#Narrow | #Weak | #Strong | #General #AI
#Super_Intelligence
توئیت های زیادی از افرادی مثل Chollet به اظهار نظر در مورد General/Strong AI و اینکه چه قدر ازش فاصله داریم پرداخته میشه.
ممکنه افرادی در گروه باشند که با این واژه ها آشنا نباشند.
پودمان 5 کتاب دانش فنی هنرستان تحت عنوان"کاربرد هوش مصنوعی" این عبارت را خیلی خلاصه و ساده توضیح داده است.
معرفی این مفاهیم در دبیرستان تحسین بر انگیزه👏👏👏
http://chap.sch.ir/sites/default/files/lbooks/97-98/949/123-156-C212287.pdf
#Super_Intelligence
توئیت های زیادی از افرادی مثل Chollet به اظهار نظر در مورد General/Strong AI و اینکه چه قدر ازش فاصله داریم پرداخته میشه.
ممکنه افرادی در گروه باشند که با این واژه ها آشنا نباشند.
پودمان 5 کتاب دانش فنی هنرستان تحت عنوان"کاربرد هوش مصنوعی" این عبارت را خیلی خلاصه و ساده توضیح داده است.
معرفی این مفاهیم در دبیرستان تحسین بر انگیزه👏👏👏
http://chap.sch.ir/sites/default/files/lbooks/97-98/949/123-156-C212287.pdf
Optimizing TensorFlow Models for Serving
https://medium.com/google-cloud/optimizing-tensorflow-models-for-serving-959080e9ddbf
https://medium.com/google-cloud/optimizing-tensorflow-models-for-serving-959080e9ddbf
Medium
Optimizing TensorFlow Models for Serving
In the world of machine learning, a lot of attention is paid to optimizing training. There is a lot less information on optimizing serving.
#آموزش
پارامتر مربوط به regularization وزنها در Keras چیست؟!
#kernel_regularizer vs #activity_regularizer
اگر در مستندات مرتبط کراس نگاه کنید
سه پارامتر برای regularizer در این فریم ورک معرفی شده است:
-kernel_regularizer
-bias_regularizer
-activity_regularizer
برای مثال
خب پارامتر bias_regularizer که بر روی وزنهای بایاس است و معمولا به دلیل ابعاد کم استفاده نمیشود.
اما دو پارامتر دیگر چیستند؟ کدام پارامتر برای استفاده از l2 regularization معروف به weight decay است؟
احتمالا با روش L2 Regularization به عنوان روشی برای جلوگیری از overfitting آشنا هستید.
دوستانی که دیپ لرنینگ را با کورس های اندروانگ دنبال کردند
در کورس دوم Deep learning specialization که توسط Andrew Ng تحت عنوان Improving Deep Neural Networks, Hyperparameter tuning, Regularization and Optimization ارائه شد در روش های مختلف Regularization ایشون روشی را با نام L2 regularization معرفی کردند.
روشی که در این کورس مطرح شد و سایر منابع معمولا مطرح میکنند پنالتی بر روی وزنهای شبکه است که قبلا در فریم ورک کراس با پارامتر weight_regularizer بود...
اما این فریم ورک در نسخه ی فعلیش پارامتر weight_regularizer را ندارد و دو پارامتر به نامهای
▪️kernel_regularizer
▪️activity_regularizer
اضافه کرده است.
از بین این پارامتر ها kernel_regularizer در واقع همان weight_regularizer یا روش weigh-decay است که در منابعی مثل کورس اندرو انگ مطرح شدند و پنالتی را بر روی وزنهای شبکه اعمال میکند.
اما activity_regularizer که در کورس اندروانگ توضیح داده نشده ولی کراس آن را پیاده سازی کرده روشی است که پنالتی را بر روی خروجی هر لایه(بعد از تابع فعالیت) اعمال میکند! نکته ی مهم اینکه این روش از قبل نسخه ۲.۱.۴ باگ داشته و اگر میخواهید استفاده کنید باید نسخه کراس شما به روز باشد.
در مورد روش دوم در این لینک کمی توضیح داده شده است:
https://datascience.stackexchange.com/questions/15187/regularization-practice-with-anns/15195#15195
این مطلب در stackoverflow هم مرتبطه با ابهامی که بیان کردم:
https://stackoverflow.com/questions/44495698/keras-difference-between-kernel-and-activity-regularizers
#regularization
پارامتر مربوط به regularization وزنها در Keras چیست؟!
#kernel_regularizer vs #activity_regularizer
اگر در مستندات مرتبط کراس نگاه کنید
سه پارامتر برای regularizer در این فریم ورک معرفی شده است:
-kernel_regularizer
-bias_regularizer
-activity_regularizer
برای مثال
from keras import regularizers
model.add(Dense(64, input_dim=64,
kernel_regularizer=regularizers.l2(0.01),
activity_regularizer=regularizers.l1(0.01)))خب پارامتر bias_regularizer که بر روی وزنهای بایاس است و معمولا به دلیل ابعاد کم استفاده نمیشود.
اما دو پارامتر دیگر چیستند؟ کدام پارامتر برای استفاده از l2 regularization معروف به weight decay است؟
احتمالا با روش L2 Regularization به عنوان روشی برای جلوگیری از overfitting آشنا هستید.
دوستانی که دیپ لرنینگ را با کورس های اندروانگ دنبال کردند
در کورس دوم Deep learning specialization که توسط Andrew Ng تحت عنوان Improving Deep Neural Networks, Hyperparameter tuning, Regularization and Optimization ارائه شد در روش های مختلف Regularization ایشون روشی را با نام L2 regularization معرفی کردند.
روشی که در این کورس مطرح شد و سایر منابع معمولا مطرح میکنند پنالتی بر روی وزنهای شبکه است که قبلا در فریم ورک کراس با پارامتر weight_regularizer بود...
اما این فریم ورک در نسخه ی فعلیش پارامتر weight_regularizer را ندارد و دو پارامتر به نامهای
▪️kernel_regularizer
▪️activity_regularizer
اضافه کرده است.
از بین این پارامتر ها kernel_regularizer در واقع همان weight_regularizer یا روش weigh-decay است که در منابعی مثل کورس اندرو انگ مطرح شدند و پنالتی را بر روی وزنهای شبکه اعمال میکند.
اما activity_regularizer که در کورس اندروانگ توضیح داده نشده ولی کراس آن را پیاده سازی کرده روشی است که پنالتی را بر روی خروجی هر لایه(بعد از تابع فعالیت) اعمال میکند! نکته ی مهم اینکه این روش از قبل نسخه ۲.۱.۴ باگ داشته و اگر میخواهید استفاده کنید باید نسخه کراس شما به روز باشد.
در مورد روش دوم در این لینک کمی توضیح داده شده است:
https://datascience.stackexchange.com/questions/15187/regularization-practice-with-anns/15195#15195
این مطلب در stackoverflow هم مرتبطه با ابهامی که بیان کردم:
https://stackoverflow.com/questions/44495698/keras-difference-between-kernel-and-activity-regularizers
#regularization
GitHub
Fix activity regularizer + model composition test · keras-team/keras@c42f9b0
Deep Learning for humans. Contribute to keras-team/keras development by creating an account on GitHub.
#آموزش
پارامتر مربوط به regularization وزنها در Keras چیست؟!
#kernel_regularizer vs #activity_regularizer
https://news.1rj.ru/str/cvision/1219
#keras #tensorflow2 #regularization
پارامتر مربوط به regularization وزنها در Keras چیست؟!
#kernel_regularizer vs #activity_regularizer
https://news.1rj.ru/str/cvision/1219
#keras #tensorflow2 #regularization
#سورس_کد
image similarity deep ranking
در این مخرن، کدهایی برای آموزش دادن ranking به یک شبکه عمیق با هدف یافتن تصاویر مشابه آورده شده است.
این تسک با طبقه بندی تفاوت دارد، مثلا ممکن است سه ماشین در یک خیابان با رنگهای مشکی، سفید و قرمز پارک باشد، از دید طبقه بند هر سه خودرو هستند، از دید شبکه ranking ماشین مشکی در جست و جو به ماشین مشکی تصویر نزدیکتر خواهد بود...
https://github.com/akarshzingade/image-similarity-deep-ranking
image similarity deep ranking
در این مخرن، کدهایی برای آموزش دادن ranking به یک شبکه عمیق با هدف یافتن تصاویر مشابه آورده شده است.
این تسک با طبقه بندی تفاوت دارد، مثلا ممکن است سه ماشین در یک خیابان با رنگهای مشکی، سفید و قرمز پارک باشد، از دید طبقه بند هر سه خودرو هستند، از دید شبکه ranking ماشین مشکی در جست و جو به ماشین مشکی تصویر نزدیکتر خواهد بود...
https://github.com/akarshzingade/image-similarity-deep-ranking
GitHub
GitHub - akarshzingade/image-similarity-deep-ranking
Contribute to akarshzingade/image-similarity-deep-ranking development by creating an account on GitHub.
#مجموعه_داده
Awesome Public Datasets
این ریپو دیتاست های مختلف در زمینه های مختلف را از سوال و جواب های اینترنتی، بلاگ پست ها و ... جمع آوری و لیست کرده است.
https://github.com/awesomedata/awesome-public-datasets
Awesome Public Datasets
این ریپو دیتاست های مختلف در زمینه های مختلف را از سوال و جواب های اینترنتی، بلاگ پست ها و ... جمع آوری و لیست کرده است.
https://github.com/awesomedata/awesome-public-datasets
GitHub
GitHub - awesomedata/awesome-public-datasets: A topic-centric list of HQ open datasets.
A topic-centric list of HQ open datasets. Contribute to awesomedata/awesome-public-datasets development by creating an account on GitHub.
#مقاله #سورس_کد #ویدیو
#morphnet
MorphNet: Towards Faster and Smaller Neural Networks
در واقع میتوان این مقاله را نوعی روش بهینه سازی شبکه فرض کرد.
در این روش با تعریف Regularization روی منابعی مثل تعداد FLOPها در زمان inference شبکه یا حجم نهایی مدل شبکه های موجود با افت حداقلی درصد یا در خیلی از موارد بدون افت دقت شبکه ی بهینه تر خروجی خواهید گرفت.
مثلا ممکنه در شبکه ی resnet این روش تصمیم بگیره فقط skip-connection باقی بماند و بلاک resnet آن قسمت کلا حذف شود (این تصویر گویا است). یا در معماری Inception خیلی از موازی ها را پاک کند.
* The method was first introduced in #CVPR 2018,
* A overview of the approach as well as new device-specific latency regularizers were prestend in #GTC 2019
🔗Blog post:
https://ai.googleblog.com/2019/04/morphnet-towards-faster-and-smaller.html
🔗MorphNet paper :
https://arxiv.org/pdf/1711.06798.pdf
🔗Source code(#tensorflow ):
https://github.com/google-research/morph-net
🔗slides:
https://github.com/google-research/morph-net/blob/master/g3doc/MorphNet_GTC2019.pdf
🔗Recording and #Video:
https://youtu.be/UvTXhTvJ_wM
https://on-demand.gputechconf.com/gtc/2019/video/_/S9645/
#morphnet
MorphNet: Towards Faster and Smaller Neural Networks
در واقع میتوان این مقاله را نوعی روش بهینه سازی شبکه فرض کرد.
در این روش با تعریف Regularization روی منابعی مثل تعداد FLOPها در زمان inference شبکه یا حجم نهایی مدل شبکه های موجود با افت حداقلی درصد یا در خیلی از موارد بدون افت دقت شبکه ی بهینه تر خروجی خواهید گرفت.
مثلا ممکنه در شبکه ی resnet این روش تصمیم بگیره فقط skip-connection باقی بماند و بلاک resnet آن قسمت کلا حذف شود (این تصویر گویا است). یا در معماری Inception خیلی از موازی ها را پاک کند.
* The method was first introduced in #CVPR 2018,
* A overview of the approach as well as new device-specific latency regularizers were prestend in #GTC 2019
🔗Blog post:
https://ai.googleblog.com/2019/04/morphnet-towards-faster-and-smaller.html
🔗MorphNet paper :
https://arxiv.org/pdf/1711.06798.pdf
🔗Source code(#tensorflow ):
https://github.com/google-research/morph-net
🔗slides:
https://github.com/google-research/morph-net/blob/master/g3doc/MorphNet_GTC2019.pdf
🔗Recording and #Video:
https://youtu.be/UvTXhTvJ_wM
https://on-demand.gputechconf.com/gtc/2019/video/_/S9645/
Telegram
Tensorflow
MorphNet: Towards Faster and Smaller Neural Networks
https://news.1rj.ru/str/cvision/1223
https://news.1rj.ru/str/cvision/1223
#منبع #کورس #آموزش
آخرین تاریخ بهروزرسانی: 3 آوریل 2019
#cs230
Stanford Deep Learning (CS230) Lectures are now accessible on Youtube and the CS230 website.
Topics:
- Lecture 1: Introduction to CS230
- Lecture 2: Deep Learning Intuition
- Lecture 3: Full Cycle of a Deep Learning Project
- Lecture 4: Adversarial Attacks & Generative Adversarial Networks
- Lecture 5: AI + Healthcare
- Lecture 6: Deep Learning Project Strategy
- Lecture 7: Interpretability of Neural Networks
- Lecture 8: Career Advice & Reading Research Papers
- Lecture 9: Deep Reinforcement Learning
- Lecture 10: Chatbots & Closing Remarks
CS230 website:
http://cs230.stanford.edu/lecture/
Youtube link:
https://www.youtube.com/playlist?list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb
مرتبط با: https://news.1rj.ru/str/cvision/1180
آخرین تاریخ بهروزرسانی: 3 آوریل 2019
#cs230
Stanford Deep Learning (CS230) Lectures are now accessible on Youtube and the CS230 website.
Topics:
- Lecture 1: Introduction to CS230
- Lecture 2: Deep Learning Intuition
- Lecture 3: Full Cycle of a Deep Learning Project
- Lecture 4: Adversarial Attacks & Generative Adversarial Networks
- Lecture 5: AI + Healthcare
- Lecture 6: Deep Learning Project Strategy
- Lecture 7: Interpretability of Neural Networks
- Lecture 8: Career Advice & Reading Research Papers
- Lecture 9: Deep Reinforcement Learning
- Lecture 10: Chatbots & Closing Remarks
CS230 website:
http://cs230.stanford.edu/lecture/
Youtube link:
https://www.youtube.com/playlist?list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb
مرتبط با: https://news.1rj.ru/str/cvision/1180
cs230.stanford.edu
Lectures
These are Lecture videos from the Fall 2018 offering of CS 230. Lecture recordings from the current offering will be recorded and uploaded to “Panopto Course videos” on Canvas. These recordings are available to enrolled students only.
#خبر
دوربین های نظارتی امنیتی مجهز به بازشناسی چهره لندن در سال 2016 تا 2018 حدود 96 درصد موارد خطا داشتند...
Facial-recognition systems used by London police were wrong 96% of the time between 2016 and 2018, new data finds. "In one incident, a 14-year-old black child in school uniform was stopped and fingerprinted by police after being misidentified"
https://inews.co.uk/news/technology/met-polices-facial-recognition-technology-96-inaccurate/
🙏Thanks to: @samehraboon
#face
دوربین های نظارتی امنیتی مجهز به بازشناسی چهره لندن در سال 2016 تا 2018 حدود 96 درصد موارد خطا داشتند...
Facial-recognition systems used by London police were wrong 96% of the time between 2016 and 2018, new data finds. "In one incident, a 14-year-old black child in school uniform was stopped and fingerprinted by police after being misidentified"
https://inews.co.uk/news/technology/met-polices-facial-recognition-technology-96-inaccurate/
🙏Thanks to: @samehraboon
#face
inews.co.uk
Met police's facial recognition technology '96% inaccurate'
Facial recognition technology used by the Metropolitan police has a 96 per cent misidentification rate, civil liberties group Big Brother Watch claims
Forwarded from Zoomit | زومیت
🔔 بهروزرسانی درایور انویدیا باعث افزایش میزان استفاده از پردازنده شد
بهروزرسانی جدید درایور گرافیکی انویدیا نسخهی WHQL 430.39 باعث اشکالات متعددی شامل بالا رفتن CPU Usage شده است.
در زومیت بخوانید:
📎 http://bit.ly/2VcF1iX
@myzoomit
بهروزرسانی جدید درایور گرافیکی انویدیا نسخهی WHQL 430.39 باعث اشکالات متعددی شامل بالا رفتن CPU Usage شده است.
در زومیت بخوانید:
📎 http://bit.ly/2VcF1iX
@myzoomit
#آموزش
An Overview of Human Pose Estimation with Deep Learning
https://medium.com/beyondminds/an-overview-of-human-pose-estimation-with-deep-learning-d49eb656739b
#pose
An Overview of Human Pose Estimation with Deep Learning
https://medium.com/beyondminds/an-overview-of-human-pose-estimation-with-deep-learning-d49eb656739b
#pose
Medium
An Overview of Human Pose Estimation with Deep Learning
An introduction to the techniques used in Human Pose Estimation based on Deep Learning.
#سورس_کد #آموزش
پیاده سازی مقاله Fast-SCNN با تنسرفلو 2 + توضیحات
Fast Segmentation Convolutional Neural Network (Fast-SCNN)
Fast-SCNN explained and implemented using Tensorflow 2.0
https://medium.com/deep-learning-journals/fast-scnn-explained-and-implemented-using-tensorflow-2-0-6bd17c17a49e
مقاله اصلی:
https://arxiv.org/abs/1902.04502
#segmentation
پیاده سازی مقاله Fast-SCNN با تنسرفلو 2 + توضیحات
Fast Segmentation Convolutional Neural Network (Fast-SCNN)
Fast-SCNN explained and implemented using Tensorflow 2.0
https://medium.com/deep-learning-journals/fast-scnn-explained-and-implemented-using-tensorflow-2-0-6bd17c17a49e
مقاله اصلی:
https://arxiv.org/abs/1902.04502
#segmentation
Medium
Fast-SCNN explained and implemented using Tensorflow 2.0
Fast Segmentation Convolutional Neural Network (Fast-SCNN) is an above real-time semantic segmentation model on high resolution image data…
Media is too big
VIEW IN TELEGRAM
Cutting Edge TensorFlow: New Techniques (Google I/O'19)
تاریخ انتشار 9 می 2019 (دیروز)
This session will take you through 4 of the hottest from #Hyperparameter_Tuning with #Keras_Tuner to Probabilistic Programming to being able to rank your data with learned ranking techniques and TF-Ranking. Finally, you will look at TF-Graphics that brings 3D functionalities to #TensorFlow.
مرتبط با : https://news.1rj.ru/str/cvision/1231
تاریخ انتشار 9 می 2019 (دیروز)
This session will take you through 4 of the hottest from #Hyperparameter_Tuning with #Keras_Tuner to Probabilistic Programming to being able to rank your data with learned ranking techniques and TF-Ranking. Finally, you will look at TF-Graphics that brings 3D functionalities to #TensorFlow.
مرتبط با : https://news.1rj.ru/str/cvision/1231
cutting_edge_tensorflow_keras_tuner.pdf
3.7 MB
#اسلاید #keras
Slides of the Keras Tuner presentation at #io19
مرتبط با https://news.1rj.ru/str/cvision/1230
#Keras_Tuner
Slides of the Keras Tuner presentation at #io19
مرتبط با https://news.1rj.ru/str/cvision/1230
#Keras_Tuner
#خبر
پیدا کردن هایپرپارامتر بهینه در keras با Keras Tuner یکی از قابلیت جدید معرفی شده در Google I/O 2019 دیروز
دیروز 9 می 2019 در کنفرانس و Google I/O'19 در نشست Cutting Edge TensorFlow چهار ویژگی جدید تنسرفلو معرفی شد.
اولین معرفی این نشست به Keras Tuner اختصاص داشت.
پیدا کردن بهترین کارایی و مدل بهینه کار آسونی نیست، پیدا کردن سایز مینی بچ، پیدا کرن lr مناسب، تعداد لایه ها و ...
این فریم ورک که تازه معرفی شده و هنوز رسما منتشر نشده و در فاز آلفا است به منظور تسهیل در پیدا کردن هایپرپارامترهای شبکه در #Keras است.
فیلم این نشست را از اینجا https://news.1rj.ru/str/cvision/1230
و اسلاید مرتبط با Keras Tuner و نمونه کدها را از اینجا https://news.1rj.ru/str/cvision/1231 مشاهده کنید.
#Keras_Tuner
پیدا کردن هایپرپارامتر بهینه در keras با Keras Tuner یکی از قابلیت جدید معرفی شده در Google I/O 2019 دیروز
دیروز 9 می 2019 در کنفرانس و Google I/O'19 در نشست Cutting Edge TensorFlow چهار ویژگی جدید تنسرفلو معرفی شد.
اولین معرفی این نشست به Keras Tuner اختصاص داشت.
پیدا کردن بهترین کارایی و مدل بهینه کار آسونی نیست، پیدا کردن سایز مینی بچ، پیدا کرن lr مناسب، تعداد لایه ها و ...
این فریم ورک که تازه معرفی شده و هنوز رسما منتشر نشده و در فاز آلفا است به منظور تسهیل در پیدا کردن هایپرپارامترهای شبکه در #Keras است.
فیلم این نشست را از اینجا https://news.1rj.ru/str/cvision/1230
و اسلاید مرتبط با Keras Tuner و نمونه کدها را از اینجا https://news.1rj.ru/str/cvision/1231 مشاهده کنید.
#Keras_Tuner
#آموزش
Computer graphics pioneer @AndrewGlassner's overview of Deep Learning is three hours well spent. (link: https://youtu.be/tAOlJ-jcVIY) youtu.be/tAOlJ-jcVIY)
🙏 Thanks to: @MH_Sattarian
Computer graphics pioneer @AndrewGlassner's overview of Deep Learning is three hours well spent. (link: https://youtu.be/tAOlJ-jcVIY) youtu.be/tAOlJ-jcVIY)
🙏 Thanks to: @MH_Sattarian
#خبر
Startups Are Racing to Commercialize DeepFakes’ Powerful, Internet-Breaking AI
https://medium.com/fast-company/startups-are-racing-to-commercialize-deepfakes-powerful-internet-breaking-ai-141e405e9447
مرتبط با مطالب:
ویدئوی جعلی از باراک اوباما
https://news.1rj.ru/str/cvision/532
تبدیل حالات چهره توسط یادگیری عمیق (#virtual_talking)
https://news.1rj.ru/str/cvision/349
https://news.1rj.ru/str/cvision/350
تبدیل صوت شما به صوت فرد دیگر با یادگیری عمیق!
https://news.1rj.ru/str/cvision/377
Startups Are Racing to Commercialize DeepFakes’ Powerful, Internet-Breaking AI
https://medium.com/fast-company/startups-are-racing-to-commercialize-deepfakes-powerful-internet-breaking-ai-141e405e9447
مرتبط با مطالب:
ویدئوی جعلی از باراک اوباما
https://news.1rj.ru/str/cvision/532
تبدیل حالات چهره توسط یادگیری عمیق (#virtual_talking)
https://news.1rj.ru/str/cvision/349
https://news.1rj.ru/str/cvision/350
تبدیل صوت شما به صوت فرد دیگر با یادگیری عمیق!
https://news.1rj.ru/str/cvision/377
Medium
Startups Are Racing to Commercialize DeepFakes’ Powerful, Internet-Breaking AI
A slew of startups are using AI to push the boundaries of media manipulation—and they all promise to have ethics in mind
Handling Imbalanced Datasets in Deep Learning
#آموزش
دو روش مرسوم در با دیتابیس هایی که تعداد نمونه ها در کلاس های مختلف به شدت متفاوت است و اصطلاحا با imbalanced data مواجهیم به کار میبریم.
روش نخست Weight balancing
روش دوم Over sampling و under sampling
است.
قبلا در این پست نمونه کد Weight balancing برای مواجه با imbalance data را در keras آورده بودیم:
https://news.1rj.ru/str/cvision/937
اگر میخواهید این دو روش را بخوانید پست زیر را ببنید:
https://towardsdatascience.com/handling-imbalanced-datasets-in-deep-learning-f48407a0e758
#imbalance
#آموزش
دو روش مرسوم در با دیتابیس هایی که تعداد نمونه ها در کلاس های مختلف به شدت متفاوت است و اصطلاحا با imbalanced data مواجهیم به کار میبریم.
روش نخست Weight balancing
روش دوم Over sampling و under sampling
است.
قبلا در این پست نمونه کد Weight balancing برای مواجه با imbalance data را در keras آورده بودیم:
https://news.1rj.ru/str/cvision/937
اگر میخواهید این دو روش را بخوانید پست زیر را ببنید:
https://towardsdatascience.com/handling-imbalanced-datasets-in-deep-learning-f48407a0e758
#imbalance
Telegram
Tensorflow(@CVision)
#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
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
توئیت توسعه دهنده کراس در مورد #keras_tuner
#Keras_Tuner is a new hyperparameter optimization framework for Keras models, made at Google, with a hosted service for visualization & analysis. You can sign up now!
https://services.google.com/fb/forms/kerastuner/
مطلب مرتبط + اسلاید + فیلم:
https://news.1rj.ru/str/cvision/1232
#Keras_Tuner is a new hyperparameter optimization framework for Keras models, made at Google, with a hosted service for visualization & analysis. You can sign up now!
https://services.google.com/fb/forms/kerastuner/
مطلب مرتبط + اسلاید + فیلم:
https://news.1rj.ru/str/cvision/1232