قبلاً در مورد #pop_os و بهبود‌هایی که دادن صحبت کردم، که مهمترینش نصب بودن کودا و ... هست که برای دیپ‌لرنینگ اهمیت زیادی داره

نسخه ۱۹.۱۰ نیز بصورت رسمی ارائه شده که ۲تا ویژگی خیلی مهم رو بهمراه داره :

۱- ابزار Tensorman :
همونطور که می‌دونید تنسورفلو برای راحتی توسعه‌ دهندگان نسخه‌ی داکر رو هم روی سایت قرار میده، که باعث میشه درگیر ورژن‌های کودا و ... نشید
اما مشکل اینجاس که تعداد کامندهای خود داکر + تعداد کامندهایی که برای نصب و راه‌اندازی و نگهداری این داکرایمیج‌ها لازمه باعث می‌شه افراد یا استفاده نکنند یا مجبور بشن داکر رو خوب و دقیق یاد بگیرند

کاری که تنسورمن می‌کنه این هست که تمام این دستورات رو تبدیل کرده به حدود ۲۰ دستور خیلی ساده و واضح؛ تا شما بتونید راحت تر به کارهاتون برسید. (طبق سایت برای نسخه ۱۸.۰۴ بزودی)

۲- پشتیبانی از زبان‌های راست به چپ در ترمینال که برای وقتایی که یادتون میره خروجی پایتون رو تو فایل متنی پایپ کنید و در ترمینال چاپ می‌شه بسیار مناسب خواهد بود

همه کسانی که با دیتاست‌های تصویر کارکردن حتماْ دیدید که با ایجاد مقداری تغییر خاص در تصویر مدل به اشتباه میوفته یا اطمینانش برای کلاس درست کمتر می‌شه که بخاطر وجود
pooling هاست

این مقاله باعث می‌شه این مشکل از بین بره :
convolution shift-Invariant و علاوه بر اون طبق گذارش باعث میشه دقت مدل‌ نیز افزایش پیدا کنه (پیشنهاد ویژه)

https://arxiv.org/pdf/1904.11486.pdf

ی گیت فوق‌العاده برای علاقه‌مندان به متن

https://github.com/kk7nc/Text_Classification

ی توضیح بسیار عالی و مختصر از
Group Normalization
بهمراه پیاده سازی

https://towardsdatascience.com/an-alternative-to-batch-normalization-2cee9051e8bc

First video GAN with sparse input

https://github.com/facebookresearch/DeepFovea?fbclid=IwAR3sYJpCMyPYOpnkiMJHTBTPtZxYEBVr2lYh8J-U_TpH-6290H1168qW0DE


این گیت هنوز کامل نشده (بزودی) اما برای پیاده سازی خوندن مقاله کافی خواهد بود

#خارج_از_بحث

جوری شده تو صورتمون نگاه می‌کنن و دروغ میگن :

بیانیه ستاد حقوق بشر (قوه قضاییه ج.ا. ایران) در پاسخ به بیانیه کمیسر عالی حقوق بشر و گزارشگران ویژه درمورد ناآرامی‌های اخیر:
"#اینترنت هرگز در کشور قطع نشده و مردم به راحتی در شبکه ملی با هم ارتباط داشته و از اطلاعات مختلف برخوردار بودند".

http://humanrights-iran.ir/news-76359.aspx

یکی به این آقایون فرق اینترنت و اینترانت و ... رو توضیح بده حداقل

“BatchNormalization is not a norm!” by Prateek Gulati https://towardsdatascience.com/batchnormalization-is-not-a-norm-cebfd921dadd

جذاب ترین بخش معرفی تراشه پرقدرت جدید
Qualcomm Snapdragon 865

Okay, this is the coolest damn thing: The new Snapdragon 865 can translate your speech into a foreign language in real time, *in your own voice*! You can have a real-time voice call with someone in a language you don’t know! It uses three layers of AI.

خیلی از دوستان با آگمنت کردن دیتا برای آبجکت دیتکشن مشکل دارند و این سوالی هست که بسیار از بنده پرسیده می‌شه

این بلاگ پست ۴ قسمتی، بسیار عالی این مسئله رو توضیح میده

امیدوارم مفید باشه

“Data Augmentation for Object detection: Rethinking image transforms for bounding boxes” by Team Paperspace https://medium.com/paperspace/data-augmentation-for-object-detection-rethinking-image-transforms-for-bounding-boxes-fe229905a1c3

بهترین مقالات در سال میلادی‌ ۲۰۱۹

https://heartbeat.fritz.ai/2019s-top-machine-and-deep-learning-research-papers-1ec363f29e85

خبر کوتاه بود و جانسوز،
به یاد تورج شعبانخانی، روحش شاد و یادش گرامی

Spleeter by Deezer
یک کتاب‌خانه فوق‌العاده پایتونی برای جداسازی موسیقی متن (حتی براساس نوع ساز) و ... با دقت بسیار بالا به کمک دیپ‌لرنینگ هست (چیزی که سالها نیاز صنعت موسیقی بوده)

کاربرد دیگر اینکه اگه دیتاست ویس دارید و داخلش پر از موسیقی متن هست با این ابزار به راحتی دیتاتون رو می‌تونید پاک سازی کنید.

https://github.com/deezer/spleeter

گیتهاب پیاده‌سازی رسمی انویدیا لب (تنسورفلو)
Noise2Noise: Learning Image Restoration without Clean Data

این تحقیق علاوه بر تصاویر روزمره روی تصاویر MRI نیز تست شده

Github Link

متاسفانه هنوز کسب و کار‌هایی هستند که
با پایتون ۲ کار می‌کنند و یا ابزارهاشون روی پایتون ۳ همچنان بازنویسی نشده.
۱۶ روز تا پایان کار پایتون ۲.۷

یک بلاگ پست بسیار کامل برای تشخیص اخبار دروغ :

https://www.analyticsvidhya.com/blog/2019/12/detect-fight-neural-fake-news-nlp/

توی کار دیپ‌لرنینگ وقتی به یک مسئله جدید میرسیم با دیتاست جدید، بطوری که تا بحال مشابه‌ اون حل نشده
اینطور شروع می‌شه که بر اساس سعی و خطا و یا تجربیات یک شبکه ساخته می‌شه و اجرا می‌شه

بعد از اون با سعی و خطا، پارامترها و ... تغییر پیدا می‌کنه تا به بهترین نتیجه برسیم (این فرمول برای تمام مسائل جدید ثابت هست ؛ ی نگاه به کگل کنید و تعداد ثبت نتایج تیم‌ها)

برای خیلی‌ها سوال اینه که چطور این پارامتر‌ها رو باید تغییر داد و چه مقداری بهترین نتیجه رو میده (توی مسائل جدید، سعی و خطا بیشتر لازمه و تجربه می‌تونه کمک کنه)

Keras-Tuner

یکی ازون پیکج‌های عالی هست که یک فضای جستجو براش تعریف می‌شه و چیزهای مختلف رو برای بهبود تارگت تست می‌کنه، فقط باید دقت کنید که این فضا و تعداد پارامتر‌های مورد جستجو رو چقدر بزرگ دارید در نظر می‌گیرید

Reward Modelling :
استراتژی بهتری برای امتیار دهی به مدلهای
Reinforcment

https://openai.com/blog/deep-reinforcement-learning-from-human-preferences/

ی بلاگ پست عالی، راجب auto deeplab :

Link

خداکنه ونزوئلا نیروی کار متخصص ایرانی هم قبول کنه،
پ.ن: قیمت دلار بازهم بالاتر رفته

تنسورفلو نسخه ۲.۱ هم منتشر شد، و آخرین نسخه‌ایی هست که از پایتون ۲.۷ پشتیبانی می‌کنه

Github release link

نسخه ۲۰۱۹ دوره آموزش مقدماتی دیپ‌لرنینگ MIT

YouTube link