#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

#آموزش #سورس_کد #TF2 #Keras

پترن لایه‌ی Endpoint در فریم ورک Keras

از این لایه برای مدیریت و تعریف loss و metric میشه استفاده کرد.


https://colab.research.google.com/drive/1zzLcJ2A2qofIvv94YJ3axRknlA6cBSIw

#loss
منبع: توئیت François Chollet

‌
‏unscreen پروژه‌ای مشابه سرویس remove.bg برای حذف پس‌زمینه از ویدئو‌ها تقریبا یک ماه است که لانچ شده و به رایگان قابل استفادست.

https://www.unscreen.com

در صورت تمایل می‌تونید در producthunt اینجا بهش رای بدین.

دامنه cvision.ir (یا www.cvision.ir) نیز روی سایت پارک گردیده است. و از این پس همان سایت class.vision را باز خواهد کرد.

در این ویدیو ، آندره کارپاثی (Andrej karpathy) مدیر بخش هوش‌مصنوعی تسلا، توضیح می‌ده که کاری به آسانی خواندن تابلوی راهنمایی ایست چه قدر می‌تونه چالش و مشکل داشته باشه!

https://twitter.com/Reza_Zadeh/status/1252863933959925766?s=20

ایمیل اطلاعات ورورد به وبینار ایمیل شد،
در صورتی که تا 5 دقیقه دیگر این ایمیل در اسپم یا اینباکس مشاهده نشد، میتوانید به آی دی
@mahdigh99
در تلگرام پیام دهید.
فردا راس ساعت 10 وبینار شروع خواهد شد.

A Scalable Approach to Reducing Gender Bias in Google Translate

https://ai.googleblog.com/2020/04/a-scalable-approach-to-reducing-gender.html?m=1

#آموزش #TF2 #callback
لینک پارت نخست وبینار امروز با موضوع متدهای callback در Tensorflow

https://www.aparat.com/v/Tdbck?part1

#منبع #سورس_کد

جرمی‌هاوارد، که قبلا در سایت fast.ai دوره های جذابی برای دیپ لرنینگ منتشر کرده بود یک کورس در
https://www.usfca.edu/data-institute/certificates/deep-learning-part-one
به ارزش 2000 دلار داره که میشه ثبت نام کرد.
اخیرا نوت‌بوک‌های این کورس که توضیحات مفصلی هم به نظر میرسه داره را در گیت‌هابش منتشر کرده است:

https://github.com/fastai/fastbook

یه منبع عالی از بهترین مقاله های مربوط به text summarization:

https://github.com/neulab/Text-Summarization-Papers

#یادگیری_ماشین #منابع #مقاله #داده_کاوی #علم_داده

پ.ن: با تشکر از دکتر اله یاری

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN