#آموزش

نزدیک یک ماه پیش مهندس قریشی پستی در کانال منتشر کردند که با این سوال شروع شده بود:

آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟

سایت pyimagesearch پنج روز پیش پستی با عنوان Change input shape dimensions for fine-tuning with Keras منتشر کرده که همین موضوع را توضیح داده است:

Q. Can I fine-tune a CNN on image dimensions *smaller* than what it was originally trained on?
A. Yes, you can!

https://www.pyimagesearch.com/2019/06/24/change-input-shape-dimensions-for-fine-tuning-with-keras/


مطلب مرتبط در کانال:
https://t.iss.one/cvision/1295

#کورس

انتشار کورس جدید Deep Learning from the Foundations توسط جرمی هاوارد

5 ویدیو در مورد آموزش مفاهیم و مبانی دیپ لرنینگ با #پایتورچ ، #fastai و پایتون و 2 ویدیو آخر مربوط به #سوئیفت و استفاده از آن در #تنسورفلو می باشد که توسط نویسنده این زبان آموزش داده شده است.

Jeremy Howard:
"Today we are releasing a new course (taught by me), Deep Learning from the Foundations, which shows how to build a state of the art deep learning model from scratch. It takes you all the way from the foundations of implementing matrix multiplication and back-propogation, through to high performance mixed-precision training, to the latest neural network architectures and learning techniques, and everything in between. It covers many of the most important academic papers that form the foundations of modern deep learning, using “code-first” teaching, where each method is implemented from scratch in python and explained in detail (in the process, we’ll discuss many important software engineering techniques too). The whole course, covering around 15 hours of teaching and dozens of interactive notebooks, is entirely free (and ad-free), provided as a service to the community. The first five lessons use Python, PyTorch, and the fastai library; the last two lessons use Swift for TensorFlow, and are co-taught with Chris Lattner, the original creator of Swift, clang, and LLVM."

لینک صفحه کورس: https://course.fast.ai/part2
لینک خبر: https://www.fast.ai/2019/06/28/course-p2v3

رد شدن مقاله های هینتون، یوشیا بنجیو و یان لکان توی NIPS ، ICML و CVPR توی سال های 2007، 2009 و 2010 به خاطر دلیل های مسخره. مثلا به هینتون گفتن چون یه مقاله دیپ لرنیگی قبل از اون پذیرفتند دیگه نمیتونند یه مقاله دیگه توی یه فیلد بپذیرند یا به یان لکان گفتن مقاله ات اصن ربطی به کامپیوتر ویژن نداره چون همه چی مبتنی بر لرنینگه با اینکه روشش از بقیه روش ها بهتر بوده!

لیست شبکه ها و الگوریتم های ارائه شده برای تشخیص اشیا ( object detection ) در تصویر به همراه مقاله ها و پیاده سازی های متنوع

This is a list of awesome articles about object detection. If you want to read the paper according to time, you can refer to Date.

https://github.com/amusi/awesome-object-detection

#خبر

https://www.instagram.com/p/BzVQBkaJ6Ap/?igshid=1sxd9om4ifno5

این اپ از روش pix2pix استفاده میکرد که برای جلویری از سوء استفاده حذف شد.

البته جمله اول توئیت اندرو انگ که نوشته بود "I’m glad DeepNude is dead. " به همین خبر اشاره داشته...

مرتبط با
https://t.iss.one/cvision/1371

#آموزش + #سورس_کد فارسی

آموزش تراز کردن کارت ملی (ایرانی) + سورس کد

آموزش:
https://blog.class.vision/1398/04/2541/

سورس کد:
https://github.com/ElmiiiRaa/align_iranian_national_id_card

با تشکر از مهندس المیرا قربانی

#تراز #کارت_ملی
#face #mtcnn

New Google Brain Optimizer Reduces BERT Pre-Training Time From Days to Minutes

کاهش مدت زمان pre-training مدل زبانی BERT از سه روز به 76 دقیقه با ارائه یک تابع بهینه ساز جدید!

Google Brain researchers have proposed LAMB (Layer-wise Adaptive Moments optimizer for Batch training), a new optimizer which reduces training time for its NLP training model BERT (Bidirectional Encoder Representations from Transformers) from three days to just 76 minutes.

لینک مقاله: https://arxiv.org/abs/1904.00962
لینک بلاگ پست: https://medium.com/syncedreview/new-google-brain-optimizer-reduces-bert-pre-training-time-from-days-to-minutes-b454e54eda1d

#BERT #language_model #optimizer

یافتن و بهینه سازی پارامتر های مناسب برای آموزش شبکه های عمیق با keras

Hyperparameter Optimization with Keras
Finding the right hyperparameters for your deep learning model can be a tedious process. It doesn’t have to.

https://towardsdatascience.com/hyperparameter-optimization-with-keras-b82e6364ca53

#ترجمه
یکی از اعضای کانال پیام دادند که از دوستانی که میتونند در کار ویرایش کتاب Andrew Ng کمک کنند در فایل گوگل داک کامنت بزارند پس از ویرایش نهایی کل کتاب به صورت رایگان در سایت خود کتاب andrew ng به زبان فارسی منتشر میشه .

و اسامی همه ی مترجمین + ویرایش کننده ها هم ذکر میشود .

https://docs.google.com/document/d/1pQ6m0AWLLDp61_dHa3KzRTJ7guKapUezwClG9731WoY/edit?usp=sharing

Facebook AI has just open-sourced their deep learning recommendation model for tackling personalization and recommendation tasks. The model works with both categorical and continuous features and is implemented in PyTorch & Caffe2. You can also easily try it out as it supports interface with Kaggle's Display Advertising Challenge Dataset where you need to predict click-through rates on display ads, actually it's a one-liner. They also wrote a paper about this, especially the parallelism part is interesting which is usually a bottleneck for any recommendation algorithms.

https://ai.facebook.com/blog/dlrm-an-advanced-open-source-deep-learning-recommendation-model/

FaceQnet: Quality Assessment for Face Recognition based on Deep Learning (2019)

https://arxiv.org/abs/1904.01740

https://github.com/uam-biometrics/FaceQnet

مرتبط با
https://github.com/Alireza-Akhavan/face-quality-metrics

#face

سایت جدید François Chollet خالق #Kears

https://fchollet.com/

طبقه بندی متن با استفاده از Flair

Flair delivers state-of-the-art performance in solving NLP problems such as named entity recognition (NER), part-of-speech tagging (PoS), sense disambiguation and text classification. It’s an NLP framework built on top of PyTorch.

لینک پست: https://towardsdatascience.com/text-classification-with-state-of-the-art-nlp-library-flair-b541d7add21f
کد: https://github.com/zalandoresearch/flair

#text_classification #nlp #flair

Gestalt Principles
https://www.interaction-design.org/literature/topics/gestalt-principles

روش فوق العاده اعمال کرنل کانولوشن روی تصویر توسط تنسرفلو
با تبدیل ماتریس کرنل به ماتریس گسترش یافته شامل ترکیب مکان های قرار گیری ماتریس کرنل روی ماتریس تصویر اصلی و ضرب در ماتریس تغییر سایز یافته ورودی و درنهایت تغییر سایز به تصویر خروجی

If we want our network to learn how to up-sample optimally, we can use the transposed convolution. It does not use a predefined interpolation method. It has learnable parameters.

#آموزش
#تنسرفلو

https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0

#مقاله

Identifying Emotions from Walking using Affective and Deep Features

قبلا الگوریتم‌هایی رو دیده بودیم که از روی حالت صورت یا نوع صدا میتونستند احساسات رو تشخیص بدند.
در این مقاله میتونید تشخیص نوع احساسات رو از روی نوع راه رفتن ببینید!

لینک مقاله:
https://arxiv.org/pdf/1906.11884

#خبر

Tesla restructures Autopilot software team, Elon takes the reins - Electrek
https://electrek.co/2019/05/10/tesla-autopilot-restructuring-software-elon-takes-over/

مثل اینکه تسلا چند وقت پیش یه خونه تکونی اساسی تو بخش هوش مصنوعیش انجام داده. عده‌ای معتقد بودن فشار انتظارات بالا و غیرواقعی باعث این قضیه بوده.
توییت ایلان ماسک رو می‌بینید که ادعا کرده حدود دو سال دیگه قابلیت فراخوانی ماشین‌های تسلا که صاحب ماشین باهاش دستور می‌ده ماشین به سمتش بیاد باید تقریباً از همه جا قابل فراخوانی باشه.
توییت مال سه سال پیشه.

https://twitter.com/elonmusk/status/686279251293777920?s=19

🙏Thanks to: @samehraboon

#تسلا #خودرو_بدون_سرنشین

Ubuntu Brings the Latest Nvidia Graphics Drivers to LTS Users --> https://t.co/zWc3F8ERsF

🙏Thanks to: @MH_Sattarian

How to Train Efficiently with Less Labeled Data: Unsupervised Data Augmentation by Google Brain

https://github.com/google-research/uda

🙏Thanks to: @Alidiba

#کتابخانه #پردازش_متن #تنسورفلو

TF.Text - Text processing in Tensorflow

کتابخانه مخصوص پردازش متن در نسخه جدید Tensorflow

TensorFlow Text provides a collection of text related classes and ops ready to use with TensorFlow 2.0. The library can perform the preprocessing regularly required by text-based models, and includes other features useful for sequence modeling not provided by core TensorFlow.

وقتی از سرگروه تیم TF.Text پرسیدند که کراس هم یک API پردازش متن داره که روی تنسورفلو اجرا میشه،پس TF.Text چه فرقی با اون داره؟ گفت:

"Keras has a subset, but not the breadth of TF.Text. We are actively talking with them to fill in gaps we believe language engineers want, but are not provided in the core Keras API, and I wouldn't be surprised if additional Keras layers are provided by TF.Text in the future."

ویژگی های این کتابخانه از زبان سرگروه تیم TF.Text:

- Focusing on the new tools for tokenizing text strings
- Tools for pattern-matching, n-gram creation, unicode normalization, and sequence constraints
- The code is designed to operate on RaggedTensors: Variable-length tensors which are better-suited for processing textual sequences.
- Pre-processing steps are now first-class citizens of the TensorFlow compute graph, which gives them all the advantages of that system. In particular, according to the documentation, "You do not need to worry about tokenization in training being different than the tokenization at inference...."

صفحه گیت هاب این کتابخانه:
https://github.com/tensorflow/text
نوت بوک شروع:
https://storage.googleapis.com/tensorflow_docs/text/examples/intro.ipynb

تصویر Alan Turing قرار است روی اسکناس پنجاه پوندی چاپ شود:

https://www.bbc.com/news/business-48962557