#آموزش #سورس_کد
همان‌طور که می‌دانید ما در فریم‌ورک Keras و Tensorflow2 سه نوع سینتکس برای تعریف یک شبکه عصبی داریم. ساده ترین، و البته کم انعطاف ترین آن‌ها sequential api است، سطح متوسط functional api و سخت ترین سینتکس و انعطاف پذیرترین آنها model subclassing است که در این روش که همانند pytorch از استایل فریم ورک قدیمیتر chainer الگو برداری شده با ارث بری از کلاس پایه و تعریف متدهایی مدل را تعریف میکنیم. به دلیل همین سینتکس هست که اصلا قبول ندارم یه کد را با فریم ورک x میشه پیاده سازی کرد ولی در تنسرفلو نه!!
حالا François Chollet خالق و توسعه دهنده اصلی Keras امروز توئیتی زده و گفته این مدرن ترین روش تعریف یک شبکه GAN (با سینتکس سوم کراس) است.
The most modern way to implement a GAN in Keras is actually simply this.
https://twitter.com/fchollet/status/1250622989541838848?s=20

You can call compile() & fit() on this bad boy. It handles callbacks, it has built-in distribution support, etc. It does everything fit() usually does.

But with your own low-level training algorithm.

در ادامه
https://xn--r1a.website/cvision/1835

توئیت بی اعصاب François Chollet خالق Keras😂

اگر شما در حال انجام هر نوع تحقیق جدی در زمینه یادگیری عمیق هستید و از tf.keras استفاده نمی کنید ، یا دچار مازوخیسم هستید، یا در سال 2017 زندگی می کنید!

If you're doing any kind of serious deep learning research and you aren't using tf.keras, you're either masochistic, or living in 2017

https://twitter.com/fchollet/status/1250624087547711488?s=20

حل بازی Sudoku با شبکه کانولوشنالی یا CNN با فریم‌ورک Keras

بلاگ‌پست:
https://towardsdatascience.com/solving-sudoku-with-convolution-neural-network-keras-655ba4be3b11

دیتاست در kaggle:
https://www.kaggle.com/bryanpark/sudoku

حل:
https://github.com/shivaverma/Sudoku-Solver/blob/master/sudoku.ipynb

تصویر 1 از 2
مرتبط با پست https://xn--r1a.website/cvision/1841

تصویر 2 از 2
مرتبط با پست https://xn--r1a.website/cvision/1841

#آموزش #TF2
از تنسرفلو 2.2 به بعد شما می‌توانید در روش model subclassing در کلاس تعریف مدلتون متد train_step را override کنید (تصویر1) و به این ترتیب عملگر فراخوانی تابع fit را مدیریت کنید(تصویر2)!
مثال عملی این کار را در اینجا مثال شبکه‌ی GANی که François Chollet تعریف کرده ببینید.

منبع از توئیت‌های شوله

#آموزش #سورس_کد #TF2
در گوگل کولب این آموزش و این مثال را خودتون تست کنید:

Customizing what happens in fit()
https://colab.research.google.com/drive/1ZshwEPDDCHKZHkpmbVPvGoDEt1O1kICw

اگر حتی هیچ آشنایی ندارید، بهترین فرصته که همین الان DeepLearning را شروع کنید و مهارت خود را بالا ببرید!

تیزر #فیلم_آموزشی یادگیری عمیق در Python و Keras

http://aparat.com/v/Cv2fR

مشاهده ی تیز با کیفیت بالاتر


اطلاعات بیشتر، مشاهده 2 ساعت و نیم نخست برای ارزیابی و خرید:
http://class.vision/deeplearning-keras/

🎥فیلم‌های آموزشی شبکه‌های بازگشتی عمیق و پیاده سازی در #Tesnorflow2 و #Keras که در #صندوق_نوآوری_و_شکوفایی برگزار گردید.

http://class.vision/deeplearning2/

پیش‌نمایش دوره در آپارات:

https://www.aparat.com/v/zqbc8

کد تخفیف ۱۰ درصد cvision مخصوص اعضای کانال

#آموزش #سورس_کد

در این نوت‌بوک با مدل عادی تنسرفلو با 38 مگ حجم به 97.5 درصد رسیده،
ولی با مدل تنسرفلو لایت (#TFLite) با فقط 3.4 مگ دقت فقط 1.5 درصد افت کرده و به 96 درصد رسیده.


https://colab.research.google.com/drive/1hXfJfa8Kx96jTdvS1o_2Apx0b9-soSZZ

#آموزش #سورس_کد
آیا می دانید از #tf2 و #kears و می‌توانید برای آموزش تقریبی #SVM استفاده کنید؟
قبلا رایج بود که ویژگی ها را از یکی از لایه‌های یک شبکه از قبل آموزش داده استخراج می‌کردیم و مثلا با SVM طبقه بندی میکردیم...
اما الان می توانید از این ویژگی keras برای افزودن یک "لایه SVM" در بالای یک طبقه بندی کننده عمیق استفاده کرده و کل شبکه را به صورت end2end آموزش دهید!

البته خود François Chollet راه قدیمی‌ترو توصیه کرده و نوشته:

In practice, I think this is a bad idea. But it's certainly something you *can* do.
ML pro tip: learning your features is better than leveraging random kernels.

به هر حال این نوت‌بوک که توسط شوله ایجاد شده را می‌تونید در کولب اجرا کرده و روی مجموعه داده mnist تست کنید:

https://colab.research.google.com/drive/1rObQto2bWMBPy8W555IYHtZKtniRUNDQ#scrollTo=_ZPU5WGO0FzQ

ثبت نام وبینار callbacks in keras از طریق فرم زیر انجام می شود.
لطفا دوستانی که ثبت نام غیر دانشجویی(غیر رایگان) در وبینار tf data کرده بودند، فعلا ثبت نام نکنند تا کد تخفیف برلی آنها ارسال گردد:

http://class.vision/using-callback-in-keras/

این بلاگ‌پست با زبانی ساده و جذاب به توضیح مفاهیم پایه Deep RL به ویژه DQN (مدلی که برای اولین بار بازی های Atari رو در سطح انسان بازی کرد) پرداخته و آن را با Tensorflow 2 پیاده سازی می‌کند.

https://medium.com/analytics-vidhya/building-a-powerful-dqn-in-tensorflow-2-0-explanation-tutorial-d48ea8f3177a

#خبر #TF2

🗣TensorFlow 2.2.0-rc3 has been released!

تغییرات اساسی:

⭕️همان طور که اینجا دیدیدم، Profiler جدید به تنسربورد
⭕️تغییرات اساسی در Model.fit،در tf.keras مثلا همان طور که اینجا گفته شد، برای override کردن train_step
⭕️فرمت SavedModel اکنون از تمام لایه های داخلی Keras پشتیبانی می کند (از جمله معیارها ، لایه های پیش پردازش و لایه های stateful در RNN )
⭕️و سایر به روز رسانی‌ها که در اینجا می‌توانید ببینید:
https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0-rc3?linkId=86635685

#آموزش #سورس_کد
Optimizing style transfer to run on mobile with TFLite

https://blog.tensorflow.org/2020/04/optimizing-style-transfer-to-run-on-mobile-with-tflite.html


#style_transfer #TF2 #TFLite

#آموزش #سورس_کد #RNN
در دوره‌ی آموزشی یادگیری عمیق پیشرفته صندوق نو آوری و شکوفایی،
که فیلم‌هایش را از اینجا می‌توانید تهیه کنید، در مبحث Seq2Seq networks در شبکه‌های بازگشتی یک مثال ساده تفسیر رشته‌ی محاسباتی و درک جمعشون را با RNNها دیدیم که کدش در اینجا قابل مشاهده است:

09_add-numbers-with-seq2seq.ipynb

حالا François Chollet خالق کراس کد مشابه ای را به سلیقه خودش زده که می‌توانید در گوگل کولب مشاهده کنید:
https://colab.research.google.com/drive/1yabxTmMA_-iZ8Dyifta28ux5FxDL90Ak

لینک به توئیت: https://twitter.com/fchollet/status/1251307555533406209?s=20

طبق وعده؛ کد تخفیف 100 درصد این وبینار به شرکت کنندگان وبینار tf data ارسال گردید.
در صورتی که وبینار قبلی را به صورت غیر رایگان ثبت نام کرده اید اما تا فردا ظهر پیامکی دریافت نکردید، با پشتیبانی سایت تماس بگیرید.
class.vision

#آموزش #سورس_کد #TF2
نوت‌بوک بازنویسی شده Transfer Learning توسط François Chollet

در این نون‌بوک ریزه کاری هایی مثل پاس دادن پارامتر training=False به مدلی که قراره روش fine-tuning انجام بدیم یا ملاحظاتی مربوط به استفاده از batch norm ذکر شده است.

https://colab.research.google.com/drive/17vHSAj7no7RMdJ18MJomTf8twqw1suYC#scrollTo=gWgNGY9S8q6d

اگر هیچ آشنایی با کراس ندارید و تازه می‌خواهید شروع کنید، میتوانید از فیلم‌های آموزش مقدماتی کراس با زبان فارسی استفاده کنید:
http://class.vision/deeplearning-keras/

#رویداد #وبینار
وبینار 4 ساعته callbacks in keras
پنج شنبه و جمعه هفته جاری، ساعت 10 الی 12
هزینه ثبت نام: 30 تومان

http://class.vision/using-callback-in-keras/

پیش‌نیاز: توانایی پیاده سازی شبکه‌های کانولوشنالی و آموزش آن‌ها در #keras
یا مشاهده ویدیوهای مقدماتی سایت

با آرزوی سلامتی و صحت برای شما همراهان گرامی کنفرانس

به اطلاع می‌رساند مطابق تصمیم هیئت مدیره انجمن بینایی ماشین و پردازش تصویر ایران در جلسه مورخ ۲۷ فروردین ۱۳۹۸، با عنایت به وضعیت فعلی همایش‌ها و رویدادها متأثر از شیوع بیماری کرونا، برنامه روز دوم کنفرانس MVIP 2020 به‌صورت مجازی و در قالب وبینار برگزار می‌شود. کمیته اجرایی در نظر دارد این برنامه را در روز پنجشنبه ۱۱ اردیبهشت ۱۳۹۹ برگزار کند. اطلاعات تکمیلی به‌زودی اطلاع‌رسانی می‌شود.

http://mvip2020.ut.ac.ir
@mvip_2020