10 Exciting Real-World Applications of AI in Retail


Link

شاید اگر بگن استرینگ ها (کلمات، جملات و ...) رو توی یک corpus خیلی بزرگ مقایسه کنید اولین چیزی که به فکر میرسه و کد زده می‌شه

somestring1 == somestring2

باشه؛ اما مشکل اینجاس که برای corpus های خیلی خیلی بزرگ اینکار بسیار زمانبر هست و بدتر ازون اینکه اگر بخواید vec هم در بیارید ازش می‌تونه بسیار وقت گیر باشه و به حافظه بسیار بسیار بیشتری نیاز داشته باشه (که باعث بشه نتونید روی سیستم یا سرور فعلی اجرا کنید کد رو، البته بسیاری از ابزارهای موجود از تکنیکی که خواهم گفت استفاده می‌کنند)

ی راهکار دیفالت در پایتون برای این مسئله هست که بطور خودکار، برای اسم
functions, variables, classes
و خلاصه هرچیزی که درطول اجرای برنامه واجبه استفاده می‌شه؛ از این تکنیک در
Python Core

برای اپتیمایز کردن استفاده می‌شه، پکیج sys در پایتون هم دارای متدی هست به نام
intern()
که بعنوان ورودی یک string رو میگیره و خروجی اون یک آدرس حافظه هست (تمامی متغییر‌هایی که توی پایتون تعریف می‌کنیم آدرس حافظه هست)

به این ترتیب، اگر کل corpus رو با این روش آدرس دهی کنید، می‌تونید خیلی راحت و البته به مراتب سریعتر بین stringها مقایسه کنید.
somestring1 is somestring2


sys.intern() python documentation

“Artificial Neural Networks are Reconstructing Human Thoughts in Realtime”


Blog Post Link

خیلی قبلتر Keras-Tuner رو معرفی کردم، توی این پست، ی آموزش جم و جور و مختصر رو خواهیم دید بهمراه تایم و دقت (عکس پیوست)

Link to post 👈

“How hard is it for an AI to detect ships on satellite images?”


Link

@pytens

تشخیص فاصله اشیا در عکس (دیتاست + کد)
این کار برای رباتیک و کنترل اتوماتیک مفید خواهد بود (مخصوصاً با توجه به قیمت بسیار بالای برخی از انواع سنسورها و تجهیزات)

توجه داشته باشید، که تولیدات سری Jetson توانایی اجرای همزمان چندین مدل رو نیز دارند.

Link

@pytens

جمعی از دوستان متخصص تصمیم گرفتن تجربیات و تخصص خودشون رو در زمینه وب و پایتون (بطور تخصصی Django ) به اشتراک بگذارند

اگر به این موضوع علاقه دارید می‌تونید کانال

@DjangoEX

رو دنبال کنید 🌹🌹

OctConv
چیه و چرا باید جایگزین Conv های معمول توی کدهامون بشه ؟!
- جواب ساده : مصرف کمتر حافظه و پردازنده البته بهمراه دقت بالاتر

Paper Summary

Efficient Online Multi-Person 2D Pose Tracking with Recurrent Spatio-Temporal Affinity…


Link

به کمک دستاوردهای این تحقیق دیگه حتی gpu دسکتاپ هم برای کارهای NLP کافیه، حتماً مطالعه کنید

Google Ai Blog

نسخه ویژه پایتورچ برای داده‌های سه بعدی

https://pytorch3d.org/

Turing Natural Language Generation (T-NLG)
مدلی با ۱۷ میلیارد پارامتر که معیارها و دقت‌های جدیدی ثبت کرده

لینک زیر توضیحات و البته دمویی ازین مدل رو خواهید دید.

Link

به کمک SQLflow می‌تونید انواع مختلف سیستم‌های پایگاه داده sql رو مستقیم به
Tensorflow, XGBoost, Scikitlearn , ...
وصل کنید.

GitHub Link

تو این بلاگ پست درمورد تکنولوژ‌ی‌هایی که اجازه داده ماکروسافت به T-NLG برسه توضیح داده، در حالی که همه‌ی حواس‌ها به خود مدل و دقت و ... اون هست، خوندن راجب این ۲تکنولوژی بسیار مفید خواهد بود.

Post Link

Tensorflow I/O for genomics data

Tensorflow Tutorial

پیاده سازی OctConv در کراس (تنسورفلو)

https://github.com/koshian2/OctConv-TFKeras

a) ResBlockV1
e) ResBlockV2

خروجی دو شبکه و کد کاملاً یکسان، تنها تفاوت استفاده از ResBlockV2 بجای ResBlockV1 هست، که با توجه به بزرگ بودن شبکه، و کوچیک بودن دیتای فعلی بسیار دقت بهتری رو نشون داده

بنظرم ResNetV2 جزو دستاوردهایی هست که بهش ظلم شده، چون وقتی راجبش صحبت می‌شه اکثراً به شبکه Inception-ResnetV2 فکر می‌کنن.

تقریباً عادت کردیم، هر چندوقت یکبار گوگل کارهای فوق‌العاده در زمینه دیپ‌لرنینگ انجام بده و معیارها رو جابجا کنه و شاید تا مدتی راجبش چیزی هم نشنویم

Meena (Google Conversational Agent)

می‌تونه راجب هر موضوعی با شما بحث کنه، پیشنهاد میکنم این مقاله رو از دست ندید‌.

Google Ai Blog

ازونجایی که این پیاده‌سازی روی OctConv بسیار تمیز و دقیق بود، برای کمک به دوستان علاقه‌مند تصمیم گرفتم نسخه
OctConv2DTranspose
رو هم بهش اضافه کنم (برخی میگن deconv) ، ازین به بعد می‌تونید ازین لایه برای سگمنتیشن هم استفاده کنید (جزئیات خیلی ریز رو هم جدا می‌کنه که می‌تونید توی کد نمونه در گیت‌هاب چک کنید)

پیاده‌سازی توسط صاحب پروژه هم تایید شده و در گیت‌هاب اصلی ایشون یا

https://github.com/pykeras/OctConv-Keras

گیت‌هاب بنده قابل مشاهده هست

(اگر مفید بود کلیک روی star, مفید خواهد بود)