🚀 کلاس‌ویژن | یادگیری هوش مصنوعی از پایه تا پیشرفته

به نظرتون کد جلسه آخر، برای pix2pix کدام روش بوده است!؟

#آموزش Imperative (or Model Subclassing) APIs این سبک API در ابتدا توسط فریم ورک Chainer در سال 2015 معرفی شد و در سال 2017 چندین چارچوب دیگر آن را به کار گرفت (از جمله موارد ذکر شده در اینجا). در چارچوب Keras، شوله، توسعه دهنده کراس آن را "API Subclassing Model" می نامد. بعضی از افراد می گویند "شما نمیتوانید X در چارچوب Y را اجرا کنید، شما نیاز به چارچوب Z دارید". حتی قبلا هم که همه فریم ورک ها یک api style خاص را پشتیبانی می کردند حرف درستی نبود، اما اکنون که همه این چارچوب ها این api style را پشتیبانی میکنند این ادعا خیلی مسخره تر است! در این استایل شما می توانید کدی از یک کتابخانه را به یه کتابخانه دیگر کپی کرده و با تغییرات جزئی استفاده کنید. این ادعا هم از همان دسته از حرفهای بی پایه و اساس است که مردم ادعا می کنند "اگر شما این مدل را در چارچوب X اجرا کنید بهتر است" - خروجی یک الگوریتم به زبان شما در آن پیاده سازی ربطی ندارد!! هوشمنداته ترین روش این است که ترکیب پارادایم های imperative و symbolic را استفاده کنید، همان روشی که در TF.Keras و Gluon انجام می شود. شما در اغلب موارد مزایای اصلی گراف های کامپایل شده را حفظ می کنید و در عین حال وقتی به انعطاف پذیری گراف پویا نیاز دارید هم دسترسی خواهید داشت. توصیه میکنم style api که اشاره کردم را در توئیت Francois Chollet https://t.me/cvision/953 و مقایسه بین تعریف کردن symbolic مدل با Imperative api در تنسرفلو 2 را در اینجا ببینید. https://t.me/cvision/954 #tensorflow #keras #symbolic #imperative

پردازش اشیاء بصری با مدل‌های مولد http://blog.class.vision/1397/11/visual-object-processing-with-generative-models/ با تشکر از آقای خزاعی

پایتکست – PyText http://blog.class.vision/1397/11/pytext/ با تشکر از آقای قربانی

برای مدت محدود ویدیوهای کورس جرمی هاواراد 2019 را در زیر آپلود کردم که اگر به یوتیوب دسترسی ندارید با اینترنت عادی دانلود کنید. http://deepnn.ir/fastai2019/

#خبر #colab #fastai خبر خوش برای علاقه مندان به کورس fast.ai جرمی هاوراد! از این پس گوگل کولب مستقیم فریم ورک fast.ai هم پشتیبانی می‌کند! برای شروع از آموزش سایت fast.ai میتوانید شروع کنید: https://course.fast.ai/start_colab.html اگر تا کنون با گول کولب کار نکره اید بلاگ پست های فارسی زیر را توصیه میکنم: آشنایی با سرویس ابری Google Colab - نویسنده: المیرا قربانی اتصال مستقیم سرویس کولب (Google Colab) به درایو (Google Drive) از طریق فایل سیستم FUSE - نویسندگان: محیا مهدیان و محمد حسن ستاریان

#خبر #آموزش #کورس نسخه ی 3 کورس fast.ai جرمی هاوارد چند دقیقه پیش منتشر شد و اکنون در دسترس است. اگر ویدیوهای قبلی این مدرس را دیده باشید حتما میدانید در هر سری آموزشی تکنیک های ناب و جالبی را که از تجربه شرکت در چالش های کگل به دست آورده و باعث کسب رتبه های اول شده هم به اشتراک میگذارد. با نگاهی گذرا به کورس امسال متوجه می‌شوید که مطالب نسبت به دو نسخه قبلی به کلی به روز شده و تغییر کرده اند. شدیدا توصیه میکنم مطالبشو از دست ندید👌 Practical Deep Learning for Coders, 2019 edition, is now available. With a shiny new video player with searchable transcripts. This course is 100% new material, including some new techniques and results never previously published. Lesson 1: Image classification Lesson 2: Data cleaning and production; SGD from scratch Lesson 3: Data blocks; Multi-label classification; Segmentation Lesson 4: NLP; Tabular data; Collaborative filtering; Embeddings Lesson 5: Back propagation; Accelerated SGD; Neural net from scratch Lesson 6: Regularization; Convolutions; Data ethics Lesson 7: Resnets from scratch; U-net; Generative (adversarial) networks بلاگ پست خبر: https://www.fast.ai/2019/01/24/course-v3/ لینک به کورس - مطالب و ویدیوها و کد: https://course.fast.ai/

معیار AUC را در مباحث ویژه 1 در مبحث تشخیص چهره دیدیم. این معیار برای مسائل باینری مناسب است ...

#آموزش چگونه در کراس مشکل دیتای imbalance را حل کنیم؟ منبع: کتاب Deep Learning for Computer Vision with Python (Starter Bundle) بخش 22.2 Training the Smile CNN @cvision #keras #imbalance

احتمالا به این مشکل برخوردید بعضی وقتا عکسو که میخونید تک کانالست! بعضی وقت ها int هستش! برخی مواقع uint8 و ... این باعث میشه برای فرمت های مختلف با توابع مختلف که میخونید به دردسر بخورید. تابع imread زیر خیلی میتونه کمکتون کنه:

import skimage
import imageio


def _to_rgb(img):
    w, h = img.shape
    ret = np.empty((w, h, 3), dtype=np.uint8)
    ret[:, :, 0] = ret[:, :, 1] = ret[:, :, 2] = img
    return ret

def imread(image_path): content = imageio.imread(os.path.expanduser(image_path)) if content.ndim == 2: _to_rgb(content) content = skimage.img_as_ubyte(content) return content

تبدیل متن به گفتار فارسی: A convolutional sequence to sequence model for Persian text to speech کد و وزن های آموزش داده شده: https://github.com/AlisterTA/Persian-text-to-speech نمونه خروجی :( با صدای مریم محبوب) https://m.soundcloud.com/12211221212/sets/persian-text-2-speechwoman با صدای آرمان سلطان زاده https://m.soundcloud.com/12211221212/sets/persian-text-2-speech @irandeeplearning

همان طور که احتمالا حدس میزنید، این کار هم با pix2pix آموزش دیده که جلسه آخر خواندیم.

#مقاله #سورس_کد #دیتاست بهتر از هر الگوریتم لبه یابی لبه های تصویر را استخراج کنید! Photo-Sketching: Inferring Contour Drawings from Images (Source code + dataset) [pic: http://www.cs.cmu.edu/~mengtial/proj/sketch/img/Wild-half.jpg ] Photo-Sketching: Inferring Contour Drawings from Images. Interesting data-driven approach to generate contour drawing versions of photos that resemble rough human sketches. Can be a nice way to generate data to train vector drawing models like sketch-rnn. Paper: https://arxiv.org/abs/1901.00542 Code: https://github.com/mtli/PhotoSketch Project Page: http://www.cs.cmu.edu/~mengtial/proj/sketch/ #gan #edge

تبریک میگم. این ترم تنها ترمی بوده که هیچ کسی نمره زیر 10 نداشته است. این ترم 13 نفر نمره ی 20 یا بالای 20 داشتیم...👍

بنده با آقای خالوئی صحبت کردم. فرمودند که گروه های برتر علاقه مند در اسرع وقت در سایت مسابقه ثبت نام کنند و در گام بعدی اسامیشان را به اینجانب بدند که بنده ایمیل کنم, که دیگه صلاحیتشون برای مرحله اول بررسی نشه. سوالات رایج: میتونیم گروه ها و موضوع پروژه را عوض کنیم: بلی. موضوعات چارچوب خاصی دارند؟ بله. در سایت چالش میتوانید نمونه دیتاست و موضوع را ببینید. حوزه هایی مثل فیس - تشخیص سهام بورس، تشخیص کامند. https://t.me/class_vision/529 آیا در چارچوب خاصی آموزش صورت میگیرد؟ برای آموزش مدلتان آزادید از هر سیستمی که دارید استفاده کنید. هیچ محدودیتی نداره.

ضمن تبریک به تمام دانشجویان گرامی، پروژه های برتر بر اساس جمع بندی اعلام داوران و دانشجویان بدین وسیله اعلام میگردد. پروژه های برتر: رتبه 1: car license plate recognition (آقای ستاریان - آقای قریشی) visual object modifying with Generative models (آقای خزاعی) استفاده از RNN language model برای OCR فارسی (خانم برادران - خانم یوسفی - آقای قدوسی) رتبه 2: تشخیص رویداد از ویدیو ( خانم محمدی - خانم دست نبوی) speech emotion recognition ( خانم داوری - خانم مهدیان) رتبه 3: ترجمه ماشینی ( خانم قربانی - خانم ولی پور) 👏👏👏👏 جزئیات نمره های نرمال شده و رتبه های پروژه ها از دید دانشجویان و داوران را در اینجا: https://t.me/class_vision/545 و جزئیات نمرات خام داوران را از اینجا ببنید: https://t.me/class_vision/540 https://t.me/class_vision/541

تمامی نمرات نرمال شد. تبدیل به رتبه شد. در نهایت میانگین نمره دانشجویان با ضریب 2 - هر یک از دو داور بزرگوار با ضریب 1 تاثیر داده شده و ضریب نهایی برای تشکیل رتبه ی نهایی را تشکیل داد. ستون آخر رتبه نهایی است.

مجموع رای یک سری از دانشجویان 80 نمیشد. بعضی ها بیشتر و بعضی کمتر. برای یکسان سازی نمرات داده شده توسط هر فرد به مجموع 100 نرمال شد. نتیجه نرمال شده ارزشیابی پروژه ها توسط دانشجویان

جمع بندی آرای تحلیل و نرمال شده نهایی را ان شاء الله فردا اعلام خواهم کرد.

آرای خام و نرمال نشده ی دو داور بزرگوار اصلی تحویل پروژه امروز، دکتر ابراهیم پور، و آقای نوریان، مدیرعامل سبحه.