#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
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
PRWeb
OpenCV.org Kickstarter Campaign for Creating AI Courses Has Raised $30
PALO ALTO, Calif. (PRWEB) May 23, 2019
OpenCV.org, the maintainer of the most popular computer vision library (OpenCV) in the world, is raising funds with a Kickstarter campaign to launch a serie
OpenCV.org, the maintainer of the most popular computer vision library (OpenCV) in the world, is raising funds with a Kickstarter campaign to launch a serie
#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
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
هوش مصنوعی و سیستم های خبره؛ برنامه نویسی پایتون؛ یادگیری ماشین
https://t.me/ai_python
Telegram
DLeX: AI Python
هوشمصنوعی و برنامهنویسی
ارتباط :
https://twitter.com/NaviDDariya
ارتباط :
https://twitter.com/NaviDDariya
رابط کاربری برای پیادهسازی در fastai بدون نیاز به کد زدن!
Implementing a user friendly interface without the need to dig into the code for fastai
https://twitter.com/jeremyphoward/status/1132139239062118401
https://github.com/asvcode/Vision_UI
Implementing a user friendly interface without the need to dig into the code for fastai
https://twitter.com/jeremyphoward/status/1132139239062118401
https://github.com/asvcode/Vision_UI
Twitter
Jeremy Howard
Wow this looks really interesting! A GUI that sits on top of a significant subset of fastai's API, with a focus on vision applications. Would be interested to hear if folks find this helpful for building @pytorch models https://t.co/7zl9fU5ftk
بهبود کارایی در مسئله object detection به وسیله Deformable Convolutional Networks
https://towardsdatascience.com/review-dcn-deformable-convolutional-networks-2nd-runner-up-in-2017-coco-detection-object-14e488efce44
https://towardsdatascience.com/review-dcn-deformable-convolutional-networks-2nd-runner-up-in-2017-coco-detection-object-14e488efce44
Medium
Review: DCN / DCNv1 — Deformable Convolutional Networks, 2nd Runner Up in 2017 COCO Detection (Object Detection)
With Deformable Convolution, Improved Faster R-CNN and R-FCN, Got 2nd Runner Up in COCO Detection & 3rd Runner Up in COCO Segmentation.
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
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
GitHub
GitHub - horovod/horovod: Distributed training framework for TensorFlow, Keras, PyTorch, and Apache MXNet.
Distributed training framework for TensorFlow, Keras, PyTorch, and Apache MXNet. - 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
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
Telegram
Tensorflow
هرس کردن وزن های شبکی عصبی در تنسرفلو و کراس
این ابزار اکنون قسمتی از Tensorflow Optimization Toolkit و قابل استفاده در #keras است.
در این روش وزنهای نزدیک به ۰ ، ۰ در نظر گرفته میشود، و به تنسورهای sparse میرسند، و علاوه بر کاهش حجم مدل، حافظه مصرفی در…
این ابزار اکنون قسمتی از Tensorflow Optimization Toolkit و قابل استفاده در #keras است.
در این روش وزنهای نزدیک به ۰ ، ۰ در نظر گرفته میشود، و به تنسورهای sparse میرسند، و علاوه بر کاهش حجم مدل، حافظه مصرفی در…
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/
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/
آپارات - سرویس اشتراک ویدیو
دوره آموزشی یادگیری عمیق و Keras
قسمت اول کلاس به عنوان پیش نمایش قرار داده شده تا در صورت تمایل این ویدیو را از سایتclass.visionخریداری نمایید.برای مشاهده سرفصل ها، اطلاعات بیشتر و خرید این دوره آموزشی 12 ساعته لینک http://class.vision/deeplearning-keras/ را کلیک نمائید.
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…
سطح دوره مقدماتی است و برای دوستانی که میخواند تازه شروع کنند مناسبه
Tensorflow(@CVision)
Handling Imbalanced Datasets in Deep Learning #آموزش دو روش مرسوم در با دیتابیس هایی که تعداد نمونه ها در کلاس های مختلف به شدت متفاوت است و اصطلاحا با imbalanced data مواجهیم به کار میبریم. روش نخست Weight balancing روش دوم Over sampling و under sampling…
#آموزش
قبلا در پست "Handling Imbalanced Datasets in Deep Learning" این کانال
https://t.me/cvision/1236
به روش مواجه با داده های ibalance اشاره شد.
امروز chollet توسعه دهنده کراس در توئیتی یک نوت بوک کولب را به این موضوع پرداخته است:
لینک نوت بوک:
https://colab.research.google.com/drive/1xL2jSdY-MGlN60gGuSH_L30P7kxxwUfM
لینک توئیت:
https://twitter.com/fchollet/status/1133425339370074112
#imbalance #keras
سایر مطالب مرتبط در کانال:
https://t.me/cvision/1238
قبلا در پست "Handling Imbalanced Datasets in Deep Learning" این کانال
https://t.me/cvision/1236
به روش مواجه با داده های ibalance اشاره شد.
امروز chollet توسعه دهنده کراس در توئیتی یک نوت بوک کولب را به این موضوع پرداخته است:
لینک نوت بوک:
https://colab.research.google.com/drive/1xL2jSdY-MGlN60gGuSH_L30P7kxxwUfM
لینک توئیت:
https://twitter.com/fchollet/status/1133425339370074112
#imbalance #keras
سایر مطالب مرتبط در کانال:
https://t.me/cvision/1238
#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
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
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
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
Telegram
Tensorflow(@CVision)
وقتی نیاز به تعریف گراف با ساختار دگ دارید، نیاز به
Imperative (or Model Subclassing) APIs
در کراس دارید، حالا یک قطعه کد مشابه با این روش در 4 فریم ورک متفاوت آورده شده...
Here is the same dynamic RNN implemented in 4 different frameworks (TensorFlow/Keras…
Imperative (or Model Subclassing) APIs
در کراس دارید، حالا یک قطعه کد مشابه با این روش در 4 فریم ورک متفاوت آورده شده...
Here is the same dynamic RNN implemented in 4 different frameworks (TensorFlow/Keras…
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.
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
اعتراض اکانتpyTorch به ادعای Chollet و پاسخ Chollet در رابطه با مطلب قبلی
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.🙄
#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/