راه اندازی سرور برای مدل های ساخته شده با پایتورچ

در واقع TorchServe مدل ساخته شده شما را به API بر پایه پروتکل HTTP تحویل میدهد. شما مدل خود را آماده میکنید و TorchServe آن را برای درخواست های سیستم Backend شما سرو میکند.
معادل این کتابخانه در Tensorflow با نام TFServe شاخته میشود.
آموزش کامل TorchServe در یوتیوب
#pytorch
@silicon_brain

تقسیم بندی شاخه های یادگیری ماشین

@silicon_brain

#کتاب یادگیری عمیق با پایتورچ

Deep Learning with PyTorch Quick Start Guide
Learn to train and deploy neural network models in Python

با توجه به اینکه این کتاب مباحث یادگیری عمیق را با کتابخانه بسیار کاربردی #پایتورچ با بیانی ساده پیاده سازی کرده ست. مطالعه‌‌ی آن توصیه می‌شود.

@silicon_brain

مقایسه عملکرد و کاربرد هر یک از سیستم های پردازشی
#CPU - #GPU- #TPU - #FPGA
در صفحه اینستاگرام سیلیکون برین :

https://www.instagram.com/p/CWtGkq1IB_f/?utm_source=ig_web_copy_link

مقاله ای در مورد ترنسفورمر از پیش آموزش داده شده برای درک پوینت کلاود ها

#پوینت_کلاود چیست؟ پوینت کلاود مجموعه ای از نقاط داده در فضا است که ممکن است یک شکل یا شی سه بعدی را نشان دهند. هر نقطه مختصات دکارتی خود را دارد (X، Y، Z). معمولا نقاط توسط اسکنرهای سه بعدی یا نرم افزار فتوگرامتری تولید می شوند.(بیشتر بخوانید)

حال در این مقاله ، الگوی جدید برای درک اشکال پوینت کلاود ها با استفاده از ترنسفوررمر ها با نام Point-Ber ارائه شده است که از مدل از پیش آموزش دیده شده #Bert استفاده میکند.

در این سیستم ابتدا یک نقطه را به چندین نقطه محلی تقسیم کردند و یک Tokenizer پوینت کلاود با رمزگذار خودکار حاوی اطلاعات محلی معنی دار طراحی شده است. سپس، به طور تصادفی برخی از تکه‌های پوینت کلاود ورودی را پوشانده (Mask) و آنها را وارد #ترنسفورمر کرده است.

#مقاله
#point_cloud #transformer
@silicon_brain

#کتاب مقدمه ای بر رگراسیون سری های زمانی
و پیش بینی
(این کتاب میتواند در پیش بینی سری های زمانی #time_series از جمله پیش بینی #بازار_های_مالی کاربرد داشته باشد)
@silicon_brain

هاگینگ فیس به زمینه یادگیری تقویتی نیز وارد شد!

هاگینگ فیس (huggingface.co) که در زمینه دیتاست و مدل های یادگیری مبتنی بر #ترنسفورمر فعال بود، حال بخشی به عنوان Spaces نیز اضافه کرده تا به حوزه #یادگیری_تقویتی_عمیق نیز وارد شود.

هدف از ایجاد این بخش دلایل زیر بیان شده است:
1. ساخت و به اشتراک گذاری محیط های سفارشی
2. میزبانی و نگه داری از مدل های ساخته شده
3. میزبانی از دموی ساخته شده محیط شبیه سازی و نمایش نتایج آن

لینک Spaces
#rl
@silicon_brain

مقایسه انواع واحد های پردازشی در یادگیری ماشین

#CPU #GPU #TPU #FPGA
@silicon_brain

انواع روش های محاسبه فاصله در یادگیری ماشین و علم داده
@silicon_brain