به‌نام خدا، سلام به همه...

به کانال پایتورچ هوسم خوش آمدید...

در کانال پایتورچ هوسم، می‌خواهیم به شما پایتورچ آموزش دهیم.

همچنین، اخبار، کدها، پروژه‌ها و ویدئوهای آموزشی خوب پایتورچی را هم به شما معرفی می‌کنیم.

ارتباط با ادمین
@rzabd

#آموزش

آموزش پایتورچ از صفر فقط با کد!

در این آموزش، مرحله به مرحله با کدنویسی می‌تونید پایتورچ رو از صفر یاد بگیرید.

لینک:
https://github.com/yunjey/pytorch-tutorial

این آموزش ساده در گیتاب خیلی محبوب هست و 16 هزار ستاره در گیتاب داره که فوق‌العادست...

@pytorch_howsam

#مقایسه #تنسورفلو #پایتورچ

🔸 جداول و نمودار تصویر بالا مقایسه‌ای بین پایتورچ و تنسورفلو تا اکتبر 2019 رو نشون میده.

نمودار: این نمودار تعداد مقالاتی که در کنفرانس‌های برتر حوزه هوش مصنوعی از پایتورچ و تنسورفلو استفاده کردند رو نشون میده. خط‌چین‌ها نشون دهنده تنسورفلو و خط‌پر هم پایتورچ هست. هرکدوم از رنگ‌ها هم یک کنفرانس رو نشون میدن. براساس رنگ پایتورچ و تنسورفلو رو مقایسه کنید. از 9 کنفرانس، در 8 کنفرانس پایتورچ بیشتر در مقالات استفاده شده و در 1 مورد (کنفرانس nips) تنسورفلو استفاده بیشتری داشته. البته در همان 1 مورد هم پایتورچ شیب پیشرفت بزرگتری نسبت به تنسورفلو داره.

جدول: در این جدول هم درصد رشد استفاده از پایتورچ و تنسورفلو از سال 2018 تا 2019 نشون داده شده. مثلا در کنفرانس CVPR، پایتورچ 240 درصد رشد داشته و تنسورفلو 7.7 درصد رشد داشته... بقیه سطرهای جدول هم شبیه CVPR هستند. حداقل 190 درصد رشد و حداکثر 450 درصد رشد رو می‌تونید در پایتورچ ببینید! تنسورفلو هم در 3 مورد رشد منفی داشته. حداکثر رشدش هم 33 درصد بوده.

ادامه توضيحات در پست بعدی...

#مقایسه #تنسورفلو #پایتورچ

🔸 جداول و نمودار تصویر بالا مقایسه‌ای بین پایتورچ و تنسورفلو تا اکتبر 2019 رو نشون میده.

در آنالیز بالا، مقالاتی که به هردو اسم پایتورچ و تنسورفلو اشاره کردن، کنار گذاشته شدن. همچنین، مقالاتی که توسط گوگل و فیسبوک منتشر شدند هم کنار گذاشته شدن.

در کل نمودار بالا نشون میده که محقق‌ها احساس راحتی بیشتری با پایتورچ دارن و بی دغدغه میتونن روی ایده‌هاشون کار کنن.

منبع این پست، سایت thegradient.pub هست. لینک این مقایسه رو برای شما در زیر گذاشتیم:
https://bit.ly/2wUfzUE

یکسری نکات جالب هم در متن گفته شده:
* نقطه قوت پایتورچ در سادگی‌ هست.
* در فاز تحقیق پایتورچ از تنسورفلو جلوتر هست.
* در فاز صنعت، تنسورفلو فعلا جلوتر هست، اما ممکنه پایدار نباشه.

پیشنهاد میشه متن رو مطالعه کنید. اگر هم نکته جالبی دیدید لطفا اینجا کامنت کنید.

@pytorch_howsam

#معرفی_سایت

راستی سایت thegradient.pub پست‌های خوبی میذاره. پیشنهاد میکنیم دنبال کنید. دنبال کردن چنین سایت‌هایی باعث میشه از اتفاقات روز هوش مصنوعی باخبر بشیم و بروز بمونیم.

این سایت توسط دانشجوها و محقق‌های آزمایشگاه هوش مصنوعی استنفورد راه‌اندازی شده.

مثلا در آخرین پست این سایت اشاره شده که بعد از تصویر و متن، بهار صوت هم نزدیکه...

@pytorch_howsam

سلام
از این بعد پست‌های یک دوره آموزشی پایتورچ از صفر که توسط تیم هوسم درحال تهیه هست رو در سایت هوسم منتشر می‌کنیم. در این کانال هم انتشار جلسات رو اعلام می‌کنیم.

اولین جلسه، انشالله جمعه (22 فروردین) منتشر خواهد شد.

تلاش می‌کنیم آموزش تعاملی باشه و به سوالات و مشکلات دانشجوها پاسخ بدیم. هر هفته یک یا نهایتا دو جلسه منتشر می‌کنیم تا هم شما زمان برای مطالعه و تمرین داشته باشید و هم ما زمان کافی برای تهیه آموزش خوب داشته باشیم.

آموزش‌ها رایگان هست. همچنین از صفر به آموزش می‌پردازیم.

تمرین هم در آموزش در نظر گرفتیم تا بتونید علاوه بر مطالعه تمرین کنید.

البته، طبق معمول از پیشنهادهای شما هم استقبال می‌کنیم.

در کنار آموزش از صفر پایتورچ، برای دوستان حرفه‌ای هم مطالب مفید در سایت منتشر خواهیم کرد. انشالله اولین پست راه‌اندازی و آموزش شبکه Faster-RCNN خواهد بود.

@pytorch_howsam

#چالش

فیسبوک در کنفرانس CVPR 2020 قراره چالشی رو با عنوان Low Power Computer Vision Challenge برگزار کنه.

هدف این هست که در ویدئوهایی مثل ویدئوی بالا، کاراکترهای موجود در ویدئوها detect و recognize بشن.

بخش جالبش اینه که این کار باید با PyTorch mobile و Raspberry Pi 3Bplus انجام بشه.

سایت مرجع این چالش:
lpcv.ai

این هم لینک مربوط به پایتورچ موبایل:
pytorch.org/mobile/home/

@pytorch_howsam

#پیشرفته

صحبت از پایتورچ موبایل در پست بالا شد. شاید بد نباشه یکم درموردش توضیح بدم.

مراحل کار در تصویر پیوست اومده:
اول، شبکه مدنظرتون رو در کامپیوتر راحت ترین میکنید و مدلش رو ذخیره میکنید.
دوم، اگه میخوایید کوانتیزه کنید با پایتورچ می‌تونید اینکارو انجام بدید. ولی این مرحله دلخواهه. در پست بعدی میگم کوانتیزه برای چی هست و به چه دردی میخوره.
سوم، با torchscript مدل آموزش دیده رو برای موبایل آماده می‌کنید.
چهارم، استفاده از مدل در پروژه‌های موبایلی‌تون...

موبایل‌ها دارای پردازنده‌های با معماری متفاوت نسبت به cpu و gpu هستند. برای همین باید اول مدل رو برای کار در موبایل تبدیل کنیم و بعد ازش استفاده کنیم.

@pytorch_howsam