05.06.2015 Форелевый ручей.
В течении 1.5 месяцев было несколько вылазок на данный ручей, но вновь и вновь уровень волы был далеко от идеала, да и мутноватость присутствовала, всё это и сказывалось на то, что форель просто отказывалась кушать.
На дворе стоял июнь, казалось бы лето наступило, но погода всё преподносила сюрпризы, то холод, то дожди. Но жажда встречи с пятнистой красавице была на столько сильной и желанной, что сидеть дома, глядя на капризы погоды не было никакого желания. И я сказал — *утром пораньше выезжаю*
Но планы застать рассвет на речке так и не сбылись, проснувшись в 10 часов, я понял, что никуда не еду, так как всё проспал.
Кое как встав и позавтракав, я всё таки собрал рюкзак и поехал. 12 часов, а впереди ещё долгий путь на велосипеде в пару десятков километров.
Домчался быстро, желание и азарт, не позволили ни на секунду остановиться передохнуть.
И вот я на ручье. Первое, что бросается в глаза это отсутствие воды, уровень низкий, очень даже, хотя ещё не было даже аномальной жары. Что будет летом в +30 даже боюсь представить.
Первая 30 минутка, рыбы нет. Странно, ямки молчат, только лишь пару мальков на мелкой струе метнулись в укрытие при приближении меня.
Через какое то время первая поклёвка на колебло и первый слив. С этого момента и начинается день *СЛИВОВ* =) Из-за того, что берег по всему ручью обрывистый и спускаться туда почти везде проблематично, у пеструхи большие шансы победить в этой борьбе =) Ракеткой тоже не достать, удилищем поднимать как то стрёмно.
Описывать каждую поимку смысла нет. Если быть вкратце то, порадовал размер для пеструхи в 300-400 это очень даже хорошо. Были и более крупные выходы. Форель активна, жадна, как никогда и порой стоит по 2-3 особи в одном укрытие. Иногда стоишь, а у тебя она под ногами оказывается за корягой.
Почти весь день отловил на вобы. Выделю 3 воблера которые очень понравились по мере убывания.
1. Ito.Craft Ito Bowie 50S (50mm/SINKING/4.0g)
Пожалуй лучший воблер на сегодняшний момент, хотя в коробке есть ещё и другие на которые я не пробовал ещё, но что то мне подсказывает, что это ну просто идеальный воблер. Поймал несколько пеструх, после чего пеструха в грамм 400 сломала одинарник ванфук … вот этот момент меня загнал в тупик, как так, всеми любимый vanfook и ломается!?
Забегая вперёд скажу, что это не единичный случай, на воблере Hamess такая же пеструха тоже сломала одинарник, брак или так она сильна и голодна после зимы!? Для меня это осталось загадкой. На этом ловля на Bowie прекратилась, имелось только 2 воблера, один который был в тройниках. Ещё перед этой рыбалкой, задолго, я сравнивал игру с одинарникамими и родными тройниками, дабы определить, что ставить лучше.
Ловил и на Emishi бюджетный отличный вариант, но у Bowiу игра конечно намного превлекательней выглядит.
2. Souls Ballad RⅡ (50mm/SINKING/3,8g)
Отличный воблер, идёт намного глубже чем Bowie. Заметил одну странную особенность, на нескольких ямах проводя мелким твичем не было ни одной поклёвки. Как только начал проводить равномерной проводкой, пёстрая начала сходить сума и жадно набрасываться на воблер.
3. Ray Tune TX50RSS 4,5g
Резвый воблерок, форелька ни разу не пропускала его из виду, проводя резвым твичем.
На колебло вообще не хочется ловить, в следующий выезд опробую Ima, Anglo и какие-нибудь Smith.
А ещё есть желание заменить все одинарники на безбородые тройники, хотя поживём — увидим.
Ну и видео небольшое. Строго не судить, монтировал первый раз.
А ещё головой тресу xD потому что на каждый шум xD в ожидании хозяина вот этого …… xD
Всем спасибо. Отпускайте пятнышки. =)
Прошу прощения за качество видео на телевизоре с флехи показывает идеально, на ютубе всё мусолит, будем учиться xD Точнее, как Лёха научит, так и будут хорошие видео xD
Ray Tune Duplex — воблер
- Нет в наличии DP45RR
- Нет в наличии DP45RS
- Нет в наличии DP50RS
- Нет в наличии RXDP50MDS
- Нет в наличии RXDP50RS
- Нет в наличии DP62RS
- Нет в наличии DP75MDS
- Нет в наличии DP90MDS
- Нет в наличии 2.5g
- Нет в наличии 2.7g
- Нет в наличии 2.8g
- Нет в наличии 3.0g
- Нет в наличии 3.5g
- Нет в наличии 5.0g
- Нет в наличии 6.5g
- Нет в наличии 10.5g
- Нет в наличии 45mm
- Нет в наличии 50mm
- Нет в наличии 62mm
- Нет в наличии 75mm
- Нет в наличии 90mm
- Нет в наличии R01
- Нет в наличии R02
- Нет в наличии R03
- Нет в наличии R06
- Нет в наличии R07
- Нет в наличии R08
- Нет в наличии R09
- Нет в наличии R10
- Нет в наличии R11
- Нет в наличии R13
- Нет в наличии R14
- Нет в наличии R21
RAY TUNE DUPLEX — ВОБЛЕР
Серия очень технологичных приманок Ray Tune Duplex с сердцевиной из бальсы, обёрнутой в кокон из лёгкого полиуретана. В сочетании со сквозной проволочной конструкцией, вольфрамовой огрузкой и встроенной системой дальнего заброса (в моделях от 75mm) это делает Duplex от Ray Tune одной из самых продвинутых приманок на рынке.
DP45RR и DP45RS
Модели для запрессованной или крайне неактивной форели. Для тех моментов, когда рыба преследует приманку, но разворачивается в нескольких сантиметрах от неё, так и не решившись на атаку. Воблер с практически идеальной игрой, который является гордостью бренда Ray Tune.
DP50RS
Воблер из бальсы, произведённый по оригинальной технологии Ray Tune. Воплощает в себе все преимущества приманки из бальсы — натуральную игру, высокую отзывчивость и лёгкость в управлении. Его яркая игра стимулирует на поклёвку даже пассивную форель.
RXDP50MDS
50mm-ая модель с увеличенным заглублением и вольфрамовой огрузкой.
RXDP50RS
Тонущая модель с высокой отзывчивостью на движения удилищем. Обладая весом 3g, имеет отличные бросковые показатели. Игра очень выверена и натуральна. Работает как на равномерной проводке, так и на рывках.
DP62RS
Модель для ловли на более сильном течении, там, где 50mm-ые приманки уже не могут занырнуть под быструю струю и достать до форели, стоящей у дна ниже основного потока. Универсальный размер позволит использовать приманку и в верховьях горных рек, и в нижних течениях, и на море.
DP75MDS и DP90MDS
Возможно, это самые технологически продвинутые воблеры на данный момент во всем мире. Имея сердцевину из бальсы и покрытие из лёгкого пластика, приманка еще и оснащена системой передвигающейся огрузки с магнитной фиксацией. Это позволяет совместить преимущества бальсы и системы дальнего заброса, чтобы атаковать места с самым быстрым течением и максимально удалённые цели.
Более детально ознакомиться с условиями оплаты можно в разделе Оплата .
После подтверждения Заказа и согласования его стоимости и условий Доставки, администратор магазина вышлет Вам извещение на оплату на эл.почту, указанную при оформлении заказа.
У Покупателя есть 3 (три) дня (72 часа) для оплаты своего Заказа, по истечении этого срока Заказ отменяется автоматически и оплата становится невозможной!
Внимание!
При оформлении Заказа Вами должны быть заполнены все поля в информации о Покупателе, в противном случае Ваш Заказ не будет принят к обработке!
Ray Tune: Hyperparameter Optimization Framework¶
Ray Tune is a hyperparameter optimization framework for long-running tasks such as RL and deep learning training. Ray Tune makes it easy to go from running one or more experiments on a single machine to running on a large cluster with efficient search algorithms.
Getting Started¶
To use Ray Tune, add a two-line modification to a function:
Then, kick off your experiment:
This script runs a small grid search over the my_func function using Ray Tune, reporting status on the command line until the stopping condition of mean_accuracy >= 100 is reached (for metrics like _loss_ that decrease over time, specify neg_mean_loss as a condition instead):
In order to report incremental progress, my_func periodically calls the reporter function passed in by Ray Tune to return the current timestep and other metrics as defined in ray.tune.result.TrainingResult. Incremental results will be synced to local disk on the head node of the cluster.
Features¶
Ray Tune has the following features:
- Scalable implementations of search algorithms such as Population Based Training (PBT), Median Stopping Rule, and HyperBand.
- Integration with visualization tools such as TensorBoard, rllab’s VisKit, and a parallel coordinates visualization.
- Flexible trial variant generation, including grid search, random search, and conditional parameter distributions.
- Resource-aware scheduling, including support for concurrent runs of algorithms that may themselves be parallel and distributed.
Concepts¶
Ray Tune schedules a number of trials in a cluster. Each trial runs a user-defined Python function or class and is parameterized by a config variation passed to the user code.
In order to run any given function, you need to run register_trainable to a name. This makes all Ray workers aware of the function.
ray.tune. register_trainable ( name, trainable ) ¶
Register a trainable function or class.
| Parameters: |
|
|---|
Ray Tune provides a run_experiments function that generates and runs the trials described by the experiment specification. The trials are scheduled and managed by a trial scheduler that implements the search algorithm (default is FIFO).
ray.tune. run_experiments ( experiments, scheduler=None, with_server=False, server_port=4321, verbose=True ) ¶
| Parameters: |
|
|---|
Ray Tune can be used anywhere Ray can, e.g. on your laptop with ray.init() embedded in a Python script, or in an auto-scaling cluster for massive parallelism.
You can find the code for Ray Tune here on GitHub.
Trial Schedulers¶
By default, Ray Tune schedules trials in serial order with the FIFOScheduler class. However, you can also specify a custom scheduling algorithm that can early stop trials, perturb parameters, or incorporate suggestions from an external service. Currently implemented trial schedulers include Population Based Training (PBT), Median Stopping Rule, and HyperBand.
Visualizing Results¶
Ray Tune logs trial results to a unique directory per experiment, e.g.
/ray_results/my_experiment in the above example. The log records are compatible with a number of visualization tools:
To visualize learning in tensorboard, install TensorFlow:
Then, after you run a experiment, you can visualize your experiment with TensorBoard by specifying the output directory of your results. Note that if you running Ray on a remote cluster, you can forward the tensorboard port to your local machine through SSH using ssh -L 6006:localhost:6006 :
To use rllab’s VisKit (you may have to install some dependencies), run:
Finally, to view the results with a parallel coordinates visualization, open ParallelCoordinatesVisualization.ipynb as follows and run its cells:
Trial Checkpointing¶
To enable checkpointing, you must implement a Trainable class (Trainable functions are not checkpointable, since they never return control back to their caller). The easiest way to do this is to subclass the pre-defined Trainable class and implement its _train , _save , and _restore abstract methods (example): Implementing this interface is required to support resource multiplexing in schedulers such as HyperBand and PBT.
For TensorFlow model training, this would look something like this (full tensorflow example):
Additionally, checkpointing can be used to provide fault-tolerance for experiments. This can be enabled by setting checkpoint_freq: N and max_failures: M to checkpoint trials every N iterations and recover from up to M crashes per trial, e.g.:
The class interface that must be implemented to enable checkpointing is as follows:
class ray.tune.trainable. Trainable ( config=None, registry=None, logger_creator=None ) ¶
Abstract class for trainable models, functions, etc.
A call to train() on a trainable will execute one logical iteration of training. As a rule of thumb, the execution time of one train call should be large enough to avoid overheads (i.e. more than a few seconds), but short enough to report progress periodically (i.e. at most a few minutes).
Calling save() should save the training state of a trainable to disk, and restore(path) should restore a trainable to the given state.
Generally you only need to implement _train , _save , and _restore here when subclassing Trainable.
Note that, if you don’t require checkpoint/restore functionality, then instead of implementing this class you can also get away with supplying just a my_train(config, reporter) function and calling:
to register it for use with Tune. The function will be automatically converted to this interface (sans checkpoint functionality).
obj – The hyperparam configuration for this trial.
str – Directory in which training outputs should be placed.
obj – Tune object registry which holds user-registered classes and objects by name.
Client API¶
You can modify an ongoing experiment by adding or deleting trials using the Tune Client API. To do this, verify that you have the requests library installed:
To use the Client API, you can start your experiment with with_server=True :
Then, on the client side, you can use the following class. The server address defaults to localhost:4321 . If on a cluster, you may want to forward this port (e.g. ssh -L :localhost: ) so that you can use the Client on your local machine.
class ray.tune.web_server. TuneClient ( tune_address ) ¶
Client to interact with ongoing Tune experiment.
Requires server to have started running.
Returns a list of all trials (trial_id, config, status).
Returns the last result for queried trial.
add_trial ( name, trial_spec ) ¶
Adds a trial of name with configurations.
Requests to stop trial.
For an example notebook for using the Client API, see the Client API Example.
© Copyright 2016, The Ray Team. Revision f69cbd35 .