#سورس_کد
Real Time Trigger Word Detection with #Keras
https://github.com/Tony607/Keras-Trigger-Word
فیلم های آموزش مبحث مورد نظر:
https://www.aparat.com/v/cEKal
https://www.aparat.com/v/1aGeQ
#speech #trigger_word_detection #real_time #keras
Real Time Trigger Word Detection with #Keras
https://github.com/Tony607/Keras-Trigger-Word
فیلم های آموزش مبحث مورد نظر:
https://www.aparat.com/v/cEKal
https://www.aparat.com/v/1aGeQ
#speech #trigger_word_detection #real_time #keras
GitHub
GitHub - Tony607/Keras-Trigger-Word: How to do Real Time Trigger Word Detection with Keras | DLology
How to do Real Time Trigger Word Detection with Keras | DLology - Tony607/Keras-Trigger-Word
#مقاله
دوستانی که با #pytorch کار میکنند، مدل های #EfficientNet به همراه وزنهای آموزش دیده روی imagenet در این مخزن از مدل تنسرفلویی مقاله port شده و در pytorch قابل استفادست.
https://github.com/rwightman/pytorch-image-models
مطالب مرتبط:
مدل کراس:
https://t.iss.one/cvision/1287
مقاله اصلی به همراه پیاده سازی اصلی تنسرفلو قدیمی(در ۲ ساپورت نمیشه)
https://t.iss.one/cvision/1276
دوستانی که با #pytorch کار میکنند، مدل های #EfficientNet به همراه وزنهای آموزش دیده روی imagenet در این مخزن از مدل تنسرفلویی مقاله port شده و در pytorch قابل استفادست.
https://github.com/rwightman/pytorch-image-models
مطالب مرتبط:
مدل کراس:
https://t.iss.one/cvision/1287
مقاله اصلی به همراه پیاده سازی اصلی تنسرفلو قدیمی(در ۲ ساپورت نمیشه)
https://t.iss.one/cvision/1276
GitHub
GitHub - huggingface/pytorch-image-models: The largest collection of PyTorch image encoders / backbones. Including train, eval…
The largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (V...
#آموزش
#multi_GPU
#multi_GPU
from keras.utils import multi_gpu_modelhttps://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#سوال:
روی یک کامپیوتر چند GPU دارم. چه طور مدلی که با keras ایجاد کردم را روی همه GPU ها آموزش دهم؟
#پاسخ:
طبق این دستور العمل به راحتی میتوانید با استفاده از تابع
#سوال:
قبلا (بیش از 1 سال پیش) در این پست کانال و این پست نوشتیم که از تنسرفلو 1.4 به بعد میشه مدل را به #estimator تنسرفلو تبدیل کرد.
خب esetimator که multi_GPU داره و با این روش هم میشه مدلو توزیع شده و یا رو چند GPU اجرا کرد.
آیا روشی که در بالا معرفی شد نسبت به آن روش مزیتی دارد؟
#پاسخ:
وقتی یک مدل #Keras را به estimator تبدیل میکنید، فقط معماری مدل را تبدیل کرده و متدهای #callback ی که برای این مدلتون تعریف کردید، نظیر تغییر Learning rate طبق سیاست هایی که نوشتید از کار میوفته!
اما متد
روی یک کامپیوتر چند GPU دارم. چه طور مدلی که با keras ایجاد کردم را روی همه GPU ها آموزش دهم؟
#پاسخ:
طبق این دستور العمل به راحتی میتوانید با استفاده از تابع
multi_gpu_model مدل خود را به مدل multi_GPU تبدیل کرده و این مدل را آموزش دهید. در این صورت از تمام GPU های سیستم میتوانید استفاده کنید.#سوال:
قبلا (بیش از 1 سال پیش) در این پست کانال و این پست نوشتیم که از تنسرفلو 1.4 به بعد میشه مدل را به #estimator تنسرفلو تبدیل کرد.
خب esetimator که multi_GPU داره و با این روش هم میشه مدلو توزیع شده و یا رو چند GPU اجرا کرد.
آیا روشی که در بالا معرفی شد نسبت به آن روش مزیتی دارد؟
#پاسخ:
وقتی یک مدل #Keras را به estimator تبدیل میکنید، فقط معماری مدل را تبدیل کرده و متدهای #callback ی که برای این مدلتون تعریف کردید، نظیر تغییر Learning rate طبق سیاست هایی که نوشتید از کار میوفته!
اما متد
multi_gpu_model بازهم یک مدل #keras به شما برمیگرداند، نه estimator و در نتیجه تمامی خاصیت های مدل از جمله callback method ها را حفظ خواهد کرد.Telegram
Tensorflow
#آموزش
#multi_GPU
from keras.utils import multi_gpu_model
https://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#multi_GPU
from keras.utils import multi_gpu_model
https://www.tensorflow.org/api_docs/python/tf/keras/utils/multi_gpu_model
#مجموعه_داده #سورس_کد #مقاله
بازشناسی جنسیت و شناسایی بیومتریک با دیتاست بزرگ از تصاویر دست!
Gender recognition and biometric identification using a large dataset of hand images
https://sites.google.com/view/11khands
https://github.com/mahmoudnafifi/11K-Hands
بازشناسی جنسیت و شناسایی بیومتریک با دیتاست بزرگ از تصاویر دست!
Gender recognition and biometric identification using a large dataset of hand images
https://sites.google.com/view/11khands
https://github.com/mahmoudnafifi/11K-Hands
Google
11k Hands
Welcome to the 11k Hands dataset, a collection of 11,076 hand images (1600 x 1200 pixels) of 190 subjects, of varying ages between 18 - 75 years old. Each subject was asked to open and close his fingers of the right and left hands. Each hand was photographed…
#تخفیف 20% #ویدئو #آموزشی
بیست درصد تخفیف فیلم آموزشی یادگیری عمیق با پایتون و تنسرفلو/کراس به مدت محدود به مناسبت عید سعید فطر.
کد تخفیف:
Eid-e-Fetr
تاریخ اعتبار:
تا شنبه 18 خردادماه
ایمیل ارتباط و سوالات در مورد دوره: [email protected]
لینک خرید: https://class.vision/deeplearning-keras/
#python #tesnorflow #keras #deeplearning
بیست درصد تخفیف فیلم آموزشی یادگیری عمیق با پایتون و تنسرفلو/کراس به مدت محدود به مناسبت عید سعید فطر.
کد تخفیف:
Eid-e-Fetr
تاریخ اعتبار:
تا شنبه 18 خردادماه
ایمیل ارتباط و سوالات در مورد دوره: [email protected]
لینک خرید: https://class.vision/deeplearning-keras/
#python #tesnorflow #keras #deeplearning
#سوال :
آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟
#پاسخ :
بله. اگر معماری شبکه متشکل از لایه globalAveragePool باشد این کار امکان پذیر میباشد. در این لایه به دلیل نمونه برداری عمقی از لایه کانولوشن مستقل از سایز سطر در ستون کانولوشن بوده و برای مپ کردن به لایه تمام متصل بعدی برخلاف flatten مشکلی ایجاد نخواهد شد
مثال : شبکه resnet
#نحوه انجام کار :
برای تغییر سایز ورودی شبکه ترین شده در keras آن را لود کرده و به صورت زیر سایز ورودی شبکه را تغییر میدهیم.
در نهایت با دستور زیر نیز میتوانید سایز ورودی لایه و تمام لایه های شبکه را مشاهده نمایید
#کاربرد :
1 - ابتدا شبکه را با سایز ورودی کوچک آموزش داده و پس از چند ایپاک که به درصد دقت مناسبی رسیدیم سایز ورودی را بزرگ کرده و ادامه دهیم یا بر عکس.
2 - متناسب با کاربرد مسیله خود شبکه از قبل آموزش دیده روی دیتاست های بزرگ و جامع تر را با سایز ورودی مناسب تر فاین تیون کنیم.
توضیحات بیشتر :
https://www.aparat.com/v/YgEDH
آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟
#پاسخ :
بله. اگر معماری شبکه متشکل از لایه globalAveragePool باشد این کار امکان پذیر میباشد. در این لایه به دلیل نمونه برداری عمقی از لایه کانولوشن مستقل از سایز سطر در ستون کانولوشن بوده و برای مپ کردن به لایه تمام متصل بعدی برخلاف flatten مشکلی ایجاد نخواهد شد
مثال : شبکه resnet
#نحوه انجام کار :
برای تغییر سایز ورودی شبکه ترین شده در keras آن را لود کرده و به صورت زیر سایز ورودی شبکه را تغییر میدهیم.
model = load_model('checkpoint.h5')
input_layer = InputLayer(input_shape=(img_width, img_hight, channel), name="input_1")
model.layers[0] = input_layer
model.save("checkpoint-reshaped.h5")
در نهایت با دستور زیر نیز میتوانید سایز ورودی لایه و تمام لایه های شبکه را مشاهده نمایید
model.summary()#کاربرد :
1 - ابتدا شبکه را با سایز ورودی کوچک آموزش داده و پس از چند ایپاک که به درصد دقت مناسبی رسیدیم سایز ورودی را بزرگ کرده و ادامه دهیم یا بر عکس.
2 - متناسب با کاربرد مسیله خود شبکه از قبل آموزش دیده روی دیتاست های بزرگ و جامع تر را با سایز ورودی مناسب تر فاین تیون کنیم.
توضیحات بیشتر :
https://www.aparat.com/v/YgEDH
آپارات - سرویس اشتراک ویدیو
مباحث ویژه 2 - جلسه 6
در این جلسه Global Pooling و Adaptive pooling مطرح شد و به ایده آموزش یک شبکه با تصاویر با سایز متفاوت در ایپاک های مختلف در فریم ورک FastAI پرداخته شد.
#مقاله #architecture_engineering
پیدا کردن نحوه اتصالات یک شبکه عصبی به طوری که تابع loss حالت کمینه پیدا کند و بار محاسباتی کاهش یابد.
در این روش نحوه اتصالات شبکه در طول آموزش ثابت نیستند و شبکه علاوه بر پارامترها، ساختار شبکه و بهترین نوع اتصالات شبکه را هم یاد می گیرد!
این روش برای شبکه های بازگشتی هم قابل اعمال است.
Discovering Neural Wirings
https://arxiv.org/abs/1906.00586v1
Mitchell Wortsman, Ali Farhadi, Mohammad Rastegari
پیدا کردن نحوه اتصالات یک شبکه عصبی به طوری که تابع loss حالت کمینه پیدا کند و بار محاسباتی کاهش یابد.
در این روش نحوه اتصالات شبکه در طول آموزش ثابت نیستند و شبکه علاوه بر پارامترها، ساختار شبکه و بهترین نوع اتصالات شبکه را هم یاد می گیرد!
این روش برای شبکه های بازگشتی هم قابل اعمال است.
Discovering Neural Wirings
https://arxiv.org/abs/1906.00586v1
Mitchell Wortsman, Ali Farhadi, Mohammad Rastegari
arXiv.org
Discovering Neural Wirings
The success of neural networks has driven a shift in focus from feature
engineering to architecture engineering. However, successful networks today are
constructed using a small and manually...
engineering to architecture engineering. However, successful networks today are
constructed using a small and manually...
برای دوستانی که قصد دارند در کنکور تحصیلات تکمیلی شرکت کنند:
مکتب گرام | رسانه ای برای آموزش و پژوهش
ارشد و دکتری کامپیوتر و برق و آی تی
@Maktabgram_ir
مکتب گرام | رسانه ای برای آموزش و پژوهش
ارشد و دکتری کامپیوتر و برق و آی تی
@Maktabgram_ir
Andrew Ng and Masoumeh Haghpanahi the team's new paper -- Cardiologist-level arrhythmia detection from ECG using deep learning.
https://www.nature.com/articles/s41591-018-0268-3
https://stanfordmlgroup.github.io/projects/ecg2/
https://t.iss.one/ArtificialIntelligenceArticles
#DeepLearning #MachineLearning #artificalintelligence
🙏Thanks to: @ArtificialIntelligenceArticles
https://www.nature.com/articles/s41591-018-0268-3
https://stanfordmlgroup.github.io/projects/ecg2/
https://t.iss.one/ArtificialIntelligenceArticles
#DeepLearning #MachineLearning #artificalintelligence
🙏Thanks to: @ArtificialIntelligenceArticles
Nature
Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network
Nature Medicine - Analysis of electrocardiograms using an end-to-end deep learning approach can detect and classify cardiac arrhythmia with high accuracy, similar to that of cardiologists.
#مقاله #face
Deep Face Recognition: A Survey
https://arxiv.org/abs/1804.06655
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#face
Deep Face Recognition: A Survey
https://arxiv.org/abs/1804.06655
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#face
arXiv.org
Deep Face Recognition: A Survey
Deep learning applies multiple processing layers to learn representations of data with multiple levels of feature extraction. This emerging technique has reshaped the research landscape of face...
#مقاله #face
Low-resolution Face Recognition in the Wild via Selective Knowledge Distillation
https://arxiv.org/abs/1811.09998
——
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
Low-resolution Face Recognition in the Wild via Selective Knowledge Distillation
https://arxiv.org/abs/1811.09998
——
مطلب مرتبط:
اگر به حوزه #چهره در #یادگیری_عمیق علاقه دارید این مخزن گیت هاب حاوی مقالات مرتبط، آموزش فارسی، فیلم+ اسلاید+ کد و لینک پیاده سازی های مرتبط است که توصیه میکنم:
https://github.com/Alireza-Akhavan/deep-face-recognition
#آموزش #سورس_کد
یک مساله رگرسیون با #keras که توسط Chollet به اشتراک گذاشته شده.
Here's regression example on the Ames Housing Price dataset. This dataset turns out to be great for demonstrating how to vectorize structured data, and how to handle missing features.
https://colab.research.google.com/drive/127UxEcvp9KKrf2rNGlHBfyUMgcoQE0zi
مرتبط با مساله رگرسیون تخمین قیمت بیان شده در این دوره
یک مساله رگرسیون با #keras که توسط Chollet به اشتراک گذاشته شده.
Here's regression example on the Ames Housing Price dataset. This dataset turns out to be great for demonstrating how to vectorize structured data, and how to handle missing features.
https://colab.research.google.com/drive/127UxEcvp9KKrf2rNGlHBfyUMgcoQE0zi
مرتبط با مساله رگرسیون تخمین قیمت بیان شده در این دوره
High performance inference with #آموزش TensorRT Integration
https://medium.com/tensorflow/high-performance-inference-with-tensorrt-integration-c4d78795fbfe?linkId=68490018
https://medium.com/tensorflow/high-performance-inference-with-tensorrt-integration-c4d78795fbfe?linkId=68490018
Medium
High performance inference with TensorRT Integration
Posted by: Pooya Davoodi (NVIDIA), Guangda Lai (Google), Trevor Morris (NVIDIA), Siddharth Sharma (NVIDIA)
اگر حتی هیچ آشنایی ندارید، بهترین فرصته که همین الان DeepLearning را شروع کنید و مهارت خود را بالا ببرید!
تیزر #فیلم_آموزشی یادگیری عمیق در Python و Keras
https://aparat.com/v/Cv2fR
مشاهده ی تیز با کیفیت بالاتر
20 درصد کد تخفیف به مناسبت عید فطر (تا شنبه):
Eid-e-Fetr
اطلاعات بیشتر و خرید:
https://class.vision/deeplearning-keras/
تیزر #فیلم_آموزشی یادگیری عمیق در Python و Keras
https://aparat.com/v/Cv2fR
مشاهده ی تیز با کیفیت بالاتر
20 درصد کد تخفیف به مناسبت عید فطر (تا شنبه):
Eid-e-Fetr
اطلاعات بیشتر و خرید:
https://class.vision/deeplearning-keras/
آپارات - سرویس اشتراک ویدیو
تیزر فیلم آموزشی Deep Learning with Python, TensorFlow and Keras
تیزر دوره آموزشی 12 ساعته یادگیری عمیق❓در این دوره یاد میگیریم چگونه+برنامه ای بنویسیم که کامپیوتر مثل انسان ببیند و اشیاء را با وبکم تشخیص دهیم!+قیمت یک خونه را برای مال حدس بزند؟+ارقام دست نویس فارسی را بخواندو ...برای خرید و مشاهده پیش نمایش و همچنین مشاهده…
Media is too big
VIEW IN TELEGRAM
Real time sudoku solver (Augmented reality)
حل مسئله سودوکو به صورت آنلاین و با کمک پردازش تصویر و هوش مصنوعی و یادگیری عمیق
https://github.com/guille0/songoku
#fun #sudoku #ai
🙏 Thanks to :
@MH_Sattarian
حل مسئله سودوکو به صورت آنلاین و با کمک پردازش تصویر و هوش مصنوعی و یادگیری عمیق
https://github.com/guille0/songoku
#fun #sudoku #ai
🙏 Thanks to :
@MH_Sattarian
Tensorflow(@CVision) pinned «اگر حتی هیچ آشنایی ندارید، بهترین فرصته که همین الان DeepLearning را شروع کنید و مهارت خود را بالا ببرید! تیزر #فیلم_آموزشی یادگیری عمیق در Python و Keras https://aparat.com/v/Cv2fR مشاهده ی تیز با کیفیت بالاتر 20 درصد کد تخفیف به مناسبت عید فطر (تا شنبه):…»
Tensorflow(@CVision)
اگر حتی هیچ آشنایی ندارید، بهترین فرصته که همین الان DeepLearning را شروع کنید و مهارت خود را بالا ببرید! تیزر #فیلم_آموزشی یادگیری عمیق در Python و Keras https://aparat.com/v/Cv2fR مشاهده ی تیز با کیفیت بالاتر 20 درصد کد تخفیف به مناسبت عید فطر (تا شنبه):…
با عرض پوزش به دلیل بسته شدن پورت ارسال ایمیل توسط فایروال، سرور سایت جابه جا شد و سایت حدود 3 ساعت در دسترس نبود.
الان سایت در دسترس است و ایمیل لینک خرید برای دوستانی که ارسال نشده بود ارسال گردید.
#موقت
الان سایت در دسترس است و ایمیل لینک خرید برای دوستانی که ارسال نشده بود ارسال گردید.
#موقت
AAISS Application Form.docx
33.3 KB
فراخوان دعوت به ارائه بحث و/یا کارگاه
دانشگاه صنعتی امیرکبیر در نظر دارد سمپوزیوم تابستانه هوش مصنوعی در زمینه های مختلف مرتبط با این حوزه را در هفته آخر تیر و هفته اول مرداد 1398 برگزار کند.
لذا از آن دسته از عزیزانی که مایل به ارائه بحث و/یا کارگاه هستند دعوت می شود پیشنهاد خود را در قالب فرم ارائه شده و به همراه رزومه ارائه دهنده(ها) حداکثر تا تاریخ 24 خرداد 1398 با عنوان ایمیل AAISS Application به آدرس [email protected] ارسال نمایند.
#Symposium #AI
#Tehran #AUT
دانشگاه صنعتی امیرکبیر در نظر دارد سمپوزیوم تابستانه هوش مصنوعی در زمینه های مختلف مرتبط با این حوزه را در هفته آخر تیر و هفته اول مرداد 1398 برگزار کند.
لذا از آن دسته از عزیزانی که مایل به ارائه بحث و/یا کارگاه هستند دعوت می شود پیشنهاد خود را در قالب فرم ارائه شده و به همراه رزومه ارائه دهنده(ها) حداکثر تا تاریخ 24 خرداد 1398 با عنوان ایمیل AAISS Application به آدرس [email protected] ارسال نمایند.
#Symposium #AI
#Tehran #AUT