Cho em hỏi khi em sử dụng @primary hoặc @Qualifier thì em thấy nó sẽ bị fix cứng 1 Engine nào đó khi new Car. Vậy có cách nào linh hoạt hơn để tuỳ chọn bean được inject không?
code trong repo của bạn hiện tại không chạy được đối với phiên bản Vuejs hiện tại. mình đã fix lại chạy bình thường. bạn cập nhật lại hoặc liên hệ mình nhé để cập nhật nhé.
email: kengoan95@gmail.com
Chào bạn, mình thấy bạn nói từng nghiên cứu, nhưng mình nghĩ là bạn chỉ nghiên cứu ở mức độ sinh viên, chỉ đi đến mức độ tích hợp "xài thử". Bạn nói tốn kém, chi phí, nhưng bạn nghiên cứu nào mà miễn phí hả bạn? Xin thưa là cái gì cũng phải tốn phí cả. Cái giá trả ra sẽ thu lại được lợi nhuận sau đó, đó mới là bài toán kinh tế sau khi áp dụng IoT vào công nghiệp.
Theo mình hiểu, thì bạn đang muốn hướng đến việc sử dụng một công cụ, hoặc nền tảng nào đó, nhưng mình cảm giác là bạn đang "tôn thờ" SCADA, mình đoán bạn học ngành điện, hoặc cơ điện tử, hoặc tự động hoá nên mới nhắc đến Winform.
Không biết bạn đi làm được bao lâu, bạn làm được những kiến trúc gì, nhưng mình nghĩ bạn nên học thêm trước khi ra những bài viết như này.
Mắc dù biết đây là một bài than vãn, nhưng bạn đang quá lạm dụng thuật ngữ để nêu ra trong bài viết này, hoàn toàn vô bổ. Mong bạn nên suy nghĩ kỹ càng trước khi viết một cái gì đó.
Nếu bạn muốn phát triển hơn trong việc viết blog thì bạn nên thực sự nghiêm túc với nó, như vậy bài viết mới có thể chất lượng hơn được. Hơn nữa, kiểm tra lỗi chính tả nữa nhé.
Dù gì cũng cảm ơn bạn đã có một bài cung cấp keyword =))
@nguyen.van.quan@HQuang Cảm ơn 2 bạn đã trả lời tận tình cho mình. Tuy nhiên, ý 5 ở câu trả lời của bạn Quân mình chưa hiểu được lời giải thích của bạn Quân của câu hỏi số 5.
"Còn 1 cách giải thích chi tiết hơn là cách này giúp computation cost có thể giảm xuống". Tốc độ khi sử dụng 3x3 DWConv và 3x3 Conv kể cả khi sử dụng từ thư viện của bài báo này thì nó cũng chỉ ngang nhau, còn nếu không sử dụng code từ bài báo này (Pytorch) thì tốc độ sẽ còn chậm hơn: "Một vấn đề nữa là DW convolution như chúng ta biết thì không đạt được hiệu quả tính toán song song trên các thiết bị như GPU. Điều này là đúng với DW conv có kernel 3×3 bởi vì phép toán DW tạo ra tỷ lệ bất cân xứng giữa hiệu quả tính toán so với chi phí truy cập bộ nhớ."
"do đó việc dùng conv 1x1 là để tăng tính interactive giữa các channel". Với việc sử dụng DWConv, ta còn phải thêm vào 1x1 Conv ở sau đó nữa theo như bạn giải thích, do đó ta phải tính toán 2 lớp là 3x3 DWConv và 1x1 Conv thay vì chỉ một lớp 3x3 Conv, thì sao mà computation cost có thể giảm xuống được ạ?
Mình thích file config dạng .js hơn là json, bởi nó cho phép dùng logic phức tạp, ví dụ:
"etc/no-commented-out-code":
process.env.STRICT_MODE === "TRUE" ? "error" : "off",
@HQuang "Từ góc nhìn này, nếu sự thay đổi ở input biểu diễn bởi 1 phép identity ở không gian output, ta có thể xem invariance là 1 trường hợp của equivariance." Tức là với invariance thì phép identity này không tạo ra sự thay đổi ở không gian output đúng k hquang ?
Đối với ViT, khi không có skip connection thì ma trận attention sẽ thành low rank, tức là các token khác nhau lại có attention weight giống nhau, dẫn đến hiện tượng oversmoothing, tức là feature của các token lại trở thành giống nhau (dễ hiểu hơn nếu bạn nhìn từ góc độ graph). Đối với large kernel cnn, kernel tại các vị trí khác nhau sẽ overlap nhiều, nên khi stack nhiều layer lại thì dễ gặp hiện tượng oversmoothing (hơn cnn với kernel nhỏ), tức là thông tin từ 2 vị trí khác nhau lại được aggregate từ 1 tập tương đối giống nhau. Về mặt trực quan thì khi thêm skip connection, thông tin từ các layer đầu sẽ được nhấn mạnh hơn, mà tại các layer đầu thì vùng được aggregate sẽ có tính phân biệt hơn các layer sau.
Về tính chất equivariance, thường chúng ta nghĩ rằng điều này thể hiện thay đổi input như thế nào thì output cũng đổi như vậy. Nhưng mình cho rằng nó nên được hiểu là input thay đổi thế nào thì output cũng thay đổi một cách tương đối theo không gian output. Lấy ví dụ là 1 phép downscale ảnh xuống kích cỡ một nửa, nếu input bị dịch 10px thì output sẽ bị dịch 5px chứ không phải 10px. Từ góc nhìn này, nếu sự thay đổi ở input biểu diễn bởi 1 phép identity ở không gian output, ta có thể xem invariance là 1 trường hợp của equivariance.
THẢO LUẬN
Cho em hỏi khi em sử dụng @primary hoặc @Qualifier thì em thấy nó sẽ bị fix cứng 1 Engine nào đó khi new Car. Vậy có cách nào linh hoạt hơn để tuỳ chọn bean được inject không?
có cần nhất thiết phải install ko ạ. Sao e thấy có vài người hướng dẫn họ ko cần install mà vẫn có babel ạ?
Ghi rõ toàn chuyên ngành đọc k hiểu thì tìm hiểu thêm rồi đọc hoặc bỏ qua khỏi tìm hiểu. Việc gì cay cú thế ô
=))) Ông nói gì dài thế, blog chia sẻ kinh nghiệm chuyên ngành ông đọc đ hiểu thì đừng đọc nữa là được rồi.
Bạn không cần nhưng go dev cần bạn?
code trong repo của bạn hiện tại không chạy được đối với phiên bản Vuejs hiện tại. mình đã fix lại chạy bình thường. bạn cập nhật lại hoặc liên hệ mình nhé để cập nhật nhé. email: kengoan95@gmail.com
Cảm ơn bạn đã cung cấp thêm một bài dịch!
Tuy nhiên vẫn chẳng hiểu bạn đang muốn nói gì thông qua bài dịch này.
Mong bạn rèn lại chính tả trước khi đăng bài.
Chào bạn, mình thấy bạn nói từng nghiên cứu, nhưng mình nghĩ là bạn chỉ nghiên cứu ở mức độ sinh viên, chỉ đi đến mức độ tích hợp "xài thử". Bạn nói tốn kém, chi phí, nhưng bạn nghiên cứu nào mà miễn phí hả bạn? Xin thưa là cái gì cũng phải tốn phí cả. Cái giá trả ra sẽ thu lại được lợi nhuận sau đó, đó mới là bài toán kinh tế sau khi áp dụng IoT vào công nghiệp.
Theo mình hiểu, thì bạn đang muốn hướng đến việc sử dụng một công cụ, hoặc nền tảng nào đó, nhưng mình cảm giác là bạn đang "tôn thờ" SCADA, mình đoán bạn học ngành điện, hoặc cơ điện tử, hoặc tự động hoá nên mới nhắc đến Winform.
Không biết bạn đi làm được bao lâu, bạn làm được những kiến trúc gì, nhưng mình nghĩ bạn nên học thêm trước khi ra những bài viết như này. Mắc dù biết đây là một bài than vãn, nhưng bạn đang quá lạm dụng thuật ngữ để nêu ra trong bài viết này, hoàn toàn vô bổ. Mong bạn nên suy nghĩ kỹ càng trước khi viết một cái gì đó.
Nếu bạn muốn phát triển hơn trong việc viết blog thì bạn nên thực sự nghiêm túc với nó, như vậy bài viết mới có thể chất lượng hơn được. Hơn nữa, kiểm tra lỗi chính tả nữa nhé.
Dù gì cũng cảm ơn bạn đã có một bài cung cấp keyword =))
@nguyen.van.quan @HQuang Cảm ơn 2 bạn đã trả lời tận tình cho mình. Tuy nhiên, ý 5 ở câu trả lời của bạn Quân mình chưa hiểu được lời giải thích của bạn Quân của câu hỏi số 5.
"Còn 1 cách giải thích chi tiết hơn là cách này giúp computation cost có thể giảm xuống". Tốc độ khi sử dụng 3x3 DWConv và 3x3 Conv kể cả khi sử dụng từ thư viện của bài báo này thì nó cũng chỉ ngang nhau, còn nếu không sử dụng code từ bài báo này (Pytorch) thì tốc độ sẽ còn chậm hơn: "Một vấn đề nữa là DW convolution như chúng ta biết thì không đạt được hiệu quả tính toán song song trên các thiết bị như GPU. Điều này là đúng với DW conv có kernel 3×3 bởi vì phép toán DW tạo ra tỷ lệ bất cân xứng giữa hiệu quả tính toán so với chi phí truy cập bộ nhớ."
"do đó việc dùng conv 1x1 là để tăng tính interactive giữa các channel". Với việc sử dụng DWConv, ta còn phải thêm vào 1x1 Conv ở sau đó nữa theo như bạn giải thích, do đó ta phải tính toán 2 lớp là 3x3 DWConv và 1x1 Conv thay vì chỉ một lớp 3x3 Conv, thì sao mà computation cost có thể giảm xuống được ạ?
giống trang này vậy bác
http://thomay.vn/thomay/
@Honganh lâu rồi cậu chưa viết bài mới kìa, thêm ít vài về AI phân tích số liệu đi cậu.
Mình thích file config dạng .js hơn là json, bởi nó cho phép dùng logic phức tạp, ví dụ: "etc/no-commented-out-code": process.env.STRICT_MODE === "TRUE" ? "error" : "off",
@nguyen.van.quan đúng rồi ông
@HQuang "Từ góc nhìn này, nếu sự thay đổi ở input biểu diễn bởi 1 phép identity ở không gian output, ta có thể xem invariance là 1 trường hợp của equivariance." Tức là với invariance thì phép identity này không tạo ra sự thay đổi ở không gian output đúng k hquang ?
bạn ơi bạn dùng version trả phí nên host làm nhiều app django được à
Đối với ViT, khi không có skip connection thì ma trận attention sẽ thành low rank, tức là các token khác nhau lại có attention weight giống nhau, dẫn đến hiện tượng oversmoothing, tức là feature của các token lại trở thành giống nhau (dễ hiểu hơn nếu bạn nhìn từ góc độ graph). Đối với large kernel cnn, kernel tại các vị trí khác nhau sẽ overlap nhiều, nên khi stack nhiều layer lại thì dễ gặp hiện tượng oversmoothing (hơn cnn với kernel nhỏ), tức là thông tin từ 2 vị trí khác nhau lại được aggregate từ 1 tập tương đối giống nhau. Về mặt trực quan thì khi thêm skip connection, thông tin từ các layer đầu sẽ được nhấn mạnh hơn, mà tại các layer đầu thì vùng được aggregate sẽ có tính phân biệt hơn các layer sau.
Về tính chất equivariance, thường chúng ta nghĩ rằng điều này thể hiện thay đổi input như thế nào thì output cũng đổi như vậy. Nhưng mình cho rằng nó nên được hiểu là input thay đổi thế nào thì output cũng thay đổi một cách tương đối theo không gian output. Lấy ví dụ là 1 phép downscale ảnh xuống kích cỡ một nửa, nếu input bị dịch 10px thì output sẽ bị dịch 5px chứ không phải 10px. Từ góc nhìn này, nếu sự thay đổi ở input biểu diễn bởi 1 phép identity ở không gian output, ta có thể xem invariance là 1 trường hợp của equivariance.
đây nhé bạn - https://devopsvn.tech/devops/nhung-cuon-sach-nen-doc-de-hoc-kubernetes-cho-nguoi-moi-bat-dau#ccc6a2e544b743ad8d9b116a57fd956b
@maitrungduc1410 Anh cho em hỏi bài trước khi Dockerize Laravel em thấy có dùng nginx sao bên này lại không dùng vậy ạ.
đúng rồi bạn nhưng thư viện này build trên rust nhé
Dùng Kubernetes đó: https://kubernetes.io/docs/tasks/tools/install-kubectl-windows/