sslotin

GUTHUB_TOKEN=$1

travis login --pro --skip-completion-check --github-token $GITHUB_TOKEN
travis whoami --pro --skip-completion-check
TOKEN=$(travis token --pro --skip-completion-check)

body='{
"request": {
"branch":"master"
}}'

sslotin

#!/bin/bash
## brief: trigger a downstream travis build
## see: travis API documentation

# variables
USER=$1
REPO=$2
TRAVIS_ACCESS_TOKEN=$3
BRANCH=$4
MESSAGE=$5

sslotin

#!/bin/bash
## brief: wrapper script which calls trigger-travis
## If the branch name of the upstream and downstream project are equal and
## we have a valid travis configuration in the downstream project then
## try to trigger a travis build with the given github/travis user and
## the given github/travis access token and log a certain message in the
## travis downstream project build for tracing back the dependent builds

# arguments
USER=$1

sslotin

Курс «Глубокое обучение»

«Любая достаточно развитая технология неотличима от магии» (Артур Кларк)

Если классические методы машинного обучения учатся делать предсказания по каким-то факторам напрямую, то в нейросях каждый слой учится отсеивать только нужную часть информации, создавая более удобные факторы и упрощая задачу следующему, а само предсказание учится делать только последний слой. Таких слоев в нейросети могут быть десятки, и суммарно они могут содержать миллионы параметров. Такая глубокая архитектура позволяет решать очень сложные задачи и работать с данными большой размерности: изображениями, текстами, видео, звуковыми волнами, трёхмерными объектами.

Для обучения глубоких нейронных сетей требуется гораздо больше данных и вычислительных ресурсов по сравнению с классическими методами. Совсем недавно, примерно в 2012–2014 годах, произошла «нейросетевая революция»: вычислительных ресурсов начало становиться достаточно, и нейросетевые подходы постепенно начали вытеснять сложные системы, разрабатыв

sslotin

Submission ID: 12760323
-----------------------
#include <iostream>
#include <algorithm>
#include <stdint.h>
#include <nmmintrin.h>

using namespace std;

#ifdef _MSC_VER

sslotin

from random import choice

theory = [
    "1. Функции активации. Зачем нужны нелинейности. Почему отказались от сигмоиды.",
    "2. Регуляризация. Capacity модели. Dropout и BatchNorm. Дистилляция*.",
    "3. Backpropagation. Вычислительные графы. Дополнительная память при обучении. Вывод формул для градиента параметров и входа на примере линейного слоя.",
    "4. птимизация. Стохастический градиентный спуск. Adam, RMSProp, моментум.",
    "5. Свёрточные сети. Представление изображения. Операция свёртки. Residual connection.",
    "6. Принцип максимального правдоподобия. Почему мы максимизируем кроссэнтропию. Латентные переменные и параметры. EM-алгоритм. K-means в формулировке EM-алгоритма.",
    "7. Автоэнкодеры. Морфинг. Генерация картинок. Вариационные автоэнкодеры*.",

sslotin

#include <bits/stdc++.h>
using namespace std;

typedef unsigned long long ull;

string team_a[] = { // русские
  // ...
};

string team_b[] = { // крабы-убийцы

sslotin

#include <bits/stdc++.h>
#include <immintrin.h>
using namespace std;

const int n = (1<<20);

float a[n], b[n], c[n];

void sum() {
    for (int i = 0; i < n; i++)

sslotin

from os import popen
from random import randint

def gen():
    # ...

for i in range(100):
    print(i)
    test = gen()
    with open('test.in', 'w') as f:

sslotin

#include <bits/stdc++.h>
using namespace std;

int n;

int f(vector<int> &p) { // -> 0
    int cnt = 0;
    for (int i = 0; i < n; i++)
        for(int j = 0; j < i; j++)
            if (abs(i-j) == abs(p[i]-p[j]))