دیپ‌لرنینگ بدون کد زدن
هم جالبه و هم عنوان جذابی داره

مثال خودش برای دسته‌بندی متن هست ؛ خیلی راحت و جالبه

با ابزار جدید uber :

https://uber.github.io/ludwig/

لیستی از کارهایی که با این ابزار می‌شه راحت انجام داد (بخش مثال داکیومنت ابزار)
تنها چیزی که لازمه کمی آشنایی با یونیکس‌ها هست

Text Classification
Named Entity Recognition Tagging
Natural Language Understanding
Machine Translation
Chit-Chat Dialogue Modeling through Sequence2Sequence
Sentiment Analysis
Image Classification
Image Captioning
One-shot Learning with Siamese Networks
Visual Question Answering
Predicting survivors
Time series forecasting
rating prediction
Multi-label classification
Multi-Task Learning

نمونه خروجی :
Wavenet
برای تبدیل متن به گفتار ؛ خروجی فوق‌العاده‌ایی داره که با صدای انسان قابل مقایسه هست
اما مشکل اساسی زمان هست
برای تبدیل متنی (برداشته شده از کامنت‌های پست دیپ‌مایند) که در زیر اومده
۴۲ دقیقه زمان برد اما نتیجه فوق‌العاده‌اس

I can hear some distortion in the piano notes which may be an audio compression artefact, or it may be the output of the resynthesis process.

خروجی ویونت روی فارسی :
بذار ببینیم با فارسی چیکار می‌کنی ؟

به معنای واقعی برای خودم خنده دار و جذاب بود کار روی
wavenet

https://www.youtube.com/watch?v=bDZ2q6OktQI

تصمیم سختیه ؛
۱- ادامه تنسورفلو دولوپر
۲- پاری‌سن‌ ژرمن - منچستر یونایتد

تغییرات

نحوه لود کردن دیتا
imagenet , imdb_reviews
رو هم دارند.

بریم از اول یاد بگیریم یا زوده ؟

pip install tensorflow-dataset
بیش از ۳۰ دیتاست آماده و اگر دوست دارید می‌تونید دیتاتون رو برای اینکار اضافه کنید.

با این اسلاید آیا پایتورچ به شکست می‌رسه ؟
اضافه کنم :

Swift for Tensorflow رو هم داریم

فکر می‌کنم شایعه‌ها راجب دوره تنسورفلو ۲.۰ هم تموم شد
هیچ حرفی راجب دوره آموزش تنسورفلو ۲.۰ توسط گوگل زده نشد

اما deeplearning.ai مارو تنها نمی‌ذاره :

https://www.coursera.org/learn/introduction-tensorflow

آموزش تنسورفلو ورژن ۲
همکاری یوداسیتی و البته تیم تنسورفلو (شایعه‌ایی درکار نبود)

https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187

FreeLance
رو ترجمه می‌کنید آزادکاری ؟

ی لحظه حس کشتی‌گیر بودن بهم دست داد

زومیت ی سلسله پست راجب فری‌لنس زده و جوری از فریلنس صحبت کرده که احساس بدبختی و بیچارگی به آدم دست میده

دستمزد ساعتی ۱۲۰ دلار رو کی میذاره کنار با ساعتی ۱۵.۰۰۰ تومن استخدام بشه ؟

بقول هالو (خطاب به شیوخ مملکت) :

تا نگویند چرا شیخ زبانش را بست
ظاهراْ هم شده یک چیز بگو چون هالو
تا بدانیم تو و دزد نبودی هم دست

سال جدید ؛ فقط حکم دکمه ریست رو داره
تا لود شدن دوباره هم که شده
ازش لذت ببریم

هرچندکم ؛ هرچند کوچیک

https://g.co/doodle/vvtzxe

نوت رو بزنید و بذارید گوگل و دیپ‌لرنینگ هارمونی مناسب رو براش تولید کنه
جالبه و کارشم خوبه

خیلی وقتا کار کردن با تیم‌های خارجی سخت می‌شه
مخصوصاْ وقتی ما تو تعطیلات سال نو هستیم و تیم تو اوج کار

تو این چند روز درگیر پیدا کردن راه‌کاری بودم که بشه مدل دیپ‌لرنینگ رو روی تموم دیتاها ترین کرد ؛ خب وظیفه من این بود که راه‌کار مناسب رو ارائه بدم ؛ نسبت به کار باقی تیم ساده بنظر میاد ولی خیلی سخت شد (حاضرم قسم بخورم)

از حجم دیتا همین رو بگم که DGX هم جوابگو نبود
کلی راهکار تست شد و چندتایی هم جواب داد ولی راهکاری نبود که ما لازم داشتیم

درنهایت بالاخره به راهکار مناسب رسیدم :
https://github.com/horovod/horovod
ی ابزار کاملاْ مناسب برای اینکار (و البته ساده)با پشتیبانی از فریمورک‌های معروف و توسعه داده شده توسط اووبر


حالا می‌شه تعطیلات شروع بشه
سال نو مبارک 🌹🌹🌹🌹

#NeuroSAT
NeuroSAT, a message passing neural network that learns to solve SATproblems after only being trained as a classifier to predict satisfiability

مقاله‌ایی بسیار جالب و بسیار کاربردی پیشنهاد می‌کنم حتماْ مطالعه کنید

https://arxiv.org/pdf/1802.03685.pdf

یکی از جذابترین کاربردهای یادگیری عمیق (نظر شخصی) همین ماشین‌های خودران و جذابتر ازون
Autonomus Flying Vehicle هست

بخاطر علاقه‌ایی که شخصاْ به این کاربرد دارم و درحد توان شخصی هر از گاهی تحقیق (عملی) و تست‌هایی انجام میدم

وقتی صحبت ازین چیزها می‌شه اولین شرکت‌هایی که جلب توجه می‌کنه ؛ گوگل - بایدو - اوبر هستند و نمی‌شه در این زمینه کار کرد و پروژه آپولو بایدو رو نشناخت
طبق تعریف خودشون :

Apollo is a high performance, flexible architecture which accelerates the development, testing, and deployment of Autonomous Vehicles.

تمامی بخش‌ها و تمام اطلاعات و حتی HD MAP های خود بایدو (آپولو بخاطر کمک‌های بزرگش تو این زمینه و بهبود استانداردها بسیار معروف هست)
بطور کامل در دسترس هست.

یکی از بخش‌هایی که خیلی من رو به آپولو و کارشون علاقه مند کرد همین موضوع
OpenSource
بودن بود؛ به لطف این شرکت نقشه‌ها و سخت‌افزارهای لازم ؛ اتصالات بهینه و نحوه کالیبره کردن نیز در اختیار قرار گرفته

اگر شما هم به این مباحث علاقه مند هستید و می‌خواید بیشتر آشنا بشید
بنظرم لینک‌های زیر رو از دست ندید :

https://github.com/ApolloAuto/apollo
https://github.com/ApolloAuto/apollo/blob/master/docs/quickstart/apollo_3_0_quick_start.md
https://github.com/ApolloAuto/apollo/blob/master/docs/quickstart/apollo_2_5_hardware_system_installation_guide_v1.md


@Pytens

تو ادامه این پروژه رفتم سراغ wavenet و خواستم خوندن رو هم اون انجام بده
که قبلتر تو پستی بهش اشاره کردم

اما ی مقدار با صداها مشکل داشتم (جذاب نبود برام)
بعد از کلی تست و جستجو به ی کتابخونه خیلی باحال رسیدم تو پایتون
اگر کار شماهم با صدا هست
بنظرم تستش کنید خیلی باحاله.

https://pypi.org/project/audiotsm/

"AudioTSM is a python library for real-time audio time-scale modification procedures, i.e. algorithms that change the speed of an audio signal without changing its pitch."

خیلی از دوستان سوال داشتن چرا Horovod
اولین چیزهایی که نظر خودمو جلب کرد نتایجی مثل این عکس بود

و خب البته بعد ازون نتایج بسیار مشابهی که شخصاْ و البته تیم همکار به دست آورد.

در حال خوش گذرونی در
distrowatch
بودم که ی توزیع خیلی باحال پیدا کردم

دیپ لرنینگ کارای عزیزی که به دلیل برخی مشکلات (مثلاْ دردسرهای py3 روی CentOS) مجبور به استفاده از ubuntu بودید

تجدید نظر کنید با

https://system76.com/pop

بخوام ساده بگه ؛ کاملاْ ساده و با داغترین آپدیت‌ها

مثلاْ نصب تنسورفلو + کودا + cudnn روی این سیستم :

sudo apt install tensorflow-cuda-latest

خودم واسه بازی کردن رو لینوکس مفید دیدمش (اوبنتو و ... اصن خوب آپدیت نمی‌شدن هی باس پاک میشد و دوباره نصب می‌شد)