uz
Feedback
Tensorflow(@CVision)

Tensorflow(@CVision)

Kanalga Telegram’da o‘tish

اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2keras

Ko'proq ko'rsatish

📈 Telegram kanali Tensorflow(@CVision) analitikasi

Tensorflow(@CVision) (@cvision) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 14 939 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 8 686-o'rinni va Eron mintaqasida 21 848-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 14 939 obunachiga ega bo‘ldi.

09 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -92 ga, so‘nggi 24 soatda esa -3 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

  • Tasdiqlash holati: Tasdiqlanmagan
  • Jalb etish (ER): Auditoriya o‘rtacha 0% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 8.37% ini tashkil etuvchi reaksiyalarni to‘playdi.
  • Post qamrovi: Har bir post o‘rtacha 0 marta ko‘riladi; birinchi sutkada odatda 1 250 ta ko‘rish yig‘iladi.
  • Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 0 ta reaksiya keladi.
  • Tematik yo‘nalishlar: Kontent مدل, مصنوعی, llm, استدلال, مغز kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2kera...

Yuqori yangilanish chastotasi (oxirgi ma’lumot 10 Iyun, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.

14 939
Obunachilar
-324 soatlar
-337 kunlar
-9230 kunlar
Obunachilarni jalb qilish
Iyun '26
Iyun '26
+7
0 kanalda
May '26
+22
0 kanalda
Get PRO
Aprel '26
+22
0 kanalda
Get PRO
Mart '26
+8
0 kanalda
Get PRO
Fevral '26
+29
0 kanalda
Get PRO
Yanvar '26
+13
0 kanalda
Get PRO
Dekabr '25
+62
1 kanalda
Get PRO
Noyabr '25
+281
22 kanalda
Get PRO
Oktabr '25
+201
14 kanalda
Get PRO
Sentabr '25
+265
21 kanalda
Get PRO
Avgust '25
+284
16 kanalda
Get PRO
Iyul '25
+165
3 kanalda
Get PRO
Iyun '25
+64
5 kanalda
Get PRO
May '25
+236
9 kanalda
Get PRO
Aprel '25
+123
3 kanalda
Get PRO
Mart '25
+164
10 kanalda
Get PRO
Fevral '25
+153
7 kanalda
Get PRO
Yanvar '25
+136
5 kanalda
Get PRO
Dekabr '24
+100
1 kanalda
Get PRO
Noyabr '24
+247
4 kanalda
Get PRO
Oktabr '24
+353
10 kanalda
Get PRO
Sentabr '24
+239
6 kanalda
Get PRO
Avgust '24
+250
6 kanalda
Get PRO
Iyul '24
+230
7 kanalda
Get PRO
Iyun '24
+182
2 kanalda
Get PRO
May '24
+1 045
16 kanalda
Get PRO
Aprel '24
+533
17 kanalda
Get PRO
Mart '24
+364
3 kanalda
Get PRO
Fevral '24
+453
5 kanalda
Get PRO
Yanvar '24
+753
12 kanalda
Get PRO
Dekabr '23
+837
15 kanalda
Get PRO
Noyabr '23
+416
17 kanalda
Get PRO
Oktabr '23
+223
9 kanalda
Get PRO
Sentabr '23
+296
0 kanalda
Get PRO
Avgust '23
+226
0 kanalda
Get PRO
Iyul '23
+144
0 kanalda
Get PRO
Iyun '23
+229
0 kanalda
Get PRO
May '23
+135
0 kanalda
Get PRO
Aprel '23
+166
0 kanalda
Get PRO
Mart '23
+189
0 kanalda
Get PRO
Fevral '23
+132
0 kanalda
Get PRO
Yanvar '23
+149
0 kanalda
Get PRO
Dekabr '22
+101
0 kanalda
Get PRO
Noyabr '22
+124
0 kanalda
Get PRO
Oktabr '22
+132
0 kanalda
Get PRO
Sentabr '22
+185
0 kanalda
Get PRO
Avgust '22
+231
0 kanalda
Get PRO
Iyul '22
+180
0 kanalda
Get PRO
Iyun '22
+106
0 kanalda
Get PRO
May '22
+347
0 kanalda
Get PRO
Aprel '22
+291
0 kanalda
Get PRO
Mart '22
+74
0 kanalda
Get PRO
Fevral '22
+90
0 kanalda
Get PRO
Yanvar '22
+165
0 kanalda
Get PRO
Dekabr '21
+87
0 kanalda
Get PRO
Noyabr '21
+208
0 kanalda
Get PRO
Oktabr '21
+140
0 kanalda
Get PRO
Sentabr '21
+267
0 kanalda
Get PRO
Avgust '21
+103
0 kanalda
Get PRO
Iyul '21
+167
0 kanalda
Get PRO
Iyun '21
+175
0 kanalda
Get PRO
May '21
+213
0 kanalda
Get PRO
Aprel '21
+147
0 kanalda
Get PRO
Mart '21
+87
0 kanalda
Get PRO
Fevral '21
+270
0 kanalda
Get PRO
Yanvar '21
+86
0 kanalda
Get PRO
Dekabr '20
+6 203
0 kanalda
Sana
Obunachilarni jalb qilish
Esdaliklar
Kanallar
10 Iyun0
09 Iyun0
08 Iyun+1
07 Iyun0
06 Iyun0
05 Iyun+4
04 Iyun0
03 Iyun0
02 Iyun+1
01 Iyun+1
Kanal postlari
گوگل نسخه‌های جدید Gemma 4 را با تکنیک Quantization-Aware Training (QAT) منتشر کرده؛ رویکردی که به‌جای کوانتایز کردن مدل بعد از آموزش (PTQ)، از همان فرآیند آموزش، محدودیت‌های دقت پایین را شبیه‌سازی می‌کند. نتیجه این کار، مدل‌هایی است که با حافظه بسیار کمتر اجرا می‌شوند اما بخش بزرگی از کیفیت نسخه اصلی را حفظ می‌کنند. به گفته گوگل، نسخه موبایلی Gemma 4 E2B حتی می‌تواند با کمتر از ۱ گیگابایت حافظه اجرا شود و برای لپ‌تاپ‌ها، موبایل‌ها و Edge Deviceها گزینه بسیار جذاب‌تری باشد. از طرف دیگر، Unsloth نیز پشتیبانی کامل از این مدل‌ها را اضافه کرده و نشان داده که اگر تبدیل QAT به فرمت‌های اجرایی مانند GGUF به‌درستی انجام شود، می‌توان افت دقت را به حداقل رساند و در عین حال از مزایای اجرای 4-bit بهره برد. این یعنی اجرای مدل‌های بزرگ‌تر روی GPUهای مصرفی و حتی سخت‌افزارهای محدود، بدون قربانی کردن محسوس کیفیت پاسخ‌ها. برای توسعه‌دهندگانی که به اجرای محلی (Local LLM)، Agentها یا اپلیکیشن‌های Edge علاقه دارند، Gemma 4 QAT یکی از مهم‌ترین انتشارهای اخیر محسوب می‌شود. 📚 برای مطالعه بیشتر: 🔹 https://blog.google/innovation-and-ai/technology/developers-tools/quantization-aware-training-gemma-4/ 🔹 https://unsloth.ai/docs/models/gemma-4/qat 🌀 @cvision 🌀

2
🚀 مدل Gemma 4 QAT؛ وقتی کوانتایز شدن دیگر به معنی افت کیفیت نیست ! 🚀
🚀 مدل Gemma 4 QAT؛ وقتی کوانتایز شدن دیگر به معنی افت کیفیت نیست ! 🚀
1 582
3
🔥 SAM 3D Body — Promptable Full-Body Mesh Recovery یک مقاله از Meta AI که از یک single RGB image می‌تواند یک full 3D human b
🔥 SAM 3D Body — Promptable Full-Body Mesh Recovery یک مقاله از Meta AI که از یک single RGB image می‌تواند یک full 3D human body mesh را reconstruct کند. ویژگی مهم این مدل این است که promptable است؛ یعنی علاوه بر حالت automatic، می‌توانید reconstruction را با mask و 2D keypoints هدایت کنید. ✅ Full-body 3D mesh recovery از یک تصویر ✅ Support برای guidance با mask و keypoints ✅ Robust روی تصاویر واقعی ✅ کاربرد در animation، game development، AR/VR و motion capture این مدل در ادامه مسیر SAM نشان می‌دهد که vision foundation models در حال ورود جدی به 3D reconstruction هستند. 🚀 📄 Paper: https://arxiv.org/pdf/2602.15989 💻 Code: https://github.com/facebookresearch/sam-3d-body
2 008
4
📢🎉کد تخفیف ویژه اعضای محترم کانال به مناسبت عید غدیر کد تخفیف 800 هزارتومانی شبکه های عصبی گرافی gnn_ghadir_1405 کد تخفیف 6
📢🎉کد تخفیف ویژه اعضای محترم کانال به مناسبت عید غدیر کد تخفیف 800 هزارتومانی شبکه های عصبی گرافی gnn_ghadir_1405 کد تخفیف 60 درصدی آموزش هوش مصنوعی مولد با مدل‌های زبانی بزرگ (LLM) COUPON-A7EDE کد 70 درصد تخفیف آموزش مدل‌های زبانی-تصویری (VLM): از درک تصویر و ویدیو تا فاین‌تیون پیشرفته COUPON-DDAEC کد تخفیف 70 درصدی آموزش جامع یادگیری عمیق(Deep Learning) با Tensorflow و keras COUPON-5B37A اعتبار تا: 22 خرداد ماه 1405
3 228