并行计算与机器学习(1/3)（中文） Parallel Computing for Machine Learning (Part 1/3)
Рет қаралды 25,096
Күн бұрын
@yuewang9882 Жыл бұрын
讲的很好，通俗易懂，调理清晰。图文并貌
@dvnovice Жыл бұрын
感谢老师非常清楚且浅显易懂的教学 只是最后一页提到的 mapreduce cost，学生认为 computation cost 应该直接涵盖于 synchronization 里，毕竟synchronization主要就是最慢的 computation cost
@daytonchan5038 2 жыл бұрын
讲的真的是太好了！王老师，字正腔圆，清晰易懂，谁会不爱呢？？？！
@XZJAK 2 жыл бұрын
深入浅出，去繁就简，直指核心，必须点赞！！！
@wilamlu1433 2 жыл бұрын
偶然点开这个视频，花了十分钟居然听懂了mapreduce，感谢老师！
@luzengyuan5326 4 жыл бұрын
非常好，我是做ai芯片，讲了理论基础
@dr_920 3 жыл бұрын
机器学习的宝藏。谢谢分享。
@linlinzhao9085 4 жыл бұрын
干练清晰明了，讲得太好了👍👍👍
@chengcheng6082 4 жыл бұрын
真不知道说啥了，这些课程太好了！我要向您学习！
@fzzying 4 жыл бұрын
干货满满，给你点赞
@xcl2555 4 жыл бұрын
期待更新更多视频
@dongdong7229 4 жыл бұрын
真正的牛人！
@pruzhinki0422 4 жыл бұрын
NLP研究生在读 期待您更多的视频
@jamesmaxwell4919 3 жыл бұрын
太棒了
@kaitian9580 4 жыл бұрын
王老师太赞了
@bojack2334 3 жыл бұрын
太棒了！一直在想梯度是什么意思！您一讲我就听懂了……
@DDDD-bh8wk Жыл бұрын
有没有deeplearning的系列，老师讲的太好了
@jinlinli9253 3 жыл бұрын
老师讲得太强了！
@张曦文-p6k 4 жыл бұрын
谢谢王老师
@wangbenqi8938 4 жыл бұрын
很好的课程
@chunmingj8612 3 жыл бұрын
讲的真好！
@Mirai12377 4 жыл бұрын
感谢您~！
@liutian3 10 ай бұрын
推荐系统中当物品数量多embedding很大，但model其他部分并不大时，用什么distributed training技术比较好？
@姚泽平-x7o 4 жыл бұрын
赞👍
@fl2024steve 2 жыл бұрын
太强了！
@songmeishu5445 3 жыл бұрын
marvelous video!
@AGI.Trainer 4 жыл бұрын
语气变温柔了
@batibati8654 2 жыл бұрын
老师讲的很好！谢谢您！《入侵检测，使用机器学习算法分析网络和系统安全威胁》这个题目有材料或资料吗？
@haiyuetian618 2 жыл бұрын
王老师我想请教一下，为什么Loss function只是把所有样本的误差加起来而不求一个平均呢，如果不求的话损失不是会随着样本的增加而无限制增加嘛。不求平均是因为我们平时在实际应用的情况中确定了batch size所以不需要求吗？
@george8840 3 жыл бұрын
不知当问不当问，为什么Loss Function中有1/2呢？我理解是此处常数是多少不影响，只是为了在求导得梯度时可以与2相乘抵消掉。
@ShusenWang 3 жыл бұрын
是的。系数无所谓，会被learning rate吸收掉。
@george8840 3 жыл бұрын
@@ShusenWang 谢谢王老师！
@hangerchou9572 3 жыл бұрын
王老师，可以推荐一些分布式机器学习应用的paper吗？
@ShusenWang 3 жыл бұрын
现在已经不是很热门的领域了，了解一下就好，不建议深挖
@jiutianyu3592 3 жыл бұрын
@@ShusenWang 请问王老师最近这个领域哪个方向较热啊。还是都比较卷
@ShusenWang 3 жыл бұрын
@@jiutianyu3592 不太建议做这个方向。low-hanging fruits都被摘完了
@tiantianli5812 3 жыл бұрын
@@ShusenWang 王老师 那现在哪个方向比较好
@wangyan5229 Жыл бұрын
@@ShusenWang 但是看最近出了很多pipeline并行，tensor并行的方法
@hongleixie4315 4 жыл бұрын
非常好的内容！老师能讲一下为什么你不推荐Spark这类MapReduce的系统做ML？视频里面留了一个flag但是我没有找到 谢谢！
@ShusenWang 4 жыл бұрын
这些系统需要synchronization。只有几个节点的时候没问题。但是当节点多的时候，synchronization的代价很大。比实际的时间的话，同步算法总是比异步慢很多。
@chiehchang9724 4 жыл бұрын
w* = argminL(w) 吧。
@ShusenWang 4 жыл бұрын
是的。我写错了。多谢！
@hxcai8199 3 жыл бұрын
博主了解automl吗？可以讲一些关于automl最新的研究方向和进展吗？感谢。
@ShusenWang 3 жыл бұрын
我打算讲 neural architecture search，但是暂时没时间录。
@hxcai8199 3 жыл бұрын
@@ShusenWang 期待！
@yuehanlyu324 3 жыл бұрын
王老师您好，想请教一下 worker node里共享内存的processor ，跟我们平时说的cluster的worker node可以划分为多个executor是同一个概念吗？
@ShusenWang 3 жыл бұрын
不太一样。处理器是机器本身的。executor数量是人为定的，可以任意。
@bingchen6686 4 жыл бұрын
cool!
@wangrobbie6867 4 жыл бұрын
稳！
@jamesguo1344 4 жыл бұрын
有这个课程的PPT可以共享吗
@ShusenWang 4 жыл бұрын
PDF文件都在这： github.com/wangshusen/DeepLearning
@jamesguo1344 4 жыл бұрын
@@ShusenWang 谢谢
@jamesguo1344 4 жыл бұрын
@@ShusenWang 博主有什么ins、推特之类的社交账号嘛，可以关注一下
@mr.pootis2472 2 жыл бұрын
@@jamesguo1344 他有小红书
@zhuzi2547 3 жыл бұрын
深入浅出，复杂的理论听着像王刚炒菜那么简单
@chaojiezhang265 3 жыл бұрын
4:00 f(x)=x^T w是不是应该写成f(x)=w x^T
@ShusenWang 3 жыл бұрын
不是的。向量是列向量，x^T w 是实数，而你说的 w x^T 是矩阵。
@chaojiezhang265 3 жыл бұрын
@@ShusenWang 哦哦好的，谢谢！
@朱禾兴 3 жыл бұрын
@@ShusenWang 我学校老师喜欢把weight写在前面😂
@linsun8439 4 жыл бұрын
这里的 x 应该是 R^{dx1}而不是 R^d 吧
@ShusenWang 4 жыл бұрын
嗯，其实是一个意思
@dadawang7063 Жыл бұрын
音画不同步啊
Cool Items Official
Рет қаралды 41 МЛН
WIRED
Рет қаралды 2,4 МЛН