🖥 Асинхронное программирование в ML-системах

Поскольку концепция MLOps стремится устранить разрывы между разработкой ML-модели и ее имплементацией в эффективный программный код, сегодня поговорим про важную идею программирования, связанную с синхронностью и асинхронностью вызовов. Что такое асинхронное программирования, зачем это нужно в Machine Learning и какие Python-библиотеки поддерживают это.

➡️ Читать дальше

@machinelearning_ru

🌐 DeepPrivacy2 - A Toolbox for Realistic Image Anonymization

DeepPrivacy2 обнаруживает и анонимизирует людей с помощью трех нейронных сетей.

🖥 Github: https://github.com/hukkelas/deep_privacy2

⏩ Статья: https://arxiv.org/abs/2211.09454v1

🖥 Dataset: https://paperswithcode.com/dataset/fdh

@machinelearning_ru

💨 Построение автоэнкодеров для поиска и сравнения похожих изображений

Модель поиска похожих изображений

Поиск похожих изображений — очень активная и быстро развивающаяся область исследований в последнее десятилетие. Исследования в данной области позволили разработать модели, которые могут помочь в работе в различных областях, например:

— чтобы найти похожие изображения;

— поиск фотографий-плагиатов;

— создание возможностей для обратных ссылок;

— знакомство с людьми, местами и продуктами;

— поиск товаров по фотографии;

— обнаружение поддельных аккаунтов, поиск преступников и т.д.

Наиболее известными системами являются Google Image Search и Pinterest Visual Pin Search. В посте будет проведено знакомство с созданием простой системы поиска похожих изображений с использованием специального типа нейронной сети, называемой автоэнкодер. Изображения в данном способе не используют меток, т.е. дополнительных текстовых или числовых элементов, которые классифицируют изображения по категориям. Извлечение признаков из изображения будет происходить только с помощью их визуального содержимого (текстуры, формы, …). Этот тип извлечения изображений называется поиск изображений на основе содержимого (CBIR), в отличие от поиска ключевых слов или изображений на основе текста.

CBIR при использовании глубокого обучения и поиска изображений можно назвать формой обучения без учителя:

При обучении автоэнкодера не используется никаких меток для классов
Автоэнкодер используется для преобразования изображения в векторное представление (т. е. нашего “вектора признаков” для данного изображения)
Затем, во время поиска похожих изображений, вычисляется расстояние между векторами преобразованных изображений — чем меньше расстояние, тем более релевантными/визуально похожими являются два изображения.

⏩ Читать дальше
⏩ Ссылки на датасет
⏩ О сверточных автоэнкодерах
⏩ Про построение сверточных нейронных сетей

@machinelearning_ru

💨 Нейронная сеть для распознавания образов с Tensorflow

В посте хочу поделиться опытом о том, как можно начать использовать TensorFlow в целях распознавания образов. Целью работы является распознавание боковых зубов (маляров) на рентгеновских снимках с использованием нейронной сети. Для реализации цели необходимо выполнить несколько следующих этапов. Данные этапы составляют процесс настройки, обучения, тестирования нейронной сети с использованием TensorFlow.

Этап 1. Установка программного обеспечения

На данном этапе необходимо установить Anaconda. Если вы собираетесь обучать нейронную сеть на GPU, то обязательно нужно установить cuDNN и CUDA – программно-аппаратный инструментарий увеличивающий вычислительные мощности.

➡️ Читать дальше

@machinelearning_ru

🖥 Как работает обратное распространение в нейронных сетях

Нейронные сети обучаются путем итеративной настройки параметров (весов и смещений) на этапе обучения. В начале параметры инициализируются случайно сгенерированными весами, а смещения устанавливаются равными нулю. Затем данные пропускаются через сеть в прямом направлении, чтобы получить выходные данные модели. И наконец, выполняется обратное распространение. Процесс обучения модели обычно включает в себя несколько итераций прямого прохода, обратного распространения и обновления параметров.

В этой статье мы поговорим о том, как обратное распространение обновляет параметры после прямого прохода, и рассмотрим простой, но подробный пример обратного распространения. Прежде чем приступить, определимся с данными и архитектурой, которые будем использовать.

➡️ Читать дальше

@machinelearning_ru

🖥 Numpy для машинного обучения 1 часть.Как рассчитать мощность матрицы.

Numpy linalg.matrix_rank() используется для вычисления степени n квадратной матрицы. Что это означает, что если у нас есть квадратная матрица M и целое число n, и эта функция используется для вычисления Mn?

➡️ Читать

@machinelearning_ru

💨 Как ускорить генерации в Stable Diffusion

https://youtu.be/Oi_KryJ2PPw

@machinelearning_ru

❇️ DeepFaceLab

DeepFaceLab – Набор python-проектов для создания DeepFake

В наборе вы найдете софт для создания множества эффектов - начиная от изменения возраста персонажа на видео до замены головы

🖥 Github

@machinelearning_ru

⭐️ Как распознать образы с помощью TensorFlow?

Целью работы является распознавание боковых зубов (маляров) на рентгеновских снимках с использованием нейронной сети. Для реализации цели необходимо выполнить несколько следующих этапов. Данные этапы составляют процесс настройки, обучения, тестирования нейронной сети с использованием TensorFlow.

➡️ Читать дальше

@machinelearning_ru

⭐️ Создание новостного выпуска с помощью нейросети

Нейросеть , с помощью которой можно создавать новости в видеоформате прямо в браузере. Нужно только написать текст, выбрать диктора и фон.

✅ Проект

@machinelearning_ru

⭐️ Lbl2Vec

Lbl2Vec — это алгоритм для неконтролируемой классификации документов и неконтролируемого поиска документов.

pip install lbl2vec

🖥 Github
📜 Paper
📌 Dataset

@machinelearning_ru

ℹ️ OpenVINO™ Training Extensions

OpenVINO™ Training Extensions (OTE) — это среда интерфейса командной строки (CLI), предназначенная для обучения модели глубокого обучения с минимальным кодом. OTE позволяет разработчикам обучать/выводить/оптимизировать модели с разнообразным сочетанием архитектур моделей и методов обучения с помощью встроеннного набора инструментов.

🖥 Github: https://github.com/openvinotoolkit/training_extensions

🗒 Paper: https://arxiv.org/pdf/2211.17170v1.pdf

📍 Roadmap: https://github.com/openvinotoolkit/training_extensions#roadmap

@machinelearning_ru

⭐️ AI Модель от Google Health впервые будет внедрена в клиническую практику

Google Health продала лицензию на свои AI-модели для обнаружения рака молочной железы и анализа маммографий медицинской компании iCAD, которая интегрирует их в свои инструменты визуализации. Это первый случай, когда модель от Google Health будет внедрена в клиническую практику. Технология Google Health позволяет выявлять рак молочной железы на ранних стадиях, когда успешное лечение наиболее вероятно.

Технология iCAD используется в клиниках и МРТ-центрах в США и во всем мире. Акции iCAD подскочили на 25% сразу после объявления о заключении сделки с Google Health, принадлежащей Alphabet Inc.

В соответствии с подписанным соглашением Google передала iCAD лицензию на использование технологии искусственного интеллекта для лечения рака молочной железы и оценки рисков развития заболевания. iCAD собирается применять лицензированную технологию для дальнейшего улучшения своих алгоритмов анализа раковых опухолей на 3D и 2D снимках и коммерциализировать разработанные продукты. ICAD будет использовать инфраструктуру Google Cloud.

❤️ Читать

@machinelearning_ru

✔️ DAMO-YOLO - Python модуль для быстрого и точного обнаружения объектов. В репозитории также доступны для скачивания несколько мощных, предобученных моделей.

🖥 GitHub

@machinelearning_ru