مقایسه ی فریم ورکهای یادگیری ژرف:
DL4J vs. Torch vs. Theano vs. Caffe vs. TensorFlow:
https://deeplearning4j.org/compare-dl4j-torch7-pylearn
Content:
#Theano & Ecosystem
#Torch
#TensorFlow
#Caffe
#CNTK
#DSSTNE
#Keras
#Mxnet
#Paddle
Licensing
DL4J vs. Torch vs. Theano vs. Caffe vs. TensorFlow:
https://deeplearning4j.org/compare-dl4j-torch7-pylearn
Content:
#Theano & Ecosystem
#Torch
#TensorFlow
#Caffe
#CNTK
#DSSTNE
#Keras
#Mxnet
#Paddle
Licensing
#Camera_Relocalization #PoseNet
pic:http://bit.ly/2rBqhaR
استنتاج این که شما الان کجا هستید؛ برای رباتهای متحرک، ناوبری و واقعیت افزوده بسیار مهم است. این روش برای رفع مشکل رباتهای گم شده یا دزدیده شده معرفی شده است.
در این پروژه با تنها داشتن یک تصویر رنگی از محیط, تا 6 درجه و 2 متر، که در محیط های باز معادل 50.000 متر مربع است تصویر دیگر از آن محیط را میتوان تخمین زد.
در پیاده سازی انجام شده توسط محققان دانشگاه کمبریج؛ تنها با آپلود یک تصویر, و استفاده از این الگوریتم, محل آن تصویر بر روی نقشه را یافته و مکان تصویر را بر روی نقشه پیدا میکند.
🔗 دموی آنلاین این پیاد سازی:
http://mi.eng.cam.ac.uk/projects/relocalisation/
🔗 سورس کد با فریم ورک #Caffe
https://github.com/alexgkendall/caffe-posenet
🔗 مقاله مربوط به این پیاده سازی:
https://arxiv.org/abs/1505.07427
#CNN #Deep_Learning #relocalization
pic:http://bit.ly/2rBqhaR
استنتاج این که شما الان کجا هستید؛ برای رباتهای متحرک، ناوبری و واقعیت افزوده بسیار مهم است. این روش برای رفع مشکل رباتهای گم شده یا دزدیده شده معرفی شده است.
در این پروژه با تنها داشتن یک تصویر رنگی از محیط, تا 6 درجه و 2 متر، که در محیط های باز معادل 50.000 متر مربع است تصویر دیگر از آن محیط را میتوان تخمین زد.
در پیاده سازی انجام شده توسط محققان دانشگاه کمبریج؛ تنها با آپلود یک تصویر, و استفاده از این الگوریتم, محل آن تصویر بر روی نقشه را یافته و مکان تصویر را بر روی نقشه پیدا میکند.
🔗 دموی آنلاین این پیاد سازی:
http://mi.eng.cam.ac.uk/projects/relocalisation/
🔗 سورس کد با فریم ورک #Caffe
https://github.com/alexgkendall/caffe-posenet
🔗 مقاله مربوط به این پیاده سازی:
https://arxiv.org/abs/1505.07427
#CNN #Deep_Learning #relocalization
GAIC2017-JeffreyShomaker-ComparingDeepLearningframeworks.pdf
395.9 KB
#اسلاید
Comparing Deep Learning Frameworks
By Jeffrey Shomaker on May 28, 2017
#Comparing #Deep_learning #Framework
#Tensorflow #Torch #CNTK #Caffe #Theano
Comparing Deep Learning Frameworks
By Jeffrey Shomaker on May 28, 2017
#Comparing #Deep_learning #Framework
#Tensorflow #Torch #CNTK #Caffe #Theano
Tensorflow(@CVision)
GAIC2017-JeffreyShomaker-ComparingDeepLearningframeworks.pdf
#مقایسه فریم ورک های یادگیری عمیق (#فیلم+#اسلاید)
Comparing Deep Learning Frameworks
🔗 https://www.infoq.com/presentations/comparison-deep-learning-frameworks
#Tensorflow #Torch #CNTK #Caffe #Theano
#Comparing #Deep_learning #Framework
Comparing Deep Learning Frameworks
🔗 https://www.infoq.com/presentations/comparison-deep-learning-frameworks
#Tensorflow #Torch #CNTK #Caffe #Theano
#Comparing #Deep_learning #Framework
InfoQ
Comparing Deep Learning Frameworks
Jeffrey Shomaker covers the different types of deep learning frameworks and then focuses on neural networks, including business uses and four of the main systems (eg. Tensor Flow) that are open sourced.
#مقاله #سورس_کد
Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
pic: http://bit.ly/2srFGOS
(Submitted on 11 Apr 2016)
#MTCNN
در الگوریتمهای قدیمی تشخیص چهره, موقعیت سر, حالات چهره، نور و ... تاثیر گذار بود و الگوریتم های موجود را با مشکل مواجه میکرد.
الگوریتمهایی نظیر Viola and Jones - Haar-cascade که در opencv پیاده سازی شده برای چهر های رو به رو و نزدیک رو به رو خوب کار میکند اما برای چهره هادر موقعیت ای دیگر کارایی ندارد!
تیم تحقیقاتی ماکروسافت با ارائه مقاله ای در سال 2014 با عنوان
Joint Cascade Face Detection and Alignment
با جنگل تصادفی این مشکل را تا حد زیادی برطرف کرد و سرعت هم تا حدود 30 میلی ثانیه برای تصاویر VGA بهبود داد، اما انتخاب ویژگی های دستی پرفورمنس را محدود کرده بود.
اما در این مقاله با کمک یادگیری عمیق دقت تا حد خوبی افزایش یافته و همانن مقاله ماکروسافت علاوه بر تشخیص کار face alignment هم انجام میشود.
در این روش 3 شبکه عصبی کانولوشنالی پشت سر هم و به صورت آبشاری قرار گرفته است
شبکه اول: بسیار سبک برای پیدا کردن تمامی نواحی مشکوک به وجود چهره.
شبکه دوم : این شبکه از از خروجی شبکه اول ورودی میگیرد؛ نواحی اشتباه پیدا شده را حذف میکند.
شبکه سوم: کاری شبیه یه شبکه دوم بر روی نواحی باقی مانده, همچنین پیدا کردن landmark های چهره نظیر چشم ها و بینی و alignment نقاط.
🕐Runtime efficiency:
It takes 16fps on a 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black)
🔗abstract:
https://arxiv.org/abs/1604.02878
🔗Paper:
https://arxiv.org/pdf/1604.02878
🔗Project Page:
https://kpzhang93.github.io/MTCNN_face_detection_alignment/
🔗codes:
⚙️#Matlab / #Caffe implementation :
http://bit.ly/2rvkr9Q
⚙️#Python / #Tensorflow implementation :
http://bit.ly/2t1fB6e
#face #face_detection #face_alignment #MTCNN
#deep_learning #cnn #convolutional_neutral_network
Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
pic: http://bit.ly/2srFGOS
(Submitted on 11 Apr 2016)
#MTCNN
در الگوریتمهای قدیمی تشخیص چهره, موقعیت سر, حالات چهره، نور و ... تاثیر گذار بود و الگوریتم های موجود را با مشکل مواجه میکرد.
الگوریتمهایی نظیر Viola and Jones - Haar-cascade که در opencv پیاده سازی شده برای چهر های رو به رو و نزدیک رو به رو خوب کار میکند اما برای چهره هادر موقعیت ای دیگر کارایی ندارد!
تیم تحقیقاتی ماکروسافت با ارائه مقاله ای در سال 2014 با عنوان
Joint Cascade Face Detection and Alignment
با جنگل تصادفی این مشکل را تا حد زیادی برطرف کرد و سرعت هم تا حدود 30 میلی ثانیه برای تصاویر VGA بهبود داد، اما انتخاب ویژگی های دستی پرفورمنس را محدود کرده بود.
اما در این مقاله با کمک یادگیری عمیق دقت تا حد خوبی افزایش یافته و همانن مقاله ماکروسافت علاوه بر تشخیص کار face alignment هم انجام میشود.
در این روش 3 شبکه عصبی کانولوشنالی پشت سر هم و به صورت آبشاری قرار گرفته است
شبکه اول: بسیار سبک برای پیدا کردن تمامی نواحی مشکوک به وجود چهره.
شبکه دوم : این شبکه از از خروجی شبکه اول ورودی میگیرد؛ نواحی اشتباه پیدا شده را حذف میکند.
شبکه سوم: کاری شبیه یه شبکه دوم بر روی نواحی باقی مانده, همچنین پیدا کردن landmark های چهره نظیر چشم ها و بینی و alignment نقاط.
🕐Runtime efficiency:
It takes 16fps on a 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black)
🔗abstract:
https://arxiv.org/abs/1604.02878
🔗Paper:
https://arxiv.org/pdf/1604.02878
🔗Project Page:
https://kpzhang93.github.io/MTCNN_face_detection_alignment/
🔗codes:
⚙️#Matlab / #Caffe implementation :
http://bit.ly/2rvkr9Q
⚙️#Python / #Tensorflow implementation :
http://bit.ly/2t1fB6e
#face #face_detection #face_alignment #MTCNN
#deep_learning #cnn #convolutional_neutral_network
Advice:
#TensorFlow is a safe bet for most projects. Not perfect but has huge community, wide usage. Maybe pair with high-level wrapper (#Keras, #Sonnet, etc)
I think #PyTorch is best for #research. However still new, there can be rough patches.
Use TensorFlow for one graph over many machines
✔️Consider #Caffe, #Caffe2, or TensorFlow for production deployment
✔️Consider TensorFlow or Caffe2 for #mobile
🖇source: http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture8.pdf
#deep_learning #framework
#TensorFlow is a safe bet for most projects. Not perfect but has huge community, wide usage. Maybe pair with high-level wrapper (#Keras, #Sonnet, etc)
I think #PyTorch is best for #research. However still new, there can be rough patches.
Use TensorFlow for one graph over many machines
✔️Consider #Caffe, #Caffe2, or TensorFlow for production deployment
✔️Consider TensorFlow or Caffe2 for #mobile
🖇source: http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture8.pdf
#deep_learning #framework
#خبر، #twitter
What ML stack do tech startups use, you ask? Let's look at the Hacker News jobs board.
https://twitter.com/fchollet/status/961294612466868224
Out of 964 job postings:
- 12 posts mention #TensorFlow
- 7 #Keras
- 5 #Scikit-Learn
- 1 #Caffe
- 0 #PyTorch, #MXNet
Also note that:
- 89 posts mention ML (9%)
- 34 AI
- 18 deep learning
What ML stack do tech startups use, you ask? Let's look at the Hacker News jobs board.
https://twitter.com/fchollet/status/961294612466868224
Out of 964 job postings:
- 12 posts mention #TensorFlow
- 7 #Keras
- 5 #Scikit-Learn
- 1 #Caffe
- 0 #PyTorch, #MXNet
Also note that:
- 89 posts mention ML (9%)
- 34 AI
- 18 deep learning
Twitter
François Chollet
What ML stack do tech startups use, you ask? Let's look at the Hacker News jobs board. Out of 964 job postings: - 12 posts mention TensorFlow - 7 Keras - 5 Scikit-Learn - 1 Caffe - 0 PyTorch, MXNet Also note that: - 89 posts mention ML (9%) - 34 AI - 18 deep…
پنج چارچوب یادگیری عمیقی که هر کسی که به صورت جدی میخواهد یادگیری ماشین را فرابگیرد باید با آنها آشنا باشد. (+مقایسه)
The 5 Deep Learning Frameworks Every Serious Machine Learner Should Be Familiar With
https://heartbeat.fritz.ai/the-5-deep-learning-frameworks-every-serious-machine-learner-should-be-familiar-with-93f4d469d24c
#deep_learning #framework #Comparing
#tensorflow #keras #theano #pytorch #caffe
The 5 Deep Learning Frameworks Every Serious Machine Learner Should Be Familiar With
https://heartbeat.fritz.ai/the-5-deep-learning-frameworks-every-serious-machine-learner-should-be-familiar-with-93f4d469d24c
#deep_learning #framework #Comparing
#tensorflow #keras #theano #pytorch #caffe
Medium
The 5 Deep Learning Frameworks Every Serious Machine Learner Should Be Familiar With
An overview of 5 popular deep learning frameworks: TensorFlow, Theano, PyTorch, Torch, and Caffe.
available_pretrained_models.pdf
55.6 KB
مدل های pretrained و عنوان مقالاتشان
🙏Thanks to: @AM_Ghoreyshi
#pretrained
#caffe #tensorflow #keras #pytorch
🙏Thanks to: @AM_Ghoreyshi
#pretrained
#caffe #tensorflow #keras #pytorch