Tensorflow(@CVision)
13.9K subscribers
1.17K photos
239 videos
68 files
2.23K links
اخبار حوزه یادگیری عمیق و هوش مصنوعی
مقالات و یافته های جدید یادگیری عمیق
بینایی ماشین و پردازش تصویر

TensorFlow, Keras, Deep Learning, Computer Vision

سایت دوره
http://class.vision

👨‍💻👩‍💻پشتیبان دوره ها:
@classvision_support
Download Telegram
SQL on RAPIDS AI
BlazingSQL provides a simple SQL interface to ETL massive datasets into GPU memory and the RAPIDS AI Ecosystem

https://blazingdb.com/

2 Minutes to BlazingSQL
https://docs.blazingdb.com/docs/using-blazingsql

میتونید آنلاین روی GPUی گوگل کولب تست کنید:

https://colab.research.google.com/drive/1r7S15Ie33yRw8cmET7_bjCpvjJiDOdub#scrollTo=8AdUt3HiUrc3
Tensorflow(@CVision) pinned «#آموزش دوره آموزشی یادگیری عمیق و پیاده سازی در #keras دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت. http://aparat.com/v/0xgm5 همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است: https://github.com/Alireza…»
#خبر #کورس

کمپین Kickstarter برای برگزاری کورس آموزش هوش مصنوعی، ۳۰۰ هزار دلار در ۲۵ ساعت اول کمک مالی از مردم دریافت کرده است👍


OpenCV.org Kickstarter Campaign for Creating AI Courses Has Raised $300k in 25 hours

این کورس شامل مباحث زیر خواهد بود،
Computer Vision I: Introduction 
Computer Vision II: Applications 
Deep Learning with PyTorch

این سایت در کنار سایتهایی نظیر کورسرا، udacity و deeplearning.ai کورس برگزار خواهد کرد،
به گفته مسئولان رقابتی در کار نیست:

“We are not in competition with Coursera, Udacity, or DeepLearning.ai. These organizations, along with OpenCV.org, are on a mission to train the global workforce in Artificial Intelligence and it will take an extraordinary effort from all of us to accomplish this monumental task. Our courses are geared toward absolute beginners who have adequate programming skills but have no experience in AI,” said Dr. Satya Mallick, Interim CEO, OpenCV.org.

https://www.prweb.com/releases/opencv_org_kickstarter_campaign_for_creating_ai_courses_has_raised_300k_in_25_hours/prweb16329014.htm
#مقاله #سورس_کد

حذف اشیاء از ویدیو با کیفیت عالی
Deep Flow-Guided Video Inpainting (#CVPR2019)

🎥Video Demo:
https://www.dropbox.com/s/2avcy30mleqi5vk/supplementary_cvpr_2019.mp4?dl=0

🔗project page:
https://nbei.github.io/video-inpainting.html

🔗paper:
https://arxiv.org/abs/1905.02884

🔗source code:
https://github.com/nbei/Deep-Flow-Guided-Video-Inpainting
(به زودی منتشر خواهد شد)
#Inpainting
#معرفی #کانال مرتبط
هوش مصنوعی و سیستم های خبره؛ برنامه نویسی پایتون؛ یادگیری ماشین
https://t.me/ai_python
This media is not supported in your browser
VIEW IN TELEGRAM
رابط کاربری برای پیاده‌سازی در fastai بدون نیاز به کد زدن!

https://t.me/cvision/1267

#fastai
فریم ورک horovod برای پیاده سازی و استفاده سریع و آسان یادگیری عمیق با فریم ورک های TensorFlow, Keras, PyTorch, and MXNet

Horovod is a distributed training framework for TensorFlow, Keras, PyTorch, and MXNet. The goal of Horovod is to make distributed Deep Learning fast and easy to use.

https://github.com/horovod/horovod
#آموزش
جراحی مدل آموزش دیده شده!
آیا میتوان وزن های اضافی را بعد آموزش مدل حذف کرد که بتوانیم به مدل سبک تر برای embedded system ها برسیم؟

قبلا در آموزش Tensorflow Optimization Toolkit دیدیم که می‌توانیم وزن های شبکه عصبی را با این روش هرس کرد و به مدل سبک تر رسید.


این پست نیز روشی مرتبط را معرفی کرده که البته بعد از آموزش میتوانیم با سیاستهایی که داریم تصمیم به حذف یک سری فیلترهای کانولوشنالی بگیریم.
همچنین در برخی از آزمایش ها علاوه بر کاهش حجم مدل دقت نیز افزایش پیدا کرده است.

Model Pruning in Keras with Keras-Surgeon

https://medium.com/@anuj_shah/model-pruning-in-keras-with-keras-surgeon-e8e6ff439c07
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
#آموزش
دوره آموزشی یادگیری عمیق و پیاده سازی در #keras

دو ساعت و نیم نخست دوره آموزشی Deep Learning برای ارزیابی خریداران بر روی آپارات قرار گرفت.

http://aparat.com/v/0xgm5

همچنین کد پروژه های انجام شده و اسلایدها برای عموم در دسترسی است:
https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/


برای خرید این دوره میتوانید از طریف این لینک اقدام کنید

http://class.vision

مدرس: علیرضا اخوان‌پور
برگزار کننده: انجمن علمی کامپیوتر دانشگاه شهید رجایی
قیمت: 100.000 تومان
لینک خرید: http://class.vision/deeplearning-keras/
#مجموعه_داده
ورژن جدید MNIST، اعداد دست نویس، با افزودن 50 هزار داده آموزش جدید منتشر شد.

این دیتاست اولین بار در 1998 توسط Yann LeCun مبدع شبکه های کانولوشنالی و مدیر فعلی هوش مصنوعی فیس بوک منتشر شده بود.

Cold Case: The Lost MNIST Digits
https://arxiv.org/abs/1905.10498
#مقاله #سورس_کد

EfficientNets: a family of more efficient & accurate image classification models. Found by architecture search and scaled up by one weird trick.

مقاله:
https://arxiv.org/abs/1905.11946

سورس کد (تنسرفلو):
https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet

بلاگ پست:
https://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html?m=1
#EfficientNet
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
#آموزش
Imperative (or Model Subclassing) APIs

این سبک API در ابتدا توسط فریم ورک Chainer در سال 2015 معرفی شد و در سال 2017 چندین چارچوب دیگر آن را به کار گرفت (از جمله موارد ذکر شده در اینجا). در چارچوب Keras، شوله، توسعه دهنده کراس آن را "API Subclassing Model" می نامد.

بعضی از افراد می گویند "شما نمیتوانید X در چارچوب Y را اجرا کنید، شما نیاز به چارچوب Z دارید".
حتی قبلا هم که همه فریم ورک ها یک api style خاص را پشتیبانی می کردند حرف درستی نبود، اما اکنون که همه این چارچوب ها این api style را پشتیبانی میکنند این ادعا خیلی مسخره تر است! در این استایل شما می توانید کدی از یک کتابخانه را به یه کتابخانه دیگر کپی کرده و با تغییرات جزئی استفاده کنید.

این ادعا هم از همان دسته از حرفهای بی پایه و اساس است که مردم ادعا می کنند "اگر شما این مدل را در چارچوب X اجرا کنید بهتر است" - خروجی یک الگوریتم به زبان شما در آن پیاده سازی ربطی ندارد!!

هوشمنداته ترین روش این است که ترکیب پارادایم های imperative و symbolic را استفاده کنید، همان روشی که در TF.Keras و Gluon انجام می شود.
شما در اغلب موارد مزایای اصلی گراف های کامپایل شده را حفظ می کنید و در عین حال وقتی به انعطاف پذیری گراف پویا نیاز دارید هم دسترسی خواهید داشت.

توصیه میکنم style api که اشاره کردم را در توئیت Francois Chollet

https://t.me/cvision/953

و مقایسه بین تعریف کردن symbolic مدل با Imperative api در تنسرفلو 2 را در اینجا ببینید.
https://t.me/cvision/954

#tensorflow #keras #symbolic #imperative
Tensorflow(@CVision)
#آموزش Imperative (or Model Subclassing) APIs این سبک API در ابتدا توسط فریم ورک Chainer در سال 2015 معرفی شد و در سال 2017 چندین چارچوب دیگر آن را به کار گرفت (از جمله موارد ذکر شده در اینجا). در چارچوب Keras، شوله، توسعه دهنده کراس آن را "API Subclassing…
قسمت 1
جهت یاداوری این پست را به خاطر بیاورید:
https://t.me/cvision/955

و توئیت مرتبط اخیر chollet در مورد سینتکس chainer که الان این سینتکس در keras و pytorch موجود است.
chollet ادعا کرده که pytorch از chainer پروژشو در ابتدا fork کرده.
قسمت 2
اعتراض اکانتpyTorch به ادعای Chollet و پاسخ Chollet در رابطه با مطلب قبلی
قسمت 3
و دعوا شدید میشه و Yann Lecun مدیر هوش مصنوعی فیس بوک (و قاعدتا pytorch) هم میاد تو دعوا :)
Tensorflow(@CVision)
قسمت 3 و دعوا شدید میشه و Yann Lecun مدیر هوش مصنوعی فیس بوک (و قاعدتا pytorch) هم میاد تو دعوا :)
یان لکان جاهایی که صحبت از ایده گرفتن keras از Torch هست از لفظ copy استفاده کرده. اما جاهایی که بحث ایده گرفتن pytorch از یه فریم ورک دیگست از لفظ inspired و الهام استفاده کرده.🙄