بلاخره ضبط دوره opencv تمام شد، به زودی ، در چند هفته ی آتی، این کورس در ۹ فصل منتشر خواهد شد.

نیازمند یاری سبزتون هستم :)

#آموزش #بلاگ
📢 پست‌ جدید وبلاگ شناسا،
📝 آشنایی با Tensorflow XLA

🔗 https://vrgl.ir/eMoN7


🖊 مترجم XLA راهکاری برای افزایش سرعت آموزش و تست مدل‌های Tensorflow بدون تغییر اساسی در کد و کاهش پویایی این کتابخانه است. در این مطلب تلاش کردیم تا مفاهیم آن را به صورت مقدماتی توضیح دهیم و نحوه استفاده از XLA را در کدها بررسی کنیم.

ما را در ویرگول دنبال کنید و در کامنت، موضوع آموزش‌های آینده را پیشنهاد بدهید.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

#relight
Online Demo:
https://clipdrop.co/relight

How realtime relighting of a picture is possible?!

https://twitter.com/dh7net/status/1567813176317575171

#مجموعه_داده #دیتاست #nlp #فارسی
پیکره‌ متنی ناب.

این پیکره مجموعه پاک‌سازی شده و قابل استفاده مستقیم برای محققان حوزه پردازش زبان طبیعی در فارسی است. این مجموعه شامل حدود ۱۳۰ گیگابایت دیتا متنی شامل ۲۵۰ میلیون پاراگراف و ۱۵ میلیارد کلمه است.
همچنین نسخه خام ناب به همراه اسکریپت پیش پردازش (استفاده شده برای تمیز‌سازی داده) در اختیار عموم قرار گرفته تا به کمک آن بتوانید نسخه تمیز شده‌ پیکره خود را بسازید.
از این پیکره می‌توان برای fine-tune کردن مدل‌های زبانی - که در اصل برای زبان انگلیسی تهیه شده‌اند - برای زبان فارسی نیز استفاده کرد. از جمله این مدل‌های زبانی می‌توان به BERT, BART, T5 و ... اشاره کرد.

+ https://arxiv.org/abs/2208.13486
+ https://huggingface.co/datasets/SLPL/naab
+ https://huggingface.co/datasets/SLPL/naab-raw

@cvision

Browse visually the Stable Diffusion Concepts Library - and use more than 100+ community taught concepts in your prompt directly on the same UI!

https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/stable_diffusion_textual_inversion_library_navigator.ipynb#scrollTo=rnhKBvKidtxK

وقتی استاد میگه جواب تو کتابه...

#fun

این روش از اصول فیزیکی الکترواستاتیک الهام گرفته شده است!
💻 Algorithm: https://lnkd.in/eyT2M8U5
🧠 The Model: https://lnkd.in/efu_RMFJ
👉 Results: https://lnkd.in/eK8j6Yn7

Tracking Any Pixel in a Video

💻Code: https://github.com/aharley/pips/
🗒Blog: https://blog.ml.cmu.edu/2022/09/09/tracking-any-pixel-in-a-video/
📝Paper: https://arxiv.org/abs/2204.04153

A repository for storing models that have been inter-converted between various frameworks. Supported frameworks are TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.

https://github.com/PINTO0309/PINTO_model_zoo

تنسرفلو نسخه 2.10 هفته ی پیش رلیز شد:

https://github.com/tensorflow/tensorflow/releases

آیا میتوان تنسرفلو را روی CPU با سرعت بالاتر اجرا کرد؟!

اگر GPU ندارید و میخواید تو کامپیوترتون با CPU کار کنید؛ معمولا تفاوت سرعت زیادی بین استفاده از پکیج های آماده ای که با pip install یا ابزارهای مشابه نصب میکنید با روش build کردن وجود داره. دلیل این تفاوت برای اینه که اغلب CPUهای جدید عملیات سطح پایین در کنار عملیات عادی ریاضی را تحت عنوان افزونه یا extensions پشتیبانی میکنند. (اطلاعات بیشتر). برای نمونه AVX عملگری تحت عنوان FMA معرفی کرده که کارهای جبر خطی، ضرب نقطه ای, ضرب ماتریسی و کانولوشن را خیلی سریعتر انجام می‌دهد. از آنجایی که در کاربردهای شبکه عصبی و ماشین لرنینگ از این عملیات خیلی استفاده میگردد، میتونید با فعال کردن این قابلیت افزایش سرعت 300 درصدی را انتظار داشته باشیم.
حالا از اونجایی که این پکیج های آماده بدون CPU extensions بیلد (build) میشند قابلیت هایی نظیر AVX, AVX2, و FMA را ندارند تا بتووند تقریبا روی هر CPUیی کار کنند، اما خب با سرعت کمتر کار میکنند!
حالا Intel اومده پکیج آماده ی ویندوزی با AVX پیش فرض فعال build کرده که اگر کاربر ویندوز هستید و حال build کردن را ندارید خیلی راحت استفاده کنید.
https://software.intel.com/en-us/articles/intel-optimization-for-tensorflow-installation-guide#Anaconda_main_win

با این دستور قاعدتا باید بتونید با کوندا نصبش کنید:
conda install tensorflow-mkl

البته این توضیحات برای وقتیه که هنوز از تنسرفلو 1 استفاده میکنید به دلایلی؛ معمولا تو نسخه های جدید روی AVX دیگه prebuild داده میشه و به همین دلیل روی یه سری CPUها نصب نمیشه و باید خودتون بیلد کنید.

در کل رو CPU میرزه بیلد کنید

بزرگوارن کسی دیتاستهای زیرو قبلا درخواست داده که الان داشته باشه؟

CASIA_MFSD
Replay attack
MSU_MFSD

#خبر

🔹محققان دانشگاه کمبریج یک اپ موبایل مبتنی بر هوش مصنوعی به نام «COVID19 Sounds» را توسعه داده‌اند که می‌تواند با دریافت برخی سوابق پزشکی و تنها با استفاده از صدای کاربر با دقت ۸۹ درصد ابتلا به کرونا را به سرعت تشخیص دهد.
🔹لازم است کاربران اطلاعاتی در مورد سوابق پزشکی، وضعیت سیگار کشیدن و برخی مشخصات دیگر را وارد این برنامه کرده و صدای خود اعم از صدای سرفه و خواندن چند جمله کوتاه را ضبط کنند. این اپلیکیشن با استفاده از هوش مصنوعی، از روی این داده‌ها و خصوصا صدای کاربران می‌تواند ابتلا به کرونا را با دقت بالایی تشخیص دهد.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

Most brain like ANNs.
اخیرا در آزمایشگاه‌های علوم اعصاب، به پیاده سازی و آموزش شبکه‌های یادگیری عمیقی پرداخته می‌شود که می‌توانند همانند انسان رفتار کنند و تصاویر را ببینند؛ از این رو مرجعی برای مقایسه و معرفی برترین مدل‌های منتشر شده در نظر گرفته شده است.
http://www.brain-score.org/#about

آزمایشگاه decarlo یکی از پیشروهای این حوزه می‌باشد و مدل‌های CORnet را منتشر کرده‌اند.
https://github.com/dicarlolab/CORnet

#fun
This is the situation of some of the journals.