PyTorch Howsam
3.01K subscribers
341 photos
48 videos
5 files
476 links
از هوش مصنوعی میگیم...

ارتباط با ادمین
@howsam_support
Download Telegram
#Colorization #pytorch #cvpr2020

Instance-aware Image Colorization

Previous methods leverage the deep neural network to map input grayscale images to plausible color outputs directly.

21 May 2020

Github Star: 73 (1.26 stars/hour)

Paper | Code | Colab | Website

@pytorch_howsam

#language_modeling #named_entity_recognition #part_of_speech_tagging #text_classification #pytorch

BERTweet: A pre-trained language model for English Tweets

We present BERTweet, the first public large-scale pre-trained language model for English Tweets.

20 May 2020

Github Star: 68 (0.90 stars/hour)

Paper | Code

@pytorch_howsam

#instance_segmentation #panoptic_segmentation #pytorch

EfficientPS: Efficient Panoptic Segmentation

Understanding the scene in which an autonomous robot operates is critical for its competent functioning.

5 Apr 2020

Gihub Star: 124 (0.61 stars/hour)

Paper | Code

@pytorch_howsam
یک مدل برت فارسی دیگر که روی داده‌های بیشتری ترین شده...

لینک مقاله

باتشکر از خانم ترابیان

@pytorch_howsam
فردی به‌نام Boris Dayma با استفاده از huggingface و مدل small gpt-2، یک پروژه جالب براساس اکانت‌های توییتر انجام داده. در این پروژه، توییت‌هایی متناسب با توییت‌های یک شخص تولید میکنه.

مثلا در تصویر ببینید، دو توییت برای ایلان ماسک ساخته. انصافا شبیه توییت‌های ایلان ماسک هست 😁

اون تصویر نمودار هم اتلاف برای اشخاص مختلف رو نشون میده که در همه اتلاف رفتار مشابهی داره و فقط Karpathy با بقیه فرق داره. درواقع، نسبت به بقیه کمتر قابل پیش‌بینیه...

لینک پروژه در کولب

@pytorch_howsam
PyTorch Howsam
#ٱموزش_یادگیری_عمیق جلسه اول: ساختار نورون مصنوعی به امید خدا، از این به بعد یک دوره آموزش یادگیری عمیق رایگان را شروع می‌کنیم. از مباحث مقدماتی شروع می‌کنیم و به مباحث پیشرفته می‌رسیم. در اولین جلسه می‌خواهیم ساختار یک نورون مصنوعی را بررسی کنیم. همچنین،…
#ٱموزش_یادگیری_عمیق

جلسه دوم: فرآیند یادگیری نورون مصنوعی

در دومین جلسه از دوره رایگان آموزش یادگیری عمیق هوسم می‌خواهیم نحوه یادگیری نورون ها را بررسی کنیم. نورون‌های مصنوعی که در جلسه اول معرفی کردیم صرفا یک ماشین حساب بودند. آن‌ها توانایی یاد گرفتن نداشتند. در این جلسه می‌خواهیم شما را با پروسه یادگیری یک نورون آشنا کنیم. همچنین، با مفاهیم مهم تابع اتلاف و بهینه‌سازی آشنا خواهید شد.

لینک جلسه دوم

@pytorch_howsam
#آموزش_یادگیری_عمیق

لیست جلسات آموزش یادگیری عمیق هوسم که تا امروز منتشر کردیم:

📕 جلسه اول: ساختار نورون مصنوعی

📕 جلسه دوم: یادگیری نورون مصنوعی

📕 ادامه دارد...

@pytorch_howsam
#nlp #gpt

شبکه GPT-3 از شرکت OpenAI با 175 میلیااارد پارامتر!!

خبری که امروز در اینترنت و شبکه‌های اجتماعی ترند شده...

بزرگترین شبکه‌ای که تا به امروز ساخته شده. عده‌ای هم نگاه انتقادی به این مساله داشتن...

گفته میشه شبکه در حالت فوروارد 700 گیگابایت رم GPU می‌خواد! چه خبره؟!

نشسته‌ام به GPT-3 نگاه می‌کنم، GPU آه می‌کشد...

@pytorch_howsam
#deep_learning #andrewng

دانلود کورس یادگیری عمیق Andrew NG با زیرنویس انگلیسی

لینک دانلود

@pytorch_howsam
PyTorch Howsam
#جلسه_پنجم جلسه پنجم: اندیس‌گذاری و اسلایسینگ در پایتورچ منتشر شد. در این جلسه می‌آموزید که چگونه بخشی از یک تنسور پایتورچی را انتخاب کنید. این جلسه توانایی شما در کار با تنسورها افزایش می‌دهد. لینک آموزش @pytorch_howsam
#جلسه_ششم

جلسه ششم: عملیات روی تنسورها در پایتورچ منتشر شد.

در جلسه ششم آموزش پایتورچ رایگان، می‌خواهیم به آموزش عملیات روی تنسورها در پایتورچ بپردازیم.

لینک جلسه ششم

جلسه بعدی به معرفی دستورات کاربردی از خانواده نامپای در پایتورچ خواهیم پرداخت.

انشالله از دو جلسه آینده بحث شبکه‌های عصبی و یادگیری عمیق در پایتورچ را شروع خواهیم کرد. 💪

@pytorch_howsam
#phd #research

چند روز قبل، آقای سباستین رودر یک پست وبلاگی درباره دوره دکتری با عنوان "ده نکته برای دکتری و ریسرچ" نوشتند.

وبلاگ‌نویسی، تحقیق و مطالعه وسیع و فعال بودن چندنمونه نکاتی هست که درموردش توضیح دادند.

لینک

@pytorch_howsam
This media is not supported in your browser
VIEW IN TELEGRAM
#cnn #numpy

Let’s Code Convolutional Neural Network in plain NumPy

طبیعتا امروزه همه از فریمورک‌هایی مثل کراس، تنسورفلو و پایتورچ استفاده می‌کنیم. اما خیلی‌ها ممکنه دوست داشته باشن که خودشون برای یک بار از ابتدا تا انتها شبکه‌ای مثل cnn رو پیاده‌سازی کنن. اینجوری حس بهتری بهشون دست میده و درکشون بالاتر میره.

در این پست، شما می‌تونید مرحله به مرحله، پیاده‌سازی شبکه cnn رو با نامپای ببینید. پست خوبیه...

لینک

@pytorch_howsam
#object_detection #detr

چند روز قبل، فیسبوک مقاله‌ای در حوزه Object Detection منتشر کرد که حرف جدیدی برای گفتن داشت.

یک سیستم تشخیص اشیای تمام اتوماتیک رو شاهد هستیم! یعنی در این سیستم خبری از NMS یا (Non-max Suppression) نیست.

با استفاده از ترنسفورمرها و شبکه CNN و ساختار Faster-RCNN این کار انجام شده. ترنسفورمرها در اینجا وظیفه انتخاب بهترین باکس از بین باکس‌های موجود رو دارن.

منظور از ترنسفورمر همون چیزی که در NLP و شبکه‌ای مثل برت هست.

Github | Paper | Colab

@pytorch_howsam
تا حالا درمورد کتاب آنلاین Dive into Deep Learning شنیدید؟

از طریق لینک زیر می‌تونید این کتاب آنلاین رو رایگان مطالعه کنید. کتاب خوبی هست...
لینک

کدهای این کتاب با فریمورک mxnet بود، ولی الان پایتورچ هم اضافه شده. خیلی هم عالی...

@pytorch_howsam
This media is not supported in your browser
VIEW IN TELEGRAM
#tensorflow #fashion_mnist

در این پست می‌خواهیم یک پروژه دسته بندی با mlp و تنسورفلو 2 را انجام دهیم. کدنویسی این جلسه در پلتفرم آنلاین گوگل یعنی گوگل کولب (Google Colab) انجام می‌شود. در پروژه ای که انجام خواهیم داد، می‌خواهیم تصاویر را در پایگاه داده fashion mnist دسته بندی کنیم.

توضیحات کامل در لینک زیر:

لینک پست

@pytorch_howsam
What is Ludwig?
Ludwig is the first sentence search engine that helps you write better English by giving you contextualized examples taken from reliable sources.

سایت ludwig.guru به شما این امکان رو میده که با اطمینان خاطر بیشتری انگلیسی بنویسید. برای جملات و اصلاحاتی که می‌نویسید سرچ کنید و ببینید آیا در متن‌های انگلیسی موجود در اینترنت مشابهش وجود داره یا نه...

مثلا من region proposal network رو سرچ کردم و چند نمونه مثال از مقاله‌ها برام آورده.

سایت پرکاربردی میتونه باشه برای مقاله یا ایمیل نوشتن...

ludwig.guru

@pytorch_howsam
#image_captioning

اخیرا مقاله‌ای جالب در زمینه image captioning منتشر شده که بلوک دیاگرام اون رو در بالا می‌تونید ببینید. روش پیشنهادی شامل دو بخش CNN و Transformer هست.

نکته جالب کار اینجاست که مولف مقاله میگه:
Language is all you need!
اونها این معماری رو با 100 هزار نمونه آموزش دادن و نتیجه این شده که شبکه در 6 تسک کامپیوتر ویژن، دقتش با پری‌ترین imagenet برابری میکنه!

بله، یعنی وزن‌های پری‌ترین این روش با وجود آموزش روی 100 هزار نمونه دست‌کمی از وزن‌های پری‌ترین imagenet با حداقل 1 میلیون نمونه نداره.

مقاله | کدپایتورچ

@pytorch_howsam