تخفیف دوره OpenCV در مکتب خونه به مدت محدود به مدت محدود با لینک زیر

خرید با تخفیف 45 درصدی

نقش هوش مصنوعی پیشرفته و تراشه‌ها در تقویت فرایند تشخیص صدا
https://class.vision/blog/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%aa%d8%b1%d8%a7%d8%b4%d9%87-%d8%b5%d8%af%d8%a7/

کانال منابع برنامه نویسی
با مدیریت فارغ التحصیلان کامپیوتر دانشگاه علم و صنعت ایران
@pythony

#کورس_رایگان #میدجرنی
ویدیوی رایگان کوتاه برای آشنایی با میدجرنی:

https://maktabkhooneh.org/course/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%85%DB%8C%D8%AF%D8%AC%D8%B1%D9%86%DB%8C-midjourney-mk3554/?affiliate=akhavan

این آموزش رایگان، مقدماتی است و اگر قبلا با این ابزار کار کرده اید احتمالا برایتان مفید نباشد.

Introducing Llama 2 from Meta AI on #Kaggle: a collection of pretrained and fine-tuned generative text models ranging in scale from 7 billion to 70 billion parameters.

https://www.kaggle.com/models/metaresearch/llama-2

آناتومی چشم 👀🔬

1⃣ قرنیه: لایه بیرونی و شفاف چشم است که به تمرکز نور در هنگام ورود کمک می‌کند.

2⃣ عنبیه: قسمت رنگی چشم است که با تنظیم اندازه‌ی مردمک، نور دریافتی را تنظیم می‌کند.

3⃣ مردمک: دهانه مدور و سیاه رنگی است که در مرکز عنبیه قرار دارد و اجازه ورود نور را می‌دهد.

4⃣ عدسی: ساختار شفاف و انعطاف‌پذیری است که در پشت عنبیه قرار دارد و مسئول تمرکز نور در پشت چشم است.

5⃣ شبکیه: داخلی‌ترین محفظه لایه چشم است که گیرنده‌های نوری را به سیگنال‌های الکتریکی تبدیل می‌کنند.

6⃣ عصب بینایی: عصبی است که سیگنال‌های الکتریکی را از گیرنده‌های شبکیه به مغز منتقل می‌کند و دیدن را قادر می‌سازد.

📓Credit: Smart Biology
🙏Thanks to: @CognitionWorld

ویدیو جدید جرمی هاوارد در مورد LLM

https://m.youtube.com/watch?v=jkrNMKz9pWU&feature=youtu.be

🤖 آموزش رایگان میدجرنی (Midjourney)


✍️ میدجرنی یک سیستم هوش مصنوعی است که قادر به ترسیم تصاویر بر اساس توصیفات نوشتاری است.

🔻از جمله مزایای استفاده از میدجرنی در هنر نقاشی، دسترسی آسان و سریع به انواع فنون و سبک‌های مختلف نقاشی است.

🧑‍🏫 مدرس: علیرضا اخوان‌پور

🏢 برگزارکننده: کلاس‌ ویژن

📍اطلاعات بیشتر و مشاهده دوره

🔗 https://mktb.me/d5x0/

❇️ یادت نره که این پست رو برای بقیه دوستات که براشون مناسب هست، فوروارد کنی.


🆔 @maktabkhooneh

#مینی_کورس رایگان و #مقدماتی
مناسب برای کسانی که تا حالا با میدجرنی کار نکردند

LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models
21 Sep 2023 ·

paper : https://arxiv.org/pdf/2309.12307v1.pdf
code : https://github.com/dvlab-research/longlora
We present LongLoRA, an efficient fine-tuning approach that extends the context sizes of pre-trained large language models (LLMs), with limited computation cost. Typically, training LLMs with long context sizes is computationally expensive, requiring extensive training hours and GPU resources. For example, training on the context length of 8192 needs 16x computational costs in self-attention layers as that of 2048. In this paper, we speed up the context extension of LLMs in two aspects. On the one hand, although dense global attention is needed during inference, fine-tuning the model can be effectively and efficiently done by sparse local attention. The proposed shift short attention effectively enables context extension, leading to non-trivial computation saving with similar performance to fine-tuning with vanilla attention. Particularly, it can be implemented with only two lines of code in training, while being optional in inference. On the other hand, we revisit the parameter-efficient fine-tuning regime for context expansion. Notably, we find that LoRA for context extension works well under the premise of trainable embedding and normalization. LongLoRA demonstrates strong empirical results on various tasks on LLaMA2 models from 7B/13B to 70B. LongLoRA adopts LLaMA2 7B from 4k context to 100k, or LLaMA2 70B to 32k on a single 8x A100 machine. LongLoRA extends models' context while retaining their original architectures, and is compatible with most existing techniques, like FlashAttention-2. In addition, to make LongLoRA practical, we collect a dataset, LongQA, for supervised fine-tuning. It contains more than 3k long context question-answer pairs.