با سلام و وقت بخیر
پس از برگزاری دوره ۶ هفته‌ای یادگیری عمیق با تنسورفلو در دانشگاه علم و صنعت ایران، با استفاده از تجربیات آن دوره، به فکر برگزاری کارگاه یکروزه یادگیری عمیق افتادیم. برای مرور مطالب ارائه شده در دوره قبلی به لینک زیر مراجعه کنید.

https://t.me/cvision/407

با توجه به تجربیات دوره قبل، برای تنظیم محتوای کارگاه یکروزه نظرسنجی ساده‌ای ایجاد کرده‌ایم. همانطور که می‌دانید حجم مطالب موجود بسیار زیاد بوده و در یکروز باید مطالب مهم‌تر و کاربردی‌تر ارائه شوند. از شما خواهش می‌کنیم برای برگزاری هر چه بهتر این رویداد به لینک زیر مراجعه کرده و با صرف زمانی کمتر از ۲ دقیقه، نظرسنجی زیر را کامل کنید.

https://survey.porsline.ir/s/REvttkW/

اهم موارد اشاره شده در نظرسنجی بالا، پیشنهاد ابزار و محتوای کارگاه است.
در بخش ابزارها، تنسورفلو، پایتورچ و کراس به عنوان ابزارهای اصلی پیشنهاد شده‌اند. می‌توانید هر مبحث مشخص از هر ابزار یا سایر ابزارها را نیز پیشنهاد دهید.
در بخش مباحث یادگیری عمیق سه موضوع مهمتر Deep Computer Vision، Deep Sequence Modeling و Deep Generative Models ذکر شده‌اند. سایر مباحث مدنظر خودتان را هم می‌توانید وارد کنید.

همچنین از هم‌اکنون امکان ثبت‌نام برای این کارگاه ایجاد شده است. با استفاده از لینک زیر می‌توانید برای حضور در این رویداد یکروزه ثبت‌نام کنید.

https://evand.com/events/deeplearning

احیانا از دوستان کلاس اگر کسی خواست ثبت نام کنه، تعداد محدودی کد تخفیف به بنده دادند، اعلام کنه به من.

بلاگ درس با چند مطلب مفید به روز شد.

http://blog.class.vision/

اتصال مستقیم سرویس کولب (Google Colab) به درایو (Google Drive) از طریق فایل سیستم FUSE


کار با تصاویر توسط ImageMagick

محیط‌های مجازی پایتون (Python virtual environments)

آموزش مقدماتی فلسک (Flask)

دپلوی کردن و استفاده از مدل در عمل (Model deployment)


با تشکر از آقای ستاریان و خانم مهدیان برای به روز کردن بلاگ با پست های مفید🙏

#آموزش #سورس_کد
توضیح پروژه تشخیص محیط های مختلف دانشگاه شامل
زمین ورزش؛ بوفه، دانشکده کامپیوتر و ...
با Keras

آموزش:
چگونه یک مدل برای شناسایی مکان‌ها آموزش دادیم؟

کد:
https://github.com/mhsattarian/SRU-Place-Recognizer

Kears+Flask+Android app

نویسندگان ‌: محیا مهدیان و محمد حسن ستاریان

فرمول‌های یادگیری ژرف:

https://www.learnopencv.com/number-of-parameters-and-tensor-sizes-in-convolutional-neural-network/

#آموزش های مرحله به مرحله برای کسانی که تازه میخواهند تنسرفلو را شروع کنند.

https://www.tensorflow.org/tutorials/

#tensorflow

مرکز تحقیقات هوش مصنوعی پارت برگزار می کند:
«دوره تابستانه یادگیری عمیق»

مشاهده سرفصل ها، ارائه دهندگان و ثبت نام در :

https://evand.com/events/part-dlss

@partdpai

PyramidBox
پیاده سازی غیر رسمی تنسرفلو مقاله تشخیص چهره pyramdbox
این مقاله در تشخیص چهره چالش WiderFace بهترین نتیجه را دارد.

A Context-assisted Single Shot Face Detector in TensorFlow

This is an unofficial #Tensorflow re-implementation of #PyramidBox: A Context-assisted Single Shot Face Detector, which achieves superior performance among the state-of-the-art on the two common face #detection benchmarks, #FDDB and #WIDER FACE.

مقاله

پیاده سازی غیر رسمی

#آموزش #ویدیو
Euclidean Distance & Cosine Similarity

لینک ویدیو:

https://t.me/cvision/626


در یادگیری ماشین برای مقایسه دو embedding یا encoding از یک معیار شباهت/عدم شباهت استفاده میکنیم.
که معمولا این معیار در بررسی شباهت داکیومنت، چهره و ... کاربرد دارد.
در اینجا به صورت خلاصه دو معیار فاصله اقلیدسی و شباهت Cosine مطرح میشود.

#face #document #similarity #distance
@cvision

#cosine_similarity

معیار شباهت کسینوسی دو وکتور در پایتون

#مقاله #سورس_کد

برون یابی تصویر با شبکه های مولد تخاصمی

Painting Outside the Box: Image Outpainting
#keras Implemenation of image outpaint

https://t.me/cvision/658

#outpaint #GAN #keras #stanford

#آموزش
8 روش برای object tracking
8 OpenCV Object Tracking Implementations

#tracking #opencv

آموزش ساده و مقدماتی تنسورفلو برای مبتدیان

https://www.datacamp.com/community/tutorials/tensorflow-tutorial

یک کتابخانه سطح بالای بینایی کامپیوتر در #پایتون که از چندین کتابخانه دیگر، نظیر openCV استفاده میکند و برنامه نویس بدون دانش پردازش تصویری میتواند برنامه های خود را بنویسد.

http://simplecv.org/

What’s the Difference Between Haar-Feature Classifiers and Convolutional Neural Networks?
https://towardsdatascience.com/whats-the-difference-between-haar-feature-classifiers-and-convolutional-neural-networks-ce6828343aeb

image-match is a simple (now Python 3!) package for finding approximate image matches from a corpus. It is similar, for instance, to pHash, but includes a database backend that easily scales to billions of images and supports sustained high rates of image insertion: up to 10,000 images/s on our cluster!:
https://github.com/ascribe/image-match

#مقاله
پیدا کردن بهترین learning rate برای مساله و شبکه:
Cyclical Learning Rates for Training Neural Networks
https://arxiv.org/abs/1506.01186

پیدا کردن بهترین learning rate

Cyclical Learning Rates for Training Neural Networks

https://medium.com/@lipeng2/cyclical-learning-rates-for-training-neural-networks-4de755927d46
در کراس:
https://github.com/bckenstler/CLR/blob/master/clr_callback_tests.ipynb

در تنسرفلو یکی pull request کرده اما هنوز merge نشده - اما میشه کدشو دید:
https://github.com/tensorflow/tensorflow/pull/20785/commits/e1b30b2c50776fc1e660503d07451a6f169a7ff9

در کتابخانه fast.ai هم که خود کتابخانه پشتیبانی میکنه:
https://github.com/fastai/fastai/tree/master/fastai

مرتبط با مقاله ی
https://t.me/cvision/701

#learning_rate #keras #tensorflow #fastai