#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