دستاوردهای یادگیری عمیق(InTec)
9.54K subscribers
363 photos
40 videos
44 files
674 links
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
موضوع اصلی کانال

این یک بلاگ شخصی با طرز تفکر شخصی هست.

Core Python : @PyHints

تلاشی هم در یادگیری Rust دارم که درحال داکیومنت شدن هم هست؛ اگر شماهم به این زبان علاقمند هستید join یادتون نره

Rust: @PyRust
Download Telegram
رسم شبکه چیز خوبیه و لازمه، هرچند اگه بخوام صادق باشم با کراس ویز خیلی هم مزخرفه اونقد که خوندن
model.summary()
رو ترجیح می‌دم ، اما همیشه ابزار بهتر هم وجود داره
Artificial Neural Network Visualizer
ANN Visualizer

هم ابزار مناسب اینکار هست که با کراس هم تطابق خوبی داره

https://github.com/Prodicode/ann-visualizer/blob/master/README.md
یادگیری تقویتی چند عاملی،
Multi-agent reinforcement learning
کار بسیار جالبی از
OpenAi
هست، عامل‌های قرمز نباید عامل آبی رو ببینند؛ علاوه بر اینکه عامل‌ها یاد می‌گیرند از اشیا موجود داخل محیط به درستی استفاده کنند
بعد از کلی تکرار عامل قرمز کاری می‌کنه که تیم متوجه وجود باگ در محیط می‌شه، چیزی که حتی برنامه‌نویس‌ها هم بهش فکر نکرده بودند

که این موضوع رو خیلی خیلی جالب و جذاب می‌کنه

https://openai.com/blog/emergent-tool-use/
تراشه هوش مصنوعی علی‌بابا؛ که سرعت بالاتر و مصرف انرژی کمتری داره و به زودی برای مشتریان کلود در دسترس خواهد بود.

توانایی دسته بندی ۱ میلیارد عکس تنها در ۵ دقیقه، بجای ۱ ساعت از نمونه‌ مثال‌هایی هست که برای معرفی این دستگاه زده شده، ۷ ماه تلاش تولید و تست شده توسط خود علی‌بابا

https://techcrunch.com/2019/09/24/alibaba-unveils-hanguang-800-an-ai-inference-chip-it-says-significantly-increases-the-speed-of-machine-learning-tasks/
👍1
“Pruning Deep Neural Networks” by Ranjeet Singh https://link.medium.com/RpaVJzWjn0
https://www.nature.com/articles/s41534-019-0141-3.pdf


we present a new quantum control framework generated using deep reinforcement learning, where various practical concerns in quantum control optimization can be encapsulated by a single control cost function. Our framework provides a reduction in the average quantum logic gate error of up to two orders-of-magnitude over standard stochastic gradient descent solutions and a significant decrease in gate time from optimal gate synthesis counterparts.
تمام تغییرات مهم شبکه‌های کانولوشن تا ۲۰۱۸ :

Paper link


Training Data

این سایت هم دیتاست‌های مناسب رو یکجا جمع‌آوری کرده و در دسترس قرار داده و هم کمک می‌کنه از همون مدل‌های اولیه برای لیبل زدن دیتاهای بیشتر استفاده کنید.
اگر دیپ‌لرنینگ کار می‌کنید این ابزار رو حتماً باید داشته باشید :

نسخه آندروید، آیفون و وب برای این ابزار توسعه داده شده و واقعاً عالیه


https://github.com/hyperdashio/hyperdash-sdk-py/blob/master/README.md
آموزش کامپایل و نصب
Opencv 4.1.1
از طریق سورس‌‌کد برای پشتیبانی از cuda و cpu optimization به‌ منظور سریعتر اجرا شدن

بعد از نصب به کمک این روش ماژول‌های غیر رایگان مثل
SURF, SIFT, ....
نیز قابل استفاده خواهد بود

تست شده :
Pop_OS 19.04, Cuda 10.0.1, Cudnn 7.5.0, Core i9
یکی از اون بلاگ پست‌های عالی که باید خوند،
BERT
چیه و چطور کار می‌کنه + پیاده‌سازی طبقه‌بندی متن در پایتون

Link