10 ژوئن 2017
کل 14 میلیون هم اگر بگیرید ، قدرت پردازنده rpi حدود 3 گیگافلاپس هست. برفرض اگر 10 گیگافلاپس هم فرض کنیم (یکم رویایی!) اونوقت 800-100عدد rpi نیاز هست تا بتونید به قدرت یک titan xرسید
تایتان x حدود 1 تا 2 گیگاهش (درحالت بسیار رویایی) اگر تولید کنه اونوقت شما با 14 میلیون رسپبری پای میتونید 14 ترا هش در ثانیه داشته باشید که میشه در حالت خوشبینانه ماهی 3 بیت کوین! با اینکه قدرت rpi رو چندبرابر چیزی ک هست درنظر گرفتم و همینطور در قدرت titan هم اغراق کردم ولی کلا 3 بیت کوین در ماه شد
نکته ی دیگه،
اکثر rpi ها پشت NAT هستند، به راحتی این روش نمیتونه بهشون نفوذ کنه، شاید از هر چندهزار عدد rpi فقط یکی آلوده بشه
نکته ی دیگر،
محاسبات توزیع شده نیاز به بستر ارتباطی پرسرعت داره، در این مورد چون ما از طریق اینترنت عادی استفاده میکنیم بخاطر همین نود ها به کندی با هم ارتباط برقرار میکنن و این خودش یه گلوگاه میشه که قدرت پردازشیمون رو چندهزار برابر کاهش میده
پس به این سادگیام نیست :))
حالا با این فرض گفتم ک هیچکس اپدیت هم نکنه...
گفتم که این rpi ها پشت nat هستن و الوده نمیشن معمولا
و حتی گفتم اگر الوده بشن با تخمینی که براتون زدم نهایتا ماهی 3 بیت کوین بدست بیارید با کل 14 میلیون
درمورد 4 تا 1.1 یا یک 4 بستگی داره به کارم. اگر کارم موازی نباشه قطعا تک هسته ای بهتره. والا 4 هسته ای میتونه بهتر باشه
اما این مقایسه هم اشتباهه. هسته ها بافاصله چندمیلی متر و تاخیر چندنانو ثانیه ارتباط دارن با هم. نه دوتا rpi که چندهزار کیلومتر باهم فاصله داشته باشن
ح ح A A پیوند
برای نمایش کلیک کنیدhttps://translate.google.com/#fa/ar/%D8%AE%D9%84%DB%8C%D8%AC%20%D9%81%D8%A7%D8%B1%D8%B3 😳😂 اگه هوش بود باید اینو درست نشون میداد طبق الگوریتم های خود گوگلح A ح A ح A ح
id 373017959عاشق پایتونم ولی بلد نیستم😔😔
سلام بنده هم تقریباً شرایط شما رو دارم و چند روز هستش که شروع به یادگیری کردم.
من به پیشنهاد مهندس معیاریان @mlghost با اپلیکیشن solo learn شروع کردم و خیلی کامل و خوب هستش. به شما هم پیشنهاد میکنم.
Using TensorFlow backend.
Traceback (most recent call last): import keras
File "C:\Anaconda3\lib\site-packages\keras\__init__.py", line 3, in <module>
from . import activations
File "C:\Anaconda3\lib\site-packages\keras\activations.py", line 6, in <module>
from .engine import Layer
File "C:\Anaconda3\lib\site-packages\keras\engine\__init__.py", line 8, in <module>
from .training import Model
File "C:\Anaconda3\lib\site-packages\keras\engine\training.py", line 24, in <module>
from .. import callbacks as cbks
File "C:\Anaconda3\lib\site-packages\keras\callbacks.py", line 26, in <module>
from tensorflow.contrib.tensorboard.plugins import projector
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\__init__.py", line 30, in <module>
from tensorflow.contrib import factorization
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\factorization\__init__.py", line 24, in <module>
from tensorflow.contrib.factorization.python.ops.gmm import *
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\factorization\python\ops\gmm.py", line 27, in <module>
from tensorflow.contrib.learn.python.learn.estimators import estimator
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\learn\__init__.py", line 87, in <module>
from tensorflow.contrib.learn.python.learn import *
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\learn\python\__init__.py", line 23, in <module>
from tensorflow.contrib.learn.python.learn import *
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\learn\python\learn\__init__.py", line 25, in <module>
from tensorflow.contrib.learn.python.learn import estimators
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\learn\python\learn\estimators\__init__.py", line 297, in <module>
from tensorflow.contrib.learn.python.learn.estimators.dnn import DNNClassifier
File "C:\Anaconda3\lib\site-packages\tensorflow\contrib\learn\python\learn\estimators\dnn.py", line 29, in <mod