
temp[i].m[j]=mask[i].m[j]*weg[i].m[j]*out[i].m[j];
}
double sum= 0 ;
for ( int j= 0 ;j<J;j++)
{
sum+=temp[i].m[j];
}
double outt= 2 ./( 1 .+ exp (-sum));
for ( int j= 0 ;j<J;j++)
out[i].m[j]=outt;
};
void DelayOperator( int i,CDmem &out[])
{
// тут мы сдвишаем от конца к началу, реализуем оператор задержки
};
};
//+------------------------------------------------------------------+//| |//+------------------------------------------------------------------+class Unet
{
int cnt_prcss;
CBmem mask[];
CDmem weg[];
CDmem out[];
CDmem temp[];
CProcessing *prcss[];
void Init()
{
ArrayResize (mask, 5 );
ArrayResize (weg, 5 );
ArrayResize (out, 5 );
ArrayResize (temp, 5 );
for ( int i= 0 ;i< 5 ;i++)
{
ArrayResize (mask[i].m, 19 );
ArrayResize (weg[i].m, 19 );
ArrayResize (out[i].m, 19 );
ArrayResize (temp[i].m, 19 );
}
};
void InitProcessing(CProcessing *p)
{
prcss[cnt_prcss]=p;
cnt_prcss++;
};
public :
Unet( void ){Init(); cnt_prcss= 0 ;};
~Unet( void )
{
for ( int i= 0 ;i<cnt_prcss;i++)
delete prcss[i];
};
void DonwloadMask(){};
void DonwloadWeg(){};
void Processing()
{
for ( int i= 0 ;i<cnt_prcss;i++)
prcss[i].Processing(i,mask,weg,out,temp, 5 , 19 );
};
void DelayOperator()
{
for ( int i= 0 ;i<cnt_prcss;i++)
prcss[i].DelayOperator(i,out);
};
};
프로젝트는 지금 어느 단계에 있습니까? 보스는 누구인가?
보스는 없습니다. 원한다면 될 수 있습니다.
위협 내 생각에 내일 오후에 이야기하는 것이 더 나을 것입니다.
프로젝트는 지금 어느 단계에 있습니까? 보스는 누구인가?
더 나은 - 신경 올빼미가 한 번 우승을 차지한 것이 더 좋지 않습니까?
저것. 그는 어딘가에 PAMM 계정을 가지고 있었습니다... 구글을 통해 검색하세요.
프로필을 통해 :-)
오래된 스레드를 불러오기로 결정했습니다.
나는 국회의 보편적인 모델을 고려할 것을 제안합니다.
이 모델로 설명할 수 없는 그리드 유형을 제시하도록 반대자들을 초대합니다!!!
코드는 초안이므로 루트를 보십시오.
제안된 구현은 CPU와 GPU 모두에서 쉽게 변환할 수 있습니다. 그리드는 지연 연산자도 제공합니다.
3가지 변환 경로가 있습니다.
GPU에 적합한 그대로 둡니다(4개의 배열 모두 2차원임).
out은 1차원 배열이지만 2차원 bool 마스크도 사용됩니다.
out은 1차원 배열이며 마스크 대신 마스크에서 만든 인덱스 배열이 사용됩니다.
(우리는 이전에 이진 마스크에 대해 이야기했습니다. 이것은 0과 1을 사용하여 연결이 있는지 여부를 나타내는 마스크입니다. 이 경우 뉴런은 수평 배열이고 다른 뉴런과의 연결은 수평선에 의해 표시됩니다. 이진 마스크의 해당 값, 바로 그 셀에서 가중치, 출력 및 시간 데이터를 저장하는 병렬 배열에서 Zx는 x-순위 지연 연산자입니다)
이것은 모델이 아닙니다. 뉴런은 어디에 있습니까? 연결은 어디에 있습니까? 프로세스는 어디에 있습니까? 피드백은 어디에 있습니까?
채우기에 대한 또 다른 질문 - 왜 모든 네트워크에 대한 보편적인 모델을 만드나요?
대부분의 작업을 위한 범용 네트워크보다 낫습니다(heh)).
그리고 왜 즉시 구현으로 이동합니까? 아키텍처가 준비되지 않았습니다.
이것은 모델이 아닙니다. 뉴런은 어디에 있습니까? 연결은 어디에 있습니까? 프로세스는 어디에 있습니까? 피드백은 어디에 있습니까?
채우기에 대한 또 다른 질문 - 왜 모든 네트워크에 대한 보편적인 모델을 만드나요?
대부분의 작업을 위한 범용 네트워크보다 낫습니다(heh)).
뉴런은 그림에서 수평 배열입니다. 링크는 부울 마스크로 암호화됩니다.
내가 명확하게 설명하지 않을 주요 질문을 하세요. 한 번에 모든 것을 설명하지 못할 것입니다.
위협 아키텍처는 모델에서 비롯되며 다음과 같을 것입니다.
ZZY 여기에서도 주어진 모델이 롤링되거나 그럼에도 불구하고 존재하지 않는 모든 작업에서 확인하고 싶습니다. 머리 하나는 좋지만 후렴구에서 더 잘 나올 것입니다.
CProcessing 클래스의 자손을 변경하면 뉴런의 유형을 하나씩 변경할 수 있습니다.
추가로 뉴런 유형의 배열을 추가하고 각각에 대해 고유한 유형을 설정할 수 있습니다(하위 항목에서 CProcessing 선택).
ZZZY 피드백은 그림 Zx에 표시됩니다.
그렇다면 마스크가 출력에 연결되고 다시 뉴런에 연결되지 않는 이유는 무엇입니까?)
활성화 기능을 GPU에 어떻게 푸시하고 싶습니까?
IMHO, 당신은 지난번처럼 중요하지 않은 것을 밀어낼 것입니다. 그러나 이것은 IMHO이므로 안전하게 누울 수 있습니다.
일 외에는 더 이상 당신을 귀찮게하지 않을 것입니다.
아, 코그니트론. 다른 무엇 - hopfield 네트워크 - 입력이 있고 출력이 있습니다. 희소성도 있고...