Video Understanding

Facebook AI Research (FAIR) has been contributing heavily to video understanding research in recent years. At October’s ICCV 2019 the team unveiled a Python-based codebase, PySlowFast. FAIR as now open-sourced PySlowFast, along with a pretrained model library and a pledge to continue adding cutting-edge resources to the project.

The name “PySlowFast” derives from a novel duality — the model has both a slow pathway that operates at a low frame rate to capture spatial semantics, and a lightweight, fast pathway that operates at a high frame rate, captures motion at fine temporal resolution, and can learn useful temporal information for video recognition.

Code:
https://github.com/facebookresearch/SlowFast

Related Papers:
https://arxiv.org/pdf/1812.03982.pdf
https://arxiv.org/pdf/1711.07971.pdf

Edward

A library for probabilistic modeling, inference, and criticism.
Edward is a Python library for probabilistic modeling, inference, and criticism. It is a testbed for fast experimentation and research with probabilistic models, ranging from classical hierarchical models on small data sets to complex deep probabilistic models on large data sets. Edward fuses three fields: Bayesian statistics and machine learning, deep learning, and probabilistic programming.

It supports modeling with

Directed graphical models
Neural networks (via libraries such as tf.layers and Keras)
Implicit generative models
Bayesian nonparametrics and probabilistic programs

Website: http://edwardlib.org/
GitHub: https://github.com/blei-lab/edward

"Why Should I Trust You?": Explaining the Predictions of Any Classifier

Lime

A novel explanation technique that explains the predictions of any classifier in an interpretable and faithful manner, by learning an interpretable model locally around the prediction

GitHub: https://github.com/marcotcr/lime

با Hyperas، هایپرپارامترهای مدل کراس رو tune کنید!


A very simple convenience wrapper around hyperopt for fast prototyping with keras models. Hyperas lets you use the power of hyperopt without having to learn the syntax of it. Instead, just define your keras model as you are used to, but use a simple template notation to define hyper-parameter ranges to tune.

Blog Post: https://towardsdatascience.com/keras-hyperparameter-tuning-in-google-colab-using-hyperas-624fa4bbf673

GitHub: https://github.com/maxpumperla/hyperas

NeurIPS 2019 Implementations

https://paperswithcode.com/conference/neurips-2019-12

Sightseer, a TensorFlow wrapper that allows anyone to access state-of-the-art computer vision and object detection models in 10 lines of code or less

https://github.com/rish-16/sight

#object_detection #computer_vision

#دوره_آموزشی شبکه‌های عصبی عمیق منتشر شد

قسمت‌هایی از این دوره 32 قسمتی برای ارزیابی خریداران گرامی در آپارات بارگزاری شد:
https://www.aparat.com/v/zqbc8

لینک خرید به زودی در کانال منتشر میشود.

گیت‌هاب کلاس و کدها:
https://github.com/Alireza-Akhavan/rnn-notebooks

سرفصل های این دوره:

قسمت اول – 18 دقیقه - مقدمات شبکه های بازگشتی
قسمت دوم – 21 دقیقه - یک سلول (واحد) بازگشتی ساده و شبکه بازگشتی
قسمت سوم – 32 دقیقه - پیاده‌سازی تخمین تابع با شبکه‌های بازگشتی ساده
قسمت چهارم – 4 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۱)
قسمت پنجم – 11 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۲)
قسمت شـشـم – 19 دقیقه - محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی
قسمت هفتم – 26 دقیقه - شبکه‌های GRU
قسمت هشتم – 8 دقیقه - شبکه‌های LSTM
قسمت نهم – 9 دقیقه - دیاگرام شبکه‎های LSTM
قسمت دهم – 9 دقیقه - مثال‌هایی از داده‌های توالی و ترتیبی
قسمت یازدهم – 5 دقیقه - شبکه‌های بازگشتی عمیق
قسمت دوازدهم – 34 دقیقه - تخمین قیمت ارزهای دیجیتال – پیش‌پردازش داده
قسمت سیزدهم – 22 دقیقه - تخمین قیمت ارزهای دیجیتال – بالانس کردن داده‌ها و آموزش
قسمت چهاردهم – 34 دقیقه - شبکه‌های بازگشتی برای طبقه‌بندی ویدیو – مثال تشخیص جهت حرکت توپ
قسمت پانزدهم – 41 دقیقه - مثال دوم طبقه‌بندی ویدیو – بازشناسی عملکرد در ویدیو
قسمت شانزدهم – 32 دقیقه - درک بردار کلمات و بازنمایی آن‌ها
قسمت هفدهم – 11 دقیقه - ویژگی‌های بازنمایی کلمات و لایه Embedding
قسمت هجدهم – 27 دقیقه - مثال عملی آنالوژی با بردار کلمات
قسمت نوزدهم – 14 دقیقه - طبقه‌بندی متن
قسمت بـیـسـتـم – 20 دقیقه - پیاده‌سازی طبقه‌بندی متن با روش Bag-of-Embeddings
قسمت بیست و یکم – 29 دقیقه - طبقه‌بندی متن با شبکه بازگشتی
قسمت بیست و دوم – 57 دقیقه - مدل زبانی – تولید اشعاری شبیه به شاهنامه
قسمت بیست و سوم –16 دقیقه - جمع‌بندی و معرفی شبکه‌های بازگشتی دوطرفه
قسمت بیست و چهارم – 14 دقیقه - مدل‌های توالی به توالی
قسمت بیست و پنجم – 27 دقیقه - مثال عملی Seq2Seq برای فهم رشته عملیات ریاضی
قسمت بیست و شـشـم – 15 دقیقه - مقدمات ترجمه ماشینی
قسمت بیست و هفتم – 15 دقیقه - الگوریتم جست و جوی پرتو
قسمت بیست و هشـتم – 60 دقیقه - مکانیزم توجه در ترجمه ماشینی
قسمت بیست و نهم – 30 دقیقه - پیاده‌سازی ترجمه ماشینی در کراس برای تبدیل تاریخ
قسمت سـی‌ام – 15 دقیقه - روش کمک معلم
قسمت سی و یکم – 41 دقیقه - پیاده‌سازی ترجمه ماشینی با مکانیزم توجه و Teacher Forcing در تنسرفلو ۲
قسمت سی‌ و دوم – 28 دقیقه - شرح تصاویر با توجه بصری


Part 1 – 18 Minutes - Introduction to Recurrent Neural Networks
Part 2 – 21 Minutes - A Simple RNN Unit & RNN Network
Part 3 – 32 Minutes - Sinewave Prediction using RNN
Part 4 – 4 Minutes - Variable RNN sequence lengths (1)
Part 5 – 11 Minutes - Variable RNN sequence lengths (2)
Part 6 – 19 Minutes - Exploding and Vanishing Gradients in RNNs
Part 7 – 26 Minutes - Gated Recurrent Unit (GRU) Networks
Part 8 – 8 Minutes - Long Short-Term Memory (LSTM) Networks
Part 9 – 9 Minutes - LSTM in Picture
Part 10 – 9 Minutes - Examples of Sequential Data
Part 11 – 5 Minutes - Deep RNNs
Part 12 – 34 Minutes - Cryptocurrency Price Prediction – Data Pre-Processing
Part 13 – 22 Minutes - Cryptocurrency Price Prediction – Handling Imbalanced Data and Model Training
Part 14 – 34 Minutes - RNN for Image Classification – Determining the Direction of the Ball
Part 15 – 41 Minutes - Video Classification and Action Recognition using RNN
Part 16 – 32 Minutes - Understanding Word Embeddings
Part 17 – 11 Minutes - Word Analogy, Embedding Layer in Keras
Part 18 – 27 Minutes - Solving Analogies by Representing Words as Vectors
Part 19 – 14 Minutes - Text Classification
Part 20 – 20 Minutes - Bag-of-Embeddings for Text Classification
Part 21 – 29 Minutes - Text Classification with an RNN
Part 22 – 57 Minutes - Text Generation with an RNN (Language Model)
Part 23 – 16 Minutes - Review – Bidirectional RNNs
Part 24 – 14 Minutes - Seq2Seq Models
Part 25 – 27 Minutes - Practical Example of Seq2Seq for Understanding the Mathematical Operations
Part 26 – 15 Minutes - Introduction to Machine Translation
Part 27 – 15 Minutes - Beam Search
Part 28 – 60 Minutes - Attention in Neural Machine Translation
Part 29 – 30 Minutes - Neural Machine Translation for Converting Date in Keras
Part 30 – 15 Minutes - Teacher Forcing
Part 31 – 41 Minutes - Neural Machine Translation with Attention and Teacher Forcingin TF2.0
Part 32 – 28 Minutes - Image Captioning with Visual Attention

فیلم دوره پیشرفته یادگیری عمیق با موضوع "شبکه های بازگشتی"
http://class.vision/deeplearning2/

📣کد تخفیف ۱۰ درصدی مخصوص اعضای کانال:
cvision

در این دوره 32 قسمتی با مقدمات شبکه‌های بازگشتی شروع کرده و در ادامه با مفاهیی نظیر vanishing gradient، stacked RNN، تفاوت شبکه های بازگشتی Stateful و Stateless، مدلهای Seq2Seq ، Teacher forcing، توجه یا attention و ... بحث شد.

همچنین مثال هایی نظیر تخمین قیمت بورس، طبقه بندی ویدئو، ترجمه ماشینی، طبقه بندی متن، image captioning و ... با فریم ورک تنسرفلو و کراس بررسی شد.

سرفصل دوره:

https://t.me/cvision/1589

پیش نمایش قسمت هایی از دوره:
https://www.aparat.com/v/zqbc8

#آموزش

Learn how you can find the best parameters with Keras Tuner

A fully-featured, scalable, and easy-to-use hyperparameter tuning library for Keras and beyond.

https://blog.tensorflow.org/2020/01/hyperparameter-tuning-with-keras-tuner.html

مطلب مرتبط:
https://t.me/cvision/1488

SVM on GPUs:
https://github.com/Xtra-Computing/thundersvm

Gradient Boosting and Random Forest on GPUs:
https://github.com/Xtra-Computing/thundergbm

TensorFlow: Data and Deployment Specialization

https://www.coursera.org/specializations/tensorflow-data-and-deployment

کانال هوش مصنوعی و برنامه نویسی پایتون
https://t.me/ai_python

#Financial_Aid

در صورتی که دوره های سایت CLASS.VISION میتونه گره گشای کار شما باشه، اما مشکلات مالی یا پرداختی دارید با تکمیل فرم زیر درخواست خود را ارسال کنید:

https://forms.gle/fopPRxk1WufZCPnp6

توجه کنید که سهمیه مشخصی در هر ماه در نظر گرفته شده و درخواست های غیر ضروری علاوه بر اینکه ما را از تهیه فیلم‌های بعدی منع می‌کند، باعث می‌شود نتوانیم افراد واقعی را شناسایی کنیم.
به همین منظور سوالات را دقیق و با حوصله پاسخ بدهید

کد تخفیف 10 درصدی مخصوص اعضای کانال:

cvision

https://utech-academy.ir/product/winter-deep/

تاریخ شروع: همین هفته - پنج شنبه

💯یادگیری Deep Learning را از همین الان شروع کنید.
کد تخفیف 10 درصدی مخصوص اعضای کانال برای تمام دوره های سایت بینایی ماشین:
cvision

✅دوره مقدمات یادگیری عمیق:

اگر حتی هیچ آشنایی ندارید، بهترین فرصته که همین الان DeepLearning را شروع کنید و مهارت خود را بالا ببرید!
http://class.vision/deeplearning-keras/

✅دوره پیشرفته - شبکه های بازگشتی:

اگر متخصص دیپ لرنینگ هستید و میخواهید دانش خود را در شبکه های بازگشتی بالا ببرید این دوره مناسب شماست.
http://class.vision/deeplearning2/

🔅پیش‌نمایش رایگان دوره در سایت در دسترس است

Telegram: @cvision

How accurate can a ResNet-50 on ImageNet with only 250k of its original 25M weights be
🧐
? With RigL, accuracy of this 99% sparse network seems to increase with training time almost indefinitely
📈
! When does it stop?!

1x->53% 🤓
5x->61.8% 😎
10x->63.9% 🤔
40x->66.9% 😵
100x->?

https://twitter.com/utkuevci/status/1223267258832707584?s=20
https://github.com/google-research/rigl/

کانال اطلاع رسانی رویدادهای ملی و بین المللی:
- اخبار و استخدامی ها
- همایش ها و سمینار ها
- کنفراس ها و ژورنال ها
- کارگاه ها و مسابقات
#Convent
https://telegram.me/convent
@convent