مروری بر ترندهای paperswithcode در سال 2020

در لینک زیر، ترندهای paperswithcode در سال 2020 معرفی شده. 10 مقاله ترند، 10 کتابخونه ترند و...

در بخش مقاله، سه مقاله EfficientDet و YOLOv4 و ResNeSt ازجمله مقاله‌های ترند هستن. قبلا در اینجا و اینجا و اینجا دربارشون توضیح دادیم.

در بخش کتابخونه‌ها، کتابخونه transformers از huggingface در صدر جدوله! ترنسفورمر به سرعت درحال پیشرفته.

https://link.medium.com/Qsm7q6kVEcb

@pytorch_howsam

#یادگیری_عمیق

درون شبکه عصبی LSTM چه می‌گذرد؟

در جدیدترین جلسه از آموزش یادگیری عمیق رایگان هوسم، به تشریح عملکرد شبکه عصبی LSTM پرداختیم.

لینک آموزش شبکه عصبی LSTM

دوره‌ یادگیری عمیق رایگان هوسم ادامه دارد...
جلسه بعدی: شبکه عصبی GRU

@howsam_org

کلکسیون دیتاست در NLP

لایبرری Datasets از huggingface با بیش از 600 دیتاست در حوزه nlp. لینک

از فارسی هم 5 نمونه دیتاست داره. مثلا farsi news یک نمونه هست که از سایت‌های خبری جمع‌آوری شده. لینک

@pytorch_howsam

رفع محدودیت‌های Github برای کاربران ایرانی؟

ایمیلی از Github برای کاربران ایرانی درحال ارسال هست که در اون نوشته شده ما میخواهیم به زودی محدودیت‌ها روی اکانت‌های ایرانی رو برداریم.

لینک

نظر شما چیه؟

@pytorch_howsam

لیست 800 دوره رایگان در computer science

یک منبع عالی به‌صورت منظم و طبقه‌بندی‌شده...

لینک

@pytorch_howsam

یک جلسه‌ دیگر با دوره یادگیری عمیق رایگان

شبکه عصبی موبایل‌نت چگونه کار می‌کند؟

لینک

@howsam_org

تولباکس پایتورچی برای شناسایی چهره

با تولباکس FaceX-Zoo می‌تونید مجموعه‌ای از شبکه‌ها و روش‌های شناخته‌شده در شناسایی چهره رو داشته باشید.

این تولباکس برای طراحی یک روش جدید میتونه بسیار مناسب باشه.

لینک

@pytorch_howsam

Segmentation

یک لایبرری عالی برای سگمنت تصاویر با پایتورچ

در این لایبرری، شبکه‌هایی مانند UNet و DeepLab با بک‌بون‌های مختلف به‌سادگی در دسترس هست.

لینک

@pytorch_howsam

Sepehr Sameni (@Separius) Tweeted:
اگر دوست دارید به عنوان پروژه ارشد یا کارشناسی تون یا حتی برای اپلای (و آشنایی با ریسرچ)، روی self supervised representation learning یا ViT یا inverse rendering کار بکنید، میتونید با lab ما کار بکنید، کافی هست که رزومه تون رو برای من بفرستید
[email protected]
https://twitter.com/Separius/status/1354850457693335552?s=20

افزایش کارآیی و سرعت آموزش شبکه در پایتورچ با 7 تکنیک مهم زیر:

لینک

اینها تکنیک‌های ساده‌ای هستند که به‌راحتی می‌تونید ازشون استفاده کنید. به‌عنوان نمونه، با mixed precision بجای آموزش شبکه با float32، می‌تونید از float16 استفاده کنید. یعنی مصرف Ram کمتر و درنتیجه بزرگتر کردن بچ‌سایز...

@pytorch_howsam

سایت paperswithcode به‌سرعت درحال پیشرفت!

در لینک زیر می‌تونید بیش از 3000 دیتاست حوزه یادگیری ماشین رو ببینید. اونهم با انواع دسته‌بندی‌های مختلف...

https://paperswithcode.com/datasets

@pytorch_howsam

دو افزونه عالی و کاربردی کروم برای گوگل کولب

پلاگین اول برای باز کردن نوت‌بوک‌های موجود در گیتاب هست. با این افزونه به‌راحتی می‌تونید نوت‌بوک‌ها رو در کولب باز کنید. لینک افزونه

افزونه دوم، مشکل قطع شدن کولب حین اجرا رو حل میکنه. اگر کولب قطع شه، این افزونه به‌صورت خودکار اتصال رو برقرار میکنه. لینک افزونه

در کار با کولب، شما از چه ابزارهای جانبی استفاده می‌کنید؟

@pytorch_howsam

و این گوگل کولب دوست داشتنی!

کولب امکانی رو اضافه کرده که بعد از اینکه اجرا تموم شد، به شما نوتیف میده! مناسب برای زمانی که اجرا گذاشتید و مشغول کار دیگری هستید.

نحوه فعال‌سازی:
Tools -> Settings -> Site -> Show desktop notif...

@pytorch_howsam

یعنی یک چیزی میخوام بهتون معرفی کنم که تو زندگی من نقطه عطفی بوده😅

نرم‌افزار Mathpix می‌دونید چیه؟ کافیه که یه اسکرین‌شات از فرمولتون بهش بدید و فرمول مناسب برای ورد، لاتکس و ... ازش تحویل بگیرید.
ویدئو بالا رو ببینید.

@pytorch_howsam

گرادیان کاهشی

در سومین جلسه از آموزش یادگیری ماشین رایگان، به تشریح الگوریتم گرادیان کاهشی پرداختیم.

مطالعه این جلسه: لینک

نویسنده: سیدسجاد اشرفی

جلسه بعدی: رگرسیون خطی

@howsam_org

اگه دنبال یک نرم‌افزار مناسب برای رفرنس زدن در ورد هستید، مندلی رو نصب کنید و تمام!

بخونید مِندلی نه مَندلی 😅

ویدئو بالا رو ببینید، کار باهاش خیلی ساده هست. ما خیلی ازش استفاده می‌کنیم.

@pytorch_howsam

CharacterGAN

تولید کاراکتر همراه با انیمیشن با استفاده از GAN

مقاله‌ای که طی روزهای اخیر ترند شده و موردتوجه قرار گرفته. کار قشنگیه...

مقاله | کد پایتورچ

@pytorch_howsam

مدل من در پایتورچ چقدر پارامتر داره؟

تابع زیر رو به کدتون اضافه کنید. بعد آبجکت مدل رو به عنوان ورودی بهش بدید تا در خروجی تعداد پارامترها رو به میلیون بگه.

def count_parameters(model):
params = sum(p.numel() for p in model.parameters() if p.requires_grad)
return params/1000000

@howsam_org

چرا برای یک لایه یا الگوریتم هزار تا فرمول مختلف وجود داره؟

فرض کنید میخوایید پایان نامه یا مقاله بنویسید، می‌بینید یک فرمول سافت‌مکس رو هرکسی یک‌طوری نوشته. تفاوت در اندیس‌ها و...

قبلا استانداردی وجود نداشت. اما به پیج زیر نگاهی بندازید، اکثر لایه‌ها، فرمول‌ها و الگوریتم‌ها رو اومده با یک استاندارد نوشته. مثلا به تصویر بالا نگاه کنید که دقیق شبکه عصبی بازگشتی رو فرموله کرده.

https://namedtensor.github.io/

حالا با خیال راحت می‌تونید از فرمول‌های اینجا استفاده کنید تا فرمول‌هاتون در داکیومنت یکپارچه و استاندارد باشه.

از طرفی، این ویژگی رو با نرم‌افزار Mathpix ترکیب کنید. دیگه نیازی به نوشتن مجدد اینها هم نیست. 😊

@pytorch_howsam

یک کتاب خوب برای پایتورچ

گیتهاب و vscode

یک ترفند خفن!
وقتی تو یک پروژه در گیتهاب هستید، مثل چنین پروژه‌ای:
https://github.com/vballoli/nfnets-pytorch

اگر خیلی ساده github رو به github1s تبدیل کنید، کل پروژه توی vscode باز میشه! 😍
https://github1s.com/vballoli/nfnets-pytorch

@pytorch_howsam