#آموزش #TF2
از تنسرفلو 2.2 به بعد شما می‌توانید در روش model subclassing در کلاس تعریف مدلتون متد train_step را override کنید (تصویر1) و به این ترتیب عملگر فراخوانی تابع fit را مدیریت کنید(تصویر2)!
مثال عملی این کار را در اینجا مثال شبکه‌ی GANی که François Chollet تعریف کرده ببینید.

منبع از توئیت‌های شوله

#آموزش #سورس_کد #TF2
در گوگل کولب این آموزش و این مثال را خودتون تست کنید:

Customizing what happens in fit()
https://colab.research.google.com/drive/1ZshwEPDDCHKZHkpmbVPvGoDEt1O1kICw

#آموزش #سورس_کد
آیا می دانید از #tf2 و #kears و می‌توانید برای آموزش تقریبی #SVM استفاده کنید؟
قبلا رایج بود که ویژگی ها را از یکی از لایه‌های یک شبکه از قبل آموزش داده استخراج می‌کردیم و مثلا با SVM طبقه بندی میکردیم...
اما الان می توانید از این ویژگی keras برای افزودن یک "لایه SVM" در بالای یک طبقه بندی کننده عمیق استفاده کرده و کل شبکه را به صورت end2end آموزش دهید!

البته خود François Chollet راه قدیمی‌ترو توصیه کرده و نوشته:

In practice, I think this is a bad idea. But it's certainly something you *can* do.
ML pro tip: learning your features is better than leveraging random kernels.

به هر حال این نوت‌بوک که توسط شوله ایجاد شده را می‌تونید در کولب اجرا کرده و روی مجموعه داده mnist تست کنید:

https://colab.research.google.com/drive/1rObQto2bWMBPy8W555IYHtZKtniRUNDQ#scrollTo=_ZPU5WGO0FzQ

#خبر #TF2

🗣TensorFlow 2.2.0-rc3 has been released!

تغییرات اساسی:

⭕️همان طور که اینجا دیدیدم، Profiler جدید به تنسربورد
⭕️تغییرات اساسی در Model.fit،در tf.keras مثلا همان طور که اینجا گفته شد، برای override کردن train_step
⭕️فرمت SavedModel اکنون از تمام لایه های داخلی Keras پشتیبانی می کند (از جمله معیارها ، لایه های پیش پردازش و لایه های stateful در RNN )
⭕️و سایر به روز رسانی‌ها که در اینجا می‌توانید ببینید:
https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0-rc3?linkId=86635685

#آموزش #سورس_کد
Optimizing style transfer to run on mobile with TFLite

https://blog.tensorflow.org/2020/04/optimizing-style-transfer-to-run-on-mobile-with-tflite.html


#style_transfer #TF2 #TFLite

#آموزش #سورس_کد #TF2
نوت‌بوک بازنویسی شده Transfer Learning توسط François Chollet

در این نون‌بوک ریزه کاری هایی مثل پاس دادن پارامتر training=False به مدلی که قراره روش fine-tuning انجام بدیم یا ملاحظاتی مربوط به استفاده از batch norm ذکر شده است.

https://colab.research.google.com/drive/17vHSAj7no7RMdJ18MJomTf8twqw1suYC#scrollTo=gWgNGY9S8q6d

اگر هیچ آشنایی با کراس ندارید و تازه می‌خواهید شروع کنید، میتوانید از فیلم‌های آموزش مقدماتی کراس با زبان فارسی استفاده کنید:
http://class.vision/deeplearning-keras/

#آموزش #سورس_کد #TF2 #Keras

پترن لایه‌ی Endpoint در فریم ورک Keras

از این لایه برای مدیریت و تعریف loss و metric میشه استفاده کرد.


https://colab.research.google.com/drive/1zzLcJ2A2qofIvv94YJ3axRknlA6cBSIw

#loss
منبع: توئیت François Chollet

#آموزش #TF2 #callback
لینک پارت نخست وبینار امروز با موضوع متدهای callback در Tensorflow

https://www.aparat.com/v/Tdbck?part1

#آموزش #TF2 #callback
لینک پارت دوم وبینار با موضوع متدهای callback در Tensorflow

https://www.aparat.com/v/r05IW

#آموزش #tf2 #keras
آموزش دیگری از chollet این بار با موضوع Deep Dream

A modern Deep Dream example in around 60 lines of Keras:

https://colab.research.google.com/drive/18XPdEDVYdr_ODAvW0DrWRCRC25tvTuCE
منبع
https://twitter.com/fchollet/status/1256744926550716417?s=20

#آموزش #سورس_کد #keras #TF2
چند وقته که François Chollet خالق Keras، نوت‌بوک‌هایی را مبتنی بر سینتکس Tensorflow2 ی Keras به روز رسانی و یا آماده می‌کنه و به صورت پراکنده در توئیترش معرفی می‌کنه.
تصمیم گرفتم در پوشه‌ای با نام chollet notebooks در مخزن گیت‌هابی که به آموزش‌های مرتبط با استفاده بهتر از Keras با Tensorflow2 اختصاص داده بودم این نوت بوک‌ها را کپی کنم که می‌تونید شما به صورت یکجا دانلود کنید...

https://github.com/Alireza-Akhavan/tf2-tutorial

✅قاعدتا این مخزن به روز خواهد شد

#سورس_کد #آموزش #tf2

نوت‌بوک جدید chollet : پیاده سازی VAE در 50 خط
How to implement & train a convolutional #variational_autoencoder with #Keras in under 50 lines of code:

https://colab.research.google.com/drive/1COeSoasrpY-w3uF1JPVksLEjx4Tx2ns5

بقیه نوت‌بوک‌های تنسرفلو2-کراس که شوله منتشر کرده:
https://github.com/Alireza-Akhavan/tf2-tutorial/tree/master/chollet%20notebooks

منبع:
https://twitter.com/fchollet/status/1257049755005284353?s=20

#سورس_کد #آموزش #tf2
نوت‌بوک جدید chollet

Using pre-trained word embeddings with Keras
(TextVectorization layer)

https://colab.research.google.com/drive/1TO6__A7hdID09nHbeoO0ng8kk3zohWA_?usp=sharing

بقیه نوت‌بوک‌های تنسرفلو2-کراس که شوله منتشر کرده:
https://github.com/Alireza-Akhavan/tf2-tutorial/tree/master/chollet%20notebooks

منبع توئیت

@cvision

#آموزش
Tensorflow2/keras

داکیومنت های درک عمیق تر کراس جدید!
https://keras.io/guides/
#tf2 #keras

#آموزش
Tensorflow2/keras

داکیومنت های مثال‌های جدید کراس مطابق با تنسرفلو 2
(François Chollet)

https://keras.io/examples/

#tf2 #keras

#آموزش #keras #tf2
همان طور که می‌دانید و در وبینار tf.data (که فیلم و کد و اسلاید در اینجا موجود است) بحث شد، استفاده از ImageDataGenerator کراس توصیه نمیشه! چرا که پایتونی و با نامپای نوشته شده و بسیار کند تر از تعریف pipeline ورودی با تنسرفلو است.
اما برای حالتی که ما برای هر کلاس به فولدر داشتیم خیلی راحت تر بود! نبود؟!

خوشبختانه یه تابع جدید تعریف کردند که مثل قبل آسونه، اما سرعت pipeline دیتا با tf.data را قراره داشته باشه!

قبل این که شروع کنیم عرض کنم که هنوز تو تنسرفلو 2.2 اضافه نشده و الان تو نسخه nightly هستش.
پس اگر تو کولب هستید، قبل از این که چیزی را import کنید بزنید:

! pip install -q tf-nightly

تابع اضافه شده

tf.keras.preprocessing.image_dataset_from_directory

است، که کم و بیش همان ورودی های ImageDataGenerator را داره.
اگر میخواید داکیومنتشو بخونید،
در سایت تنسرفلو:
https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image_dataset_from_directory

و در سایت کراس:
https://keras.io/api/preprocessing/image/#image_dataset_from_directory-function

و اگر میخواید همین الان تستش کنید، تو کولب نوت بوک زیرو ببنید:
https://colab.research.google.com/github/keras-team/keras-io/blob/master/examples/vision/ipynb/image_classification_from_scratch.ipynb#scrollTo=mIjFNal6Eqdn

@cvision

#سورس_کد
A neat TF2/Keras implementation of text-to-speech with Transformer.

https://github.com/as-ideas/TransformerTTS

#tts #tf2 #keras