"新神经 "是MetaTrader 5平台的一个开源神经网络引擎项目。 - 页 58 1...515253545556575859606162636465...100 新评论 Mykola Demko 2011.11.20 23:10 #571 TheXpert。??? AndreiTheXpert，如果你说A，就说B。你认为NS的主要瓶颈是什么？ TheXpert 2011.11.20 23:12 #572 Urain。 这并不重要。 Mykola Demko 2011.11.20 23:15 #573 TheXpert: 这并不重要。我想发展，听取不同的意见并得出结论。我想发展，我想听到不同的意见和结论。 Vladimir 2011.11.21 01:30 #574 GPU Cuda是一个强大的东西。我有一些代码在16个英特尔的Tracks（4核CPU）上运行了2-3小时。而在300多个CUDA核心上，它在10分钟内跑完了同样的距离，这令人印象深刻。但是，Kuda的代码开发非常复杂：人们不得不手动将代码中的所有计算分成平行线程，优化内存（不幸的是，Kuda核心的内存很少）。这超出了我的能力范围--一个聪明的程序员帮助了我。我仍然害怕他的代码，继续在我的原始（非并行化）代码中做所有的修改。我形成了一个观点：如果算法是稳定的，在有能力的程序员的帮助下，它可以被优化并转移到GPU上，像我这样自学成才的程序员是做不到这一点的。如果你立即从一个训练有素的算法的GPU代码开始，需要很长时间才能绕过它。我自己总是从一个简单的虽然不是最佳的代码开始，我自己可以理解，只有在获得预期的结果后，我才开始优化它。我是一个混乱的人，不是一个程序员 :) Andrey Dik 2011.11.21 07:32 #575 gpwr: GPU Cuda是一个强大的东西。我有一些代码在16个英特尔的Tracks（4核CPU）上运行了2-3小时。而在300多个CUDA核心上，它在10分钟内跑完了同样的距离，这令人印象深刻。但是Kuda的代码开发非常复杂：人们不得不手动将代码中的所有计算分割成并行线程，优化内存（不幸的是，Kuda核心的内存很少）。这超出了我的能力范围--一个聪明的程序员帮助了我。我仍然害怕他的代码，继续在我的原始（非并行化）代码中做所有的修改。我形成了一个观点：如果算法是稳定的，在有能力的程序员的帮助下，它可以被优化并转移到GPU上，像我这样自学成才的程序员是做不到这一点的。如果你立即用GPU代码开始一个训练有素的算法，将需要很长的时间来绕过它。我自己总是从一个简单的虽然不是最佳的代码开始，我自己可以理解，只有在获得预期的结果后，我才开始优化它。我是一个混乱的人，不是一个程序员 :)因此，我们希望得到GPU计算领域专家的建议。我对以下问题感兴趣。1.在创建一个在GPU上运行的项目（或其各个模块）时，应该首先检查哪些方面，以避免将来重新做的麻烦过程？2.GPU核心的内存限制是什么？有没有可能把整个运行时的代码放到内存中（几万、几十万条）？到目前为止，这样的，一般的问题。更详细的，我想，以后会有的。 Vladimir 2011.11.21 08:09 #576 joo: 因此，我们希望得到GPU计算方面专家的建议。yu-sha 和JavaDev，ow!对以下问题感兴趣。1.在GPU上创建一个项目（或其单个模块）时，首先应该注意哪些方面，以避免将来重新设计时的麻烦？2.GPU核心的内存限制是什么？有没有可能把整个运行时的代码放到内存中（几万、几十万条）？到目前为止，这样的，一般的问题。更详细的，我想，以后会有的。 为什么要在一个 用于一般用途的项目 中使用cuda呢？一些用户有一个cuda，其他用户有一个不同的cuda，还有一些用户根本没有cuda。例如，我在工作的笔记本电脑上没有cuda。同样的网络代码会因为cuda的核数和内存的不同而有很大的不同。最好先为普通的英特尔处理器编写这个网络引擎，让大家都能使用，然后再为库达优化，如果有意义的话。顺便说一下，最好是以这样的方式创建引擎，使其在云中工作。我对云计算并不熟悉。那里面到底有没有什么地方呢？ [删除] 2011.11.21 08:33 #577 gpwr: 为什么要在一个用于普通用途的项目中使用cuda？一些用户有一个cuda，其他用户有一个不同的cuda，还有一些用户根本没有cuda。例如，我在工作的笔记本电脑上没有cuda。同样的网络代码会因为cuda的核数和内存的不同而有很大的不同。最好先为普通的英特尔处理器编写这个网络引擎，让大家都能使用，然后再为库达优化，如果有意义的话。顺便说一下，最好是以这样的方式创建引擎，使其在云中工作。我对云计算并不熟悉。那里面到底有没有什么地方呢？ 我同意，起初你需要做一个 没有CUDA的项目。但我对这个帖子有一个意见--你不应该只为英特尔磨刀，也不要忘记AMD。 Andrey Dik 2011.11.21 08:42 #578 gpwr: 为什么要在一个用于普通用途的项目中使用cuda？一些用户有一个cuda，其他用户有一个不同的cuda，还有一些用户根本没有cuda。例如，我在工作的笔记本电脑上没有cuda。同样的网络代码会因为cuda的核数和内存的不同而有很大的不同。最好先为普通的英特尔处理器编写这个网络引擎，让大家都能使用，然后再为库达优化，如果有意义的话。顺便说一下，最好是以这样的方式创建引擎，使其在云中工作。我对云计算并不熟悉。到底有没有地方？MQ已经承诺在MQL5中支持OpenCL，而不是CUDA（只有nVidia的显卡）。OpenCL可以在任何具有多核处理器的硬件上运行，这包括CPU和GPU（AMD和nVidia和intel）。因此，一个 支持在CPU和GPU上进行计算的项目 对每个人都适用。由于MQL5将支持OpenCL，这意味着云代理将支持GPU计算。 TheXpert 2011.11.21 11:04 #579 Urain。你不可能永远是对的，这就是开源项目的目的，要争论，要证明。 我需要它吗？ yu-sha 2011.11.21 12:17 #580 joo:因此，我们希望得到GPU计算方面专家的建议。yu-sha 和JavaDev，ow!对以下问题感兴趣。1.在GPU上创建一个项目（或其单个模块）时，首先应该注意哪些方面，以避免将来重新设计时的麻烦？2.GPU核心的内存限制是什么？原则上，是否有可能将整个可执行代码放在内存中单独的历史运行中（几万、几十万条）？到目前为止，这样的一般问题。更详细的，我想以后会加进去。主要内容是。1）GPU只需要用于训练2) 通过对一个层的神经元数值进行并行计算，以及更重要的是！--通过同时运行数百个网络，实现了性能的大幅提高。将项目最大限度地分解为自主的组成部分--这里需要注意的是GPU上的DDR内存足以存储几十万条的历史数据。核心内存受到严重限制（30-50Kbytes）。直接的编程也解决了这个问题--这是值得的，因为芯片存储器以核心频率运行，访问它需要花费0个时钟周期。还有内核内存库的冲突，他们也能绕过这个问题。Windows的功能有一个令人不快的地方--如果一次运行持续时间>~5秒，驱动程序就会重置。因此，我们最多可以得到100-200个神经元的网络训练，用于10万条的历史。在这种（最大）配置下，我们在GTX460 GPU上获得每秒约20-30次的优化速度。 1...515253545556575859606162636465...100 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
???
这并不重要。
我想发展，听取不同的意见并得出结论。
我想发展，我想听到不同的意见和结论。
GPU Cuda是一个强大的东西。我有一些代码在16个英特尔的Tracks（4核CPU）上运行了2-3小时。而在300多个CUDA核心上，它在10分钟内跑完了同样的距离，这令人印象深刻。但是，Kuda的代码开发非常复杂：人们不得不手动将代码中的所有计算分成平行线程，优化内存（不幸的是，Kuda核心的内存很少）。这超出了我的能力范围--一个聪明的程序员帮助了我。我仍然害怕他的代码，继续在我的原始（非并行化）代码中做所有的修改。我形成了一个观点：如果算法是稳定的，在有能力的程序员的帮助下，它可以被优化并转移到GPU上，像我这样自学成才的程序员是做不到这一点的。如果你立即从一个训练有素的算法的GPU代码开始，需要很长时间才能绕过它。我自己总是从一个简单的虽然不是最佳的代码开始，我自己可以理解，只有在获得预期的结果后，我才开始优化它。我是一个混乱的人，不是一个程序员 :)
GPU Cuda是一个强大的东西。我有一些代码在16个英特尔的Tracks（4核CPU）上运行了2-3小时。而在300多个CUDA核心上，它在10分钟内跑完了同样的距离，这令人印象深刻。但是Kuda的代码开发非常复杂：人们不得不手动将代码中的所有计算分割成并行线程，优化内存（不幸的是，Kuda核心的内存很少）。这超出了我的能力范围--一个聪明的程序员帮助了我。我仍然害怕他的代码，继续在我的原始（非并行化）代码中做所有的修改。我形成了一个观点：如果算法是稳定的，在有能力的程序员的帮助下，它可以被优化并转移到GPU上，像我这样自学成才的程序员是做不到这一点的。如果你立即用GPU代码开始一个训练有素的算法，将需要很长的时间来绕过它。我自己总是从一个简单的虽然不是最佳的代码开始，我自己可以理解，只有在获得预期的结果后，我才开始优化它。我是一个混乱的人，不是一个程序员 :)
因此，我们希望得到GPU计算领域专家的建议。
我对以下问题感兴趣。
1.在创建一个在GPU上运行的项目（或其各个模块）时，应该首先检查哪些方面，以避免将来重新做的麻烦过程？
2.GPU核心的内存限制是什么？有没有可能把整个运行时的代码放到内存中（几万、几十万条）？
到目前为止，这样的，一般的问题。更详细的，我想，以后会有的。
因此，我们希望得到GPU计算方面专家的建议。yu-sha 和JavaDev，ow!
对以下问题感兴趣。
1.在GPU上创建一个项目（或其单个模块）时，首先应该注意哪些方面，以避免将来重新设计时的麻烦？
2.GPU核心的内存限制是什么？有没有可能把整个运行时的代码放到内存中（几万、几十万条）？
到目前为止，这样的，一般的问题。更详细的，我想，以后会有的。
为什么要在一个用于普通用途的项目中使用cuda？一些用户有一个cuda，其他用户有一个不同的cuda，还有一些用户根本没有cuda。例如，我在工作的笔记本电脑上没有cuda。同样的网络代码会因为cuda的核数和内存的不同而有很大的不同。最好先为普通的英特尔处理器编写这个网络引擎，让大家都能使用，然后再为库达优化，如果有意义的话。顺便说一下，最好是以这样的方式创建引擎，使其在云中工作。我对云计算并不熟悉。那里面到底有没有什么地方呢？
为什么要在一个用于普通用途的项目中使用cuda？一些用户有一个cuda，其他用户有一个不同的cuda，还有一些用户根本没有cuda。例如，我在工作的笔记本电脑上没有cuda。同样的网络代码会因为cuda的核数和内存的不同而有很大的不同。最好先为普通的英特尔处理器编写这个网络引擎，让大家都能使用，然后再为库达优化，如果有意义的话。顺便说一下，最好是以这样的方式创建引擎，使其在云中工作。我对云计算并不熟悉。到底有没有地方？
MQ已经承诺在MQL5中支持OpenCL，而不是CUDA（只有nVidia的显卡）。OpenCL可以在任何具有多核处理器的硬件上运行，这包括CPU和GPU（AMD和nVidia和intel）。因此，一个 支持在CPU和GPU上进行计算的项目 对每个人都适用。
由于MQL5将支持OpenCL，这意味着云代理将支持GPU计算。
Urain。
你不可能永远是对的，这就是开源项目的目的，要争论，要证明。
因此，我们希望得到GPU计算方面专家的建议。yu-sha 和JavaDev，ow!
对以下问题感兴趣。
1.在GPU上创建一个项目（或其单个模块）时，首先应该注意哪些方面，以避免将来重新设计时的麻烦？
2.GPU核心的内存限制是什么？原则上，是否有可能将整个可执行代码放在内存中单独的历史运行中（几万、几十万条）？
到目前为止，这样的一般问题。更详细的，我想以后会加进去。
主要内容是。
1）GPU只需要用于训练
2) 通过对一个层的神经元数值进行并行计算，以及更重要的是！--通过同时运行数百个网络，实现了性能的大幅提高。
将项目最大限度地分解为自主的组成部分--这里需要注意的是
GPU上的DDR内存足以存储几十万条的历史数据。
核心内存受到严重限制（30-50Kbytes）。直接的编程也解决了这个问题--这是值得的，因为芯片存储器以核心频率运行，访问它需要花费0个时钟周期。还有内核内存库的冲突，他们也能绕过这个问题。
Windows的功能有一个令人不快的地方--如果一次运行持续时间>~5秒，驱动程序就会重置。
因此，我们最多可以得到100-200个神经元的网络训练，用于10万条的历史。
在这种（最大）配置下，我们在GTX460 GPU上获得每秒约20-30次的优化速度。