#پادکست

Exploring TensorFlow 2.0 with Paige Bailey

https://twimlai.com/twiml-talk-242-exploring-tensorflow-2-0-with-paige-bailey/
#tensorflow

#سورس_کد
یه پیاده سازی جمع و جور، مختصر و تمیز از Deep Dream در تنسرفلوی 2.0 که میتوانید در گوگل کولب اجرا کنید.

Minimal implementation of Deep Dream in TensorFlow 2.0

https://colab.research.google.com/github/random-forests/applied-dl/blob/master/examples/9-deep-dream-minimal.ipynb
#art #aiart #deeplearning #tensorflow #technology

🙏Thanks to: @AI_Python_EN


#tensorflow2 #DeepDream

#خبر قسمت_1
دیپ لرنینگ در نظرسنجی 2019 استک اورفلو

https://insights.stackoverflow.com/survey/2019

This is the first year we've asked about many of the technologies in this category, and Node.js is the most commonly used. More developers say they use .NET than .NET Core, and the deep learning framework #TensorFlow is many times more popular than the #deep learning framework Torch/#PyTorch.

🙏Thanks to: https://t.me/software_geek/140

#stackoverflow

#آموزش #سورس_کد

داکیومنت جدید سایت تنسرفلو پیرامون ترنسفورمر
Transformer model for language understanding
new tutorial that shows how to write #Transformer (‘attention’ is all you need) in #TensorFlow 2.0 from scratch
https://www.tensorflow.org/alpha/tutorials/sequences/transformer

#tensorflow2

#آموزش
Create a real #TensorFlow production ML pipeline with this new #TFX step-by-step tutorial!

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

#tensorflow2 #tfx

#مقاله #سورس_کد #ویدیو
#morphnet

MorphNet: Towards Faster and Smaller Neural Networks
در واقع میتوان این مقاله را نوعی روش بهینه سازی شبکه فرض کرد.

در این روش با تعریف Regularization روی منابعی مثل تعداد FLOPها در زمان inference شبکه یا حجم نهایی مدل شبکه های موجود با افت حداقلی درصد یا در خیلی از موارد بدون افت دقت شبکه ی بهینه تر خروجی خواهید گرفت.
مثلا ممکنه در شبکه ی resnet این روش تصمیم بگیره فقط skip-connection باقی بماند و بلاک resnet آن قسمت کلا حذف شود (این تصویر گویا است). یا در معماری Inception خیلی از موازی ها را پاک کند.


* The method was first introduced in #CVPR 2018,
* A overview of the approach as well as new device-specific latency regularizers were prestend in #GTC 2019



🔗Blog post:
https://ai.googleblog.com/2019/04/morphnet-towards-faster-and-smaller.html

🔗MorphNet paper :
https://arxiv.org/pdf/1711.06798.pdf

🔗Source code(#tensorflow ):
https://github.com/google-research/morph-net

🔗slides:
https://github.com/google-research/morph-net/blob/master/g3doc/MorphNet_GTC2019.pdf

🔗Recording and #Video:
https://youtu.be/UvTXhTvJ_wM
https://on-demand.gputechconf.com/gtc/2019/video/_/S9645/

Cutting Edge TensorFlow: New Techniques (Google I/O'19)
تاریخ انتشار 9 می 2019 (دیروز)

This session will take you through 4 of the hottest from #Hyperparameter_Tuning with #Keras_Tuner to Probabilistic Programming to being able to rank your data with learned ranking techniques and TF-Ranking. Finally, you will look at TF-Graphics that brings 3D functionalities to #TensorFlow.

مرتبط با : https://t.me/cvision/1231

ارائه آشنایی با پردازش تنسوری مبتنی بر رایانش ابری گوگل برای یادگیری عمیق
حضور برای عموم آزاد و رایگان است
شنبه 4 خرداد ساعت 12:15
دانشکده کامپیوتر پلی تکنیک
#خرداد1398
#Google #Colab #TPU #Machine_Learning #Deep_Learning #TensorFlow
#Tehran #AUT #CEIT

#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

#مقاله #سورس_کد

#CVPR2019 #face

Learning to Regress 3D Face Shape and Expressionfrom an Image without 3D Supervision

Get 3D faces from an image using RingNet. New CVPR paper with code on-line. The output is a 3D face/head model that can be animated. We do this with paired 3D-image training data.

#Video:
https://youtu.be/6wPQaJBgreE

#Source Code (#Tensorflow):
https://github.com/soubhiksanyal/RingNet

#Project_page:
https://ringnet.is.tue.mpg.de/

paper:
https://ps.is.tuebingen.mpg.de/uploads_file/attachment/attachment/509/paper_camera_ready.pdf

#خبر

اظهارات اخیر Andrew Ng فردی تاثیر گذار در حوزه یادگیری ماشینی، و یادگیری عمیق در مورد نرم افزار deep nude که اخیرا ارائه شده، و سوء استفاده ای از روش pix2pix است.

روش pix2pix یک روش بر مبنای #GAN است که برای #Image_to_Image_Translation استفاده میشود. در این روش تصویر ۱ توسط شبکه عصبی عمیق به تصویر متناظر ۲ تبدیل می گردد، که در این نرم افزار تصویر افراد ورودی شبکه، و تصویر بدون لباس فرد را خروجی میدهد.

https://twitter.com/AndrewYNg/status/1144668413140144128?s=19

جادی هم در این رابطه یک پست با عنوان
بالاخره «دوربین لخت کن» ساخته شد، و ما درکش نمی کنیم
نوشته که میتونید بخونیدش...


https://jadi.net/2019/06/deep-nude/
___
مطلب مرتبط:

#آموزش
آموزش شبکه ی مولد تخاصمی (GAN) برای تبدیل تصویر با روش pix2pix

https://www.aparat.com/v/S9bcT?c

اسلاید:

http://fall97.class.vision/slides/17.pdf

کد (نوت بوک پایتون تنسرفلو - کراس) :

http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/blob/master/57-gan-pix2pix_tensorflow_eager.ipynb


کلاس نوت فارسی pix2pix

http://blog.class.vision/1397/10/pixtopix/

#GAN #pix2pix #cyclegan #keras #tensorflow
#Image_to_Image_Translation
#deep_nude

کتابخانه tf.explain ابزاری است برای درک بهتر رفتار شبکه عصبی که امکان تحلیل گرادیان ها و ترسیم المان های مصور سازی نظیر heatmap ها را میدهد.
همچنین قابل ترکیب با tensorboard و قابل استفاده از طریق tf.keras API هم میباشد.

The library is adapted to the Tensorflow 2.0 workflow, using tf.keras API as possible. It provides:
- Heatmaps Visualizations & Gradients Analysis
- Both off-training and tf.keras.Callback Usages
- Tensorboard Integration

tf-explain respects the new TF2.0 API, and is primarily based on tf.keras when possible. It benefits from the @tf.function decorator which helps to keep support for both eager and graph mode. This allows keeping most algorithms computation time negligible compared to full training.

Algorithms implemented in tf-explain:
- Activations Visualizations
- Grad CAM
- Occlusion Sensitivity
- SmoothGrad

Documentation: https://tf-explain.readthedocs.io/en/latest/
Github: https://github.com/sicara/tf-explain

#visualization #tensorflow

#آموزش
آموزش شبکه ی مولد تخاصمی (GAN) برای تبدیل تصویر با روش های pix2pix و CycleGAN و پیاده سازی

https://www.aparat.com/v/S9bcT?c

جلسه آخر مباحث ویژه 2 با موضوع "یادگیری ژرف پیشرفته" مقطع کارشناسی دانشگاه تربیت دبیر شهید رجایی
دوشنبه، ۳ دی ۱۳۹۷



اسلاید:
http://fall97.class.vision/slides/17.pdf

کد (نوت بوک پایتون تنسرفلو - کراس) :
http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/blob/master/57-gan-pix2pix_tensorflow_eager.ipynb


#GAN #pix2pix #cyclegan #keras #tensorflow
#Image_to_Image_Translation

آ#موزش
قبلا نوت بوک آموزشی تنسرفلو 2 که توسط Chollet منتشر شد را به اشتراک گذاشتم (اینجا)
خوبه این نوت بوک هم با موضوع
TensorFlow 2.0: basic ops, gradients, data preprocessing and augmentation, training and saving
هم ببینیم

https://colab.research.google.com/github/zaidalyafeai/Notebooks/blob/master/TF_2_0.ipynb

#ArtificialIntelligence #DeepLearning #TensorFlow

#رویداد_آنلاین
علاقه مندان یادگیری عمیق که با #Tensorflow کار می کنند، رویداد سالانه گوگل با عنوان TensorFlow Dev Summit 2020 هم اکنون بصورت Livestream بدر حال برگزاری است که از این لینک می تونید تماشا بفرمایید.
https://www.youtube.com/watch?v=HlBGYxO8RaU

@eventai

BodyPix: Real-time Person Segmentation in the Browser with TensorFlow.js

BodyPix: Real-time Person Segmentation in the Browser. Try it yourself - 21 fps on an iPhone X. It's a new step in ML model distillation, which makes it usable for browser. The model uses video from you camera and ResNet50 to segment human body parts. It's an amazing feat.

demo: https://storage.googleapis.com/tfjs-models/demos/body-pix/index.html
Article with a guide using Tensorflow.js: https://blog.tensorflow.org/2019/11/updated-bodypix-2.html

#deeplearning #tensorflow #tensorflowjs #segmentation #bodypix2 #google #machinelearning #datarefiner

#آموزش
How to use #TensorFlow 2.0's "tf.GradientTape" function to create custom training loops for #Keras models:

- Automatic differentiation
- Customize data batch process
- Use custom loss
https://www.pyimagesearch.com/2020/03/23/using-tensorflow-and-gradienttape-to-train-a-keras-model/

Autoencoders for Content-based Image Retrieval (i.e., image search engines) with #Keras and #TensorFlow 2.0:

https://www.pyimagesearch.com/2020/03/30/autoencoders-for-content-based-image-retrieval-with-keras-and-tensorflow/

#آموزش #ویدیو #وبینار
Build TensorFlow input pipelines with tf.data

⚪️فیلم وبینار فارسی tf.data و راه‌کارهای افزایش سرعت آموزش - پنج‌شنبه مورخ ۱۴ فروردین ۱۳۹۹
⚪️سطح: پیشرفته (کد نویسی)

این وبینار به آموزش مراحل ساخت pipeline ورودی TensorFlow2 و keras با tf.data و دلایل استفاده نکردن از پیش‌پردازش‌های keras نظیر ImageDataGenerator و لزوم بهره‌گیری از tf.data پرداخته است. بعد از بررسی گام‌های مختلف ETL به عنوان مثال عملی، Transfer learning برای طبقه بندی تصویر را با tf.data انجام دادیم. در نیمه‌ی دوم وبینار بیشتر روی افزایش performance سرعت آموزش و تست بحث شد و راه‌کارهایی نظیر prefetch، Parallelize ، transformation، cache،snapshot، tf.function، XLA و همچنین mixed precision بحث شد.

اسلاید‌های وبینار
https://www.slideshare.net/Alirezaakhavanpour/build-tensorflow-input-pipelines-tfdata

فیلم وبینار در آپارات:
https://www.aparat.com/v/HGvC2

کدهای اسلایدها و مثال عملی:
https://github.com/Alireza-Akhavan/class.vision/tree/master/tf2

@cvision @irandeeplearning

#TensorFlow #keras