#مجموعه_داده
Tiny ImageNet Visual Recognition Challenge + leaderboard
Tiny Imagenet has 200 classes. Each class has 500 training images, 50 validation images, and 50 test images.
https://tiny-imagenet.herokuapp.com/
Tiny ImageNet Visual Recognition Challenge + leaderboard
Tiny Imagenet has 200 classes. Each class has 500 training images, 50 validation images, and 50 test images.
https://tiny-imagenet.herokuapp.com/
Tensorflow(@CVision)
#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…
برخی دوستان ایمیل زدند گفتند آپارات کیفیت را کاهش میدهد.
در صورت تمایل میتوانید این جلسه 2.5 ساعته را با کیفیت اصلی و با حجم 2.4 گیگ از اینجا دانلود کنید.
http://class.vision/temp/Session%201%20-%20Part%201.rar
در صورت تمایل میتوانید این جلسه 2.5 ساعته را با کیفیت اصلی و با حجم 2.4 گیگ از اینجا دانلود کنید.
http://class.vision/temp/Session%201%20-%20Part%201.rar
#خبر
تنسرفلو 1.14 آخرین نسخه از که قبل TensorFlow 2.0 منتشر شد:
https://github.com/tensorflow/tensorflow/releases/tag/v1.14.0-rc0?linkId=68391010
همچنین نسخه بتا TensorFlow 2.0 هفته ی بعد منتشر خواهد شد.
تنسرفلو 1.14 آخرین نسخه از که قبل TensorFlow 2.0 منتشر شد:
https://github.com/tensorflow/tensorflow/releases/tag/v1.14.0-rc0?linkId=68391010
همچنین نسخه بتا TensorFlow 2.0 هفته ی بعد منتشر خواهد شد.
GitHub
tensorflow/tensorflow
An Open Source Machine Learning Framework for Everyone - tensorflow/tensorflow
ساخت و تولید دیتاست مصنوعی متن فارسی و انگلیسی با لیبل به صورت کاملا اتوماتیک و آسان.
یک تولید کننده دیتاست متن فارسی و انگلیسی با قابلیت انتخاب انواع فونت ها و استایل ها و متون رندوم یا انتخابی از دیکشنری و منبع دیتاست دلخواهتان با تعداد دیتای تولید شده دلخواه
با کمک این ابزار میتوانید دیتاست مورد نیاز برای آموزش شبکه های عمیق پردازش متن را به سرعت و آسان تولید کنید
A synthetic data generator for text recognition with latin, arabic and persian text support
https://github.com/amirmgh1375/TextRecognitionDataGenerator
#آموزش #سورس_کد #دیتاست
#synthetic_data #text_recognition #ctc
#ocr
#dataset_generator
یک تولید کننده دیتاست متن فارسی و انگلیسی با قابلیت انتخاب انواع فونت ها و استایل ها و متون رندوم یا انتخابی از دیکشنری و منبع دیتاست دلخواهتان با تعداد دیتای تولید شده دلخواه
با کمک این ابزار میتوانید دیتاست مورد نیاز برای آموزش شبکه های عمیق پردازش متن را به سرعت و آسان تولید کنید
A synthetic data generator for text recognition with latin, arabic and persian text support
https://github.com/amirmgh1375/TextRecognitionDataGenerator
#آموزش #سورس_کد #دیتاست
#synthetic_data #text_recognition #ctc
#ocr
#dataset_generator
#سورس_کد
در اینجا شبکه های EfficientNet معرفی شدند که با تعداد پارامتر کمتر و دقت بالاتر مدلهای قبلی بودند (سطح زیر نمودار accuracy/#of parameters بالایی داشتند.)
دیروز پیاده سازی #Keras آن منتشر شده است
https://github.com/qubvel/efficientnet
#EfficientNet
در اینجا شبکه های EfficientNet معرفی شدند که با تعداد پارامتر کمتر و دقت بالاتر مدلهای قبلی بودند (سطح زیر نمودار accuracy/#of parameters بالایی داشتند.)
دیروز پیاده سازی #Keras آن منتشر شده است
https://github.com/qubvel/efficientnet
from efficientnet import EfficientNetB0
model = EfficientNetB0(weights='imagenet')
#EfficientNet
Telegram
Tensorflow(@CVision)
#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/…
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/…
#سورس_کد
Real Time Trigger Word Detection with #Keras
https://github.com/Tony607/Keras-Trigger-Word
فیلم های آموزش مبحث مورد نظر:
https://www.aparat.com/v/cEKal
https://www.aparat.com/v/1aGeQ
#speech #trigger_word_detection #real_time #keras
Real Time Trigger Word Detection with #Keras
https://github.com/Tony607/Keras-Trigger-Word
فیلم های آموزش مبحث مورد نظر:
https://www.aparat.com/v/cEKal
https://www.aparat.com/v/1aGeQ
#speech #trigger_word_detection #real_time #keras
GitHub
GitHub - Tony607/Keras-Trigger-Word: How to do Real Time Trigger Word Detection with Keras | DLology
How to do Real Time Trigger Word Detection with Keras | DLology - Tony607/Keras-Trigger-Word
#مقاله
دوستانی که با #pytorch کار میکنند، مدل های #EfficientNet به همراه وزنهای آموزش دیده روی imagenet در این مخزن از مدل تنسرفلویی مقاله port شده و در pytorch قابل استفادست.
https://github.com/rwightman/pytorch-image-models
مطالب مرتبط:
مدل کراس:
https://t.me/cvision/1287
مقاله اصلی به همراه پیاده سازی اصلی تنسرفلو قدیمی(در ۲ ساپورت نمیشه)
https://t.me/cvision/1276
دوستانی که با #pytorch کار میکنند، مدل های #EfficientNet به همراه وزنهای آموزش دیده روی imagenet در این مخزن از مدل تنسرفلویی مقاله port شده و در pytorch قابل استفادست.
https://github.com/rwightman/pytorch-image-models
مطالب مرتبط:
مدل کراس:
https://t.me/cvision/1287
مقاله اصلی به همراه پیاده سازی اصلی تنسرفلو قدیمی(در ۲ ساپورت نمیشه)
https://t.me/cvision/1276
GitHub
GitHub - huggingface/pytorch-image-models: The largest collection of PyTorch image encoders / backbones. Including train, eval…
The largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (V...
#آموزش
#multi_GPU
#multi_GPU
from keras.utils import multi_gpu_modelhttps://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#سوال:
روی یک کامپیوتر چند GPU دارم. چه طور مدلی که با keras ایجاد کردم را روی همه GPU ها آموزش دهم؟
#پاسخ:
طبق این دستور العمل به راحتی میتوانید با استفاده از تابع
#سوال:
قبلا (بیش از 1 سال پیش) در این پست کانال و این پست نوشتیم که از تنسرفلو 1.4 به بعد میشه مدل را به #estimator تنسرفلو تبدیل کرد.
خب esetimator که multi_GPU داره و با این روش هم میشه مدلو توزیع شده و یا رو چند GPU اجرا کرد.
آیا روشی که در بالا معرفی شد نسبت به آن روش مزیتی دارد؟
#پاسخ:
وقتی یک مدل #Keras را به estimator تبدیل میکنید، فقط معماری مدل را تبدیل کرده و متدهای #callback ی که برای این مدلتون تعریف کردید، نظیر تغییر Learning rate طبق سیاست هایی که نوشتید از کار میوفته!
اما متد
روی یک کامپیوتر چند GPU دارم. چه طور مدلی که با keras ایجاد کردم را روی همه GPU ها آموزش دهم؟
#پاسخ:
طبق این دستور العمل به راحتی میتوانید با استفاده از تابع
multi_gpu_model
مدل خود را به مدل multi_GPU تبدیل کرده و این مدل را آموزش دهید. در این صورت از تمام GPU های سیستم میتوانید استفاده کنید.#سوال:
قبلا (بیش از 1 سال پیش) در این پست کانال و این پست نوشتیم که از تنسرفلو 1.4 به بعد میشه مدل را به #estimator تنسرفلو تبدیل کرد.
خب esetimator که multi_GPU داره و با این روش هم میشه مدلو توزیع شده و یا رو چند GPU اجرا کرد.
آیا روشی که در بالا معرفی شد نسبت به آن روش مزیتی دارد؟
#پاسخ:
وقتی یک مدل #Keras را به estimator تبدیل میکنید، فقط معماری مدل را تبدیل کرده و متدهای #callback ی که برای این مدلتون تعریف کردید، نظیر تغییر Learning rate طبق سیاست هایی که نوشتید از کار میوفته!
اما متد
multi_gpu_model
بازهم یک مدل #keras به شما برمیگرداند، نه estimator و در نتیجه تمامی خاصیت های مدل از جمله callback method ها را حفظ خواهد کرد.Telegram
Tensorflow
#آموزش
#multi_GPU
from keras.utils import multi_gpu_model
https://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#multi_GPU
from keras.utils import multi_gpu_model
https://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#مجموعه_داده #سورس_کد #مقاله
بازشناسی جنسیت و شناسایی بیومتریک با دیتاست بزرگ از تصاویر دست!
Gender recognition and biometric identification using a large dataset of hand images
https://sites.google.com/view/11khands
https://github.com/mahmoudnafifi/11K-Hands
بازشناسی جنسیت و شناسایی بیومتریک با دیتاست بزرگ از تصاویر دست!
Gender recognition and biometric identification using a large dataset of hand images
https://sites.google.com/view/11khands
https://github.com/mahmoudnafifi/11K-Hands
Google
11k Hands
Welcome to the 11k Hands dataset, a collection of 11,076 hand images (1600 x 1200 pixels) of 190 subjects, of varying ages between 18 - 75 years old. Each subject was asked to open and close his fingers of the right and left hands. Each hand was photographed…
#تخفیف 20% #ویدئو #آموزشی
بیست درصد تخفیف فیلم آموزشی یادگیری عمیق با پایتون و تنسرفلو/کراس به مدت محدود به مناسبت عید سعید فطر.
کد تخفیف:
Eid-e-Fetr
تاریخ اعتبار:
تا شنبه 18 خردادماه
ایمیل ارتباط و سوالات در مورد دوره: akhavan@class.vision
لینک خرید: http://class.vision/deeplearning-keras/
#python #tesnorflow #keras #deeplearning
بیست درصد تخفیف فیلم آموزشی یادگیری عمیق با پایتون و تنسرفلو/کراس به مدت محدود به مناسبت عید سعید فطر.
کد تخفیف:
Eid-e-Fetr
تاریخ اعتبار:
تا شنبه 18 خردادماه
ایمیل ارتباط و سوالات در مورد دوره: akhavan@class.vision
لینک خرید: http://class.vision/deeplearning-keras/
#python #tesnorflow #keras #deeplearning
#سوال :
آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟
#پاسخ :
بله. اگر معماری شبکه متشکل از لایه globalAveragePool باشد این کار امکان پذیر میباشد. در این لایه به دلیل نمونه برداری عمقی از لایه کانولوشن مستقل از سایز سطر در ستون کانولوشن بوده و برای مپ کردن به لایه تمام متصل بعدی برخلاف flatten مشکلی ایجاد نخواهد شد
مثال : شبکه resnet
#نحوه انجام کار :
برای تغییر سایز ورودی شبکه ترین شده در keras آن را لود کرده و به صورت زیر سایز ورودی شبکه را تغییر میدهیم.
در نهایت با دستور زیر نیز میتوانید سایز ورودی لایه و تمام لایه های شبکه را مشاهده نمایید
#کاربرد :
1 - ابتدا شبکه را با سایز ورودی کوچک آموزش داده و پس از چند ایپاک که به درصد دقت مناسبی رسیدیم سایز ورودی را بزرگ کرده و ادامه دهیم یا بر عکس.
2 - متناسب با کاربرد مسیله خود شبکه از قبل آموزش دیده روی دیتاست های بزرگ و جامع تر را با سایز ورودی مناسب تر فاین تیون کنیم.
توضیحات بیشتر :
https://www.aparat.com/v/YgEDH
آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟
#پاسخ :
بله. اگر معماری شبکه متشکل از لایه globalAveragePool باشد این کار امکان پذیر میباشد. در این لایه به دلیل نمونه برداری عمقی از لایه کانولوشن مستقل از سایز سطر در ستون کانولوشن بوده و برای مپ کردن به لایه تمام متصل بعدی برخلاف flatten مشکلی ایجاد نخواهد شد
مثال : شبکه resnet
#نحوه انجام کار :
برای تغییر سایز ورودی شبکه ترین شده در keras آن را لود کرده و به صورت زیر سایز ورودی شبکه را تغییر میدهیم.
model = load_model('checkpoint.h5')
input_layer = InputLayer(input_shape=(img_width, img_hight, channel), name="input_1")
model.layers[0] = input_layer
model.save("checkpoint-reshaped.h5")
در نهایت با دستور زیر نیز میتوانید سایز ورودی لایه و تمام لایه های شبکه را مشاهده نمایید
model.summary()
#کاربرد :
1 - ابتدا شبکه را با سایز ورودی کوچک آموزش داده و پس از چند ایپاک که به درصد دقت مناسبی رسیدیم سایز ورودی را بزرگ کرده و ادامه دهیم یا بر عکس.
2 - متناسب با کاربرد مسیله خود شبکه از قبل آموزش دیده روی دیتاست های بزرگ و جامع تر را با سایز ورودی مناسب تر فاین تیون کنیم.
توضیحات بیشتر :
https://www.aparat.com/v/YgEDH
آپارات - سرویس اشتراک ویدیو
مباحث ویژه 2 - جلسه 6
در این جلسه Global Pooling و Adaptive pooling مطرح شد و به ایده آموزش یک شبکه با تصاویر با سایز متفاوت در ایپاک های مختلف در فریم ورک FastAI پرداخته شد.
#مقاله #architecture_engineering
پیدا کردن نحوه اتصالات یک شبکه عصبی به طوری که تابع loss حالت کمینه پیدا کند و بار محاسباتی کاهش یابد.
در این روش نحوه اتصالات شبکه در طول آموزش ثابت نیستند و شبکه علاوه بر پارامترها، ساختار شبکه و بهترین نوع اتصالات شبکه را هم یاد می گیرد!
این روش برای شبکه های بازگشتی هم قابل اعمال است.
Discovering Neural Wirings
https://arxiv.org/abs/1906.00586v1
Mitchell Wortsman, Ali Farhadi, Mohammad Rastegari
پیدا کردن نحوه اتصالات یک شبکه عصبی به طوری که تابع loss حالت کمینه پیدا کند و بار محاسباتی کاهش یابد.
در این روش نحوه اتصالات شبکه در طول آموزش ثابت نیستند و شبکه علاوه بر پارامترها، ساختار شبکه و بهترین نوع اتصالات شبکه را هم یاد می گیرد!
این روش برای شبکه های بازگشتی هم قابل اعمال است.
Discovering Neural Wirings
https://arxiv.org/abs/1906.00586v1
Mitchell Wortsman, Ali Farhadi, Mohammad Rastegari
arXiv.org
Discovering Neural Wirings
The success of neural networks has driven a shift in focus from feature
engineering to architecture engineering. However, successful networks today are
constructed using a small and manually...
engineering to architecture engineering. However, successful networks today are
constructed using a small and manually...
برای دوستانی که قصد دارند در کنکور تحصیلات تکمیلی شرکت کنند:
مکتب گرام | رسانه ای برای آموزش و پژوهش
ارشد و دکتری کامپیوتر و برق و آی تی
@Maktabgram_ir
مکتب گرام | رسانه ای برای آموزش و پژوهش
ارشد و دکتری کامپیوتر و برق و آی تی
@Maktabgram_ir
Andrew Ng and Masoumeh Haghpanahi the team's new paper -- Cardiologist-level arrhythmia detection from ECG using deep learning.
https://www.nature.com/articles/s41591-018-0268-3
https://stanfordmlgroup.github.io/projects/ecg2/
https://t.me/ArtificialIntelligenceArticles
#DeepLearning #MachineLearning #artificalintelligence
🙏Thanks to: @ArtificialIntelligenceArticles
https://www.nature.com/articles/s41591-018-0268-3
https://stanfordmlgroup.github.io/projects/ecg2/
https://t.me/ArtificialIntelligenceArticles
#DeepLearning #MachineLearning #artificalintelligence
🙏Thanks to: @ArtificialIntelligenceArticles
Nature
Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network
Nature Medicine - Analysis of electrocardiograms using an end-to-end deep learning approach can detect and classify cardiac arrhythmia with high accuracy, similar to that of cardiologists.
#مقاله #face
Deep Face Recognition: A Survey
https://arxiv.org/abs/1804.06655
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#face
Deep Face Recognition: A Survey
https://arxiv.org/abs/1804.06655
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#face
arXiv.org
Deep Face Recognition: A Survey
Deep learning applies multiple processing layers to learn representations of data with multiple levels of feature extraction. This emerging technique has reshaped the research landscape of face...
#مقاله #face
Low-resolution Face Recognition in the Wild via Selective Knowledge Distillation
https://arxiv.org/abs/1811.09998
——
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
Low-resolution Face Recognition in the Wild via Selective Knowledge Distillation
https://arxiv.org/abs/1811.09998
——
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#آموزش #سورس_کد
یک مساله رگرسیون با #keras که توسط Chollet به اشتراک گذاشته شده.
Here's regression example on the Ames Housing Price dataset. This dataset turns out to be great for demonstrating how to vectorize structured data, and how to handle missing features.
https://colab.research.google.com/drive/127UxEcvp9KKrf2rNGlHBfyUMgcoQE0zi
مرتبط با مساله رگرسیون تخمین قیمت بیان شده در این دوره
یک مساله رگرسیون با #keras که توسط Chollet به اشتراک گذاشته شده.
Here's regression example on the Ames Housing Price dataset. This dataset turns out to be great for demonstrating how to vectorize structured data, and how to handle missing features.
https://colab.research.google.com/drive/127UxEcvp9KKrf2rNGlHBfyUMgcoQE0zi
مرتبط با مساله رگرسیون تخمین قیمت بیان شده در این دوره
High performance inference with #آموزش TensorRT Integration
https://medium.com/tensorflow/high-performance-inference-with-tensorrt-integration-c4d78795fbfe?linkId=68490018
https://medium.com/tensorflow/high-performance-inference-with-tensorrt-integration-c4d78795fbfe?linkId=68490018
Medium
High performance inference with TensorRT Integration
Posted by: Pooya Davoodi (NVIDIA), Guangda Lai (Google), Trevor Morris (NVIDIA), Siddharth Sharma (NVIDIA)