#python #tensor_flow #classifier #ml #ai

Наткнулся на интересный мануал по сборке классификатора изображений с использованием TensorFlow.

В результате использования мануала вы сделаете алгоритм, который будет:

🔸 анализировать изображение и определять, есть ли на нём цветок;
🔸 если есть — определять, к какой из предложенных категорий он относится;
🔸 выводить процент уверенности в своём ответе.

Требуемый минимум:
🔹 базовое знание Unix-команд и интерфейса командной строки;
🔹 базовое понимание устройства контейнеров Docker и виртуальных машин;
🔹 компьютер с 64-битной операционной системой Linux или macOS (или вируальная машина на windows)

Ссылка на пост с мануалом https://tttttt.me/nuancesprog/40

Пост взял из канала @nuancesprog, в котором, помимо прочего, есть много других годных статей. Программистам рекомендую подписаться.

#python #curcuitpython

На github вышла 4.0.0 (RC) версия CurcuitPython

Среди новых фич:

- расширенная поддержка экранов с пикселями (displayio)
- порт прошивки на микроконтроллер Nordic nRF52840 с плюшками (bleio)
- поддержка USB MIDI
- переведённые сообщения на разные языки

https://github.com/adafruit/circuitpython/releases/tag/4.0.0-rc.3

Плюсы в карму тем, кто участвует в тестировании и поддерживает проект

OpenFace #python

Бесплатный опенсорс фреймворк для распознавания лиц, использующий глубокие нейронные сети. Реализован на Python и Torch.

GitHub: https://github.com/cmusatyalab/openface

API-документация: https://openface-api.readthedocs.io/en/latest/index.html

​CasADI #python #c_plus

Опенсорс фрэймворк для нелинейной оптимизации и алгоритмического дифференцирования, написанный на C++. CasADi распространяется по лицензии LGPL, то есть может использоваться без лицензионных платежей даже в коммерческих приложениях.

CasADI простой инструмент для быстрой и высокоэффективной реализации алгоритмов нелинейной числовой оптимизации (в т.ч. динамической). Задействуя синтаксис систем компьютерной алгебры, программа позволяет пользователям создавать выражения, состоящие из скалярных или матричных операций. Далее их можно эффективно дифференцировать с использованием современных алгоритмов. CasADi предлагает богатый набор дифференцируемых операций, включая матричные, последовательные или параллельные вызовы функций, неявные функции и интеграторы.

CasADi доступен на C++, Python и MATLAB/Octave и показывает одинаковую производительность на всех ЯП. Разработчики, тем не менее, рекомендуют новичкам начать с версии на Python, поскольку документации и руководств для неё в разы больше. Установить программу можно совершенно бесплатно на Windows, Linux и Mac.

CasADI поможет сэкономить время при решении сложных инженерных задач и создании профессиональных инструментов для оптимизации. Применять фрэймворк можно в совершенно разных академических и промышленных областях. JModelica.org, omg-tool , MPC-tools, RTC-tools, openocl.org — все они основаны на CasADI.

Код на GitHub: https://github.com/casadi/casadi/wiki

FAQ по CasADI: https://github.com/casadi/casadi/wiki/FAQ

Скачать CasADI: https://web.casadi.org/get/

Гайд по CasADI: https://web.casadi.org/docs/

Советы по использованию CasADI: https://github.com/casadi/casadi/wiki/tipsandtricks

DART #c_plus #python

Dynamic Animation and Robotics Toolkit — кроссплатформенная библиотека с открытым исходным кодом. Распространяется по лицензии BSD-2-Clause. DART создана Лабораторией графики и Humanoid Robotics Lab в Институте технологий штата Джорджия. Библиотека применяется в робототехнике и компьютерной анимации. Она оснащена многотельным динамическим симулятором и различными кинематическими инструментами для управления и планирования движения.

DART предоставляет структуры данных и алгоритмы для кинематических и динамических приложений в области робототехники и компьютерной анимации. Использует обобщенные координаты для представления шарнирно-сочлененных систем твердого тела и алгоритма сочлененного тела Фезерстоуна для расчета динамики движения. Благодаря этому она выигрывает в точности и стабильности. DART предоставляет полный доступ к внутренним кинематическим и динамическим величинам, таким как матрица масс, кориолисовы и центробежные силы, матрицы преобразования и их производные. Инструментарий также обеспечивает эффективное вычисление якобиевых матриц для произвольных точек тела и координатных систем. Прямая кинематика и динамические значения обновляются автоматически. Это обеспечивает герметичность кода.

Dynamic Animation and Robotics Toolkit поддерживает многочисленные типы, суставов, примитивные и произвольные формы тела с настраиваемыми инерционными и материальными свойствами, гибкое моделирование скелета, модульный каркас кинематики. Библиотека также умеет обрабатывать информацию о столкновениях и позволяет добиться высокой производительности для шарнирных динамических систем, используя Lie Group и гибридные алгоритмы Featherstone.

Код на GitHub: https://github.com/dartsim/dart

API документация (C++): https://dartsim.github.io/dart/

Учебник по DART для C++: http://dartsim.github.io/tutorials_introduction.html

Theano #python

Theano — это препроцессор для Python для системы вычислений с многомерными массивами данных (тензорами). Библиотека сочетает в себе математические пакеты Mathematica и MATLAB. Theano поддерживается в следующих средах программирования: C/C++, PTX, CAL и AVX. Распространяется по лицензии BSD 3-clause.

Theano сочетает в себе аспекты системы компьютерной алгебры (CAS) с оптимизирующим компилятором. Он также может генерировать индивидуальный код C для многих математических операций. Эта комбинация полезна для задач, в которых сложные математические выражения приходиться оценивать неоднократно, а скорость этой оценки — важный параметр. Из важных особенностей Theano: тесная интеграция с NumPy, быстрая генерация кода на C и эффективное символьное дифференцирование.

Библиотека поддерживает методы линейной алгебры, возможность в режиме работы создавать новые операции с графами, многочисленные операции по преобразованию этих графов, работу с тензорами и разреженными матрицами. Theano применяет множество видов оптимизации графиков для различных целей: упрощения и стандартизации формы графа, уменьшение максимального объема памяти и увеличение скорости выполнения.

Для использования Theano потребуется git, nosetests, numpy, python и scipy.

GitHub: https://github.com/Theano/Theano/

Руководство по Theano: http://deeplearning.net/software/theano/tutorial/index.html

Установить Theano: http://deeplearning.net/software/theano/install.html

Документация API: http://deeplearning.net/software/theano/library/index.html

Глоссарий по Theano: http://deeplearning.net/software/theano/glossary.html