همه فرمت های فایل‌های TensorFlow بر اساس پروتکل Buffers گوگل یا Protobuf هستند،
بنابراین درک نحوه کار آنها ارزش دارد.
به طورخلاصه ساختار داده ها را در فایل های متنی تعریف می کنید و ابزارهای protobuf کلاس هایی را در C، Python و دیگر زبان ها بر این اساس برایتان ایجاد می کنند. بر این اساس می توانند به راحتی داده ها را بارگیری، ذخیره نموده و به آن‌ها دسترسی داشته باشند.
در این فیلم به صورت مختصر فرمت json رابا protobuf گوگل مقایسه کرده است.
https://news.1rj.ru/str/cvision/421
___
توضیح مختصر در داکیومنت تنسرفلو:
Protocol Buffers
https://www.tensorflow.org/extend/tool_developers/

هوش مصنوعی با فرهنگ و ادب 🙂
شعرسرایی شبکه عصبی عمیق به زبان پارسی

#deep_learning #LSTM

با عضویت در سایت IBM میتوانید 24 ساعت از پلتفرم PowerAI و GPU server مناسب deep learning استفاده کنید.
http://cocl.us/ML0120EN_NIMBIX_JM

#GPU #powerAI #deep_learning
@Cvision

دموی بازشناسی چهره شرکت Baidu توسط Andrew Ng
این مدل با تصویر فرد فریب نمیخورد
Face Recognition demo - Baidu's face-enabled entrance
#face #Andrew_Ng

#خبر
ورژن جدید تنسرفلو (1.4)، قابلیت تبدیل مدلهای #keras را به #estimator تنسرفلو دارد. با این کار همان قابلیت های سطح بالایEstimator ها ، نظیر آموزش توزیع شده روی cloud و سادگی استفاده از مدلهای keras را همزمان خواهید داشت.

https://cloud.google.com/blog/big-data/2017/12/new-in-tensorflow-14-converting-a-keras-model-to-a-tensorflow-estimator

#tensorflow #tf14 #deep_learning

مثال استفاده از function wrapper برای تبدیل مدل کراس به مدل estimator تنسرفلو

اطلاعات بیشتر:

tf.keras.estimator.model_to_estimator
https://www.tensorflow.org/programmers_guide/estimators

#tf14

سمینار یک روزه یادگیری ماشین دانشگاه تهران
لینک ثبت نام:
https://eventcenter.ir/2293c8i80593

#خبر

استفاده از شبکه های عصبی برای یافتن خودکار بهترین عنوان برای کتاب الکترونیک

https://www.datasciencecentral.com/profiles/blogs/use-neural-networks-to-find-the-best-words-to-noscript-your-ebook

#مجموعه_داده‌ی چالشی برای تشخیص چهره در تغییرات مختلف
WIDER FACE: A Face Detection Benchmark

http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/


#dataset #face #face_detection #Benchmark

وقتی تکنولوژی فوق العاده Intel وارد ال‌کلاسیکو میشه

گل اول بارسلونا رو از دید سرجی روبرتو تماشا کنید

🙏Thanks to: @myzoomit

صحبت های اخیر خانم Fei-Fei Li ‏در TED با ترجمه فارسی.
دکتر Fei-Fei Li سرپرست آزمایشگاه های هوش مصنوعی و بینایی دانشگاه استنفورد است.

فهماندن تصاویر به رایانه ها

https://www.aparat.com/v/dBkqm

توئیت های جالب اخیر پروفسور Fei-Fei Li:
https://alisterta.github.io/2017-12-24/صحبت-های-خانم-Fei-Fei-Li-در-مورد-هوش-مصنوعی-در-سال-2017/

🙏Thanks to: @cyberbully_gng

#deep_learning #vision #fei_fei_li #ted

#خبر
محدودیت های جدید Nvidia برای gpuهای Geforce در agreement

دیتاسنترها اجازه ندارند از geforce استفاده کنند!
http://www.nvidia.com/content/DriverDownload-March2009/licence.php?lang=us&type=GeForce

#خبر
Fastest-Growing Jobs
شغل های با بیشترین نرخ رشد به گزارش لینکدین

https://www.forbes.com/sites/louiscolumbus/2017/12/11/linkedins-fastest-growing-jobs-today-are-in-data-science-machine-learning/

#آموزش #منابع #دانلود_کورس
مطالب مورد نیاز برای کورس دیپ لرنینگ andrew ng.
اسلایدها - نوت بوک ها - کوییزهای 4 کورس اول از deep learning specialization مربوط به andrew ng بدون پاسخ و با محتوای ورد نیاز شامل تست کیس ها...

deeplearning.ai , By #Andrew_Ng, All slide and notebook + data (without solution) and video link

https://github.com/shahariarrabby/deeplearning.ai

#آموزش #منابع #دانلود_کورس

همان طور که میدانید پروفسور Andrew Ng پنج کورس یادگیری عمیق در سایت coursera تحت عنوان deep learning specialization ارائه کرده اند.
https://www.coursera.org/specializations/deep-learning
در صورتی که تمایلی ندارید دراین دوره ها عضو شوید, میتوانید فیلم ها و محتوای آموزشی این دوره ها را یکجا دانلود کنید.
—---------—

دانلود دوره اول – شبکه های عصبی Andrew Ng
http://muniversity.ir/neural-networks-deep-learning/

دانلود دوره دوم - ( تنظیم پارامترهای شبکه عصبی)
http://muniversity.ir/deep-neural-network/

دانلود دوره سوم - انجام پروژه های یادگیری ماشین

http://muniversity.ir/machine-learning-projects/

دانلود دوره چهارم - «شبکه های عصبی کانولوشنال»
http://muniversity.ir/convolutional-neural-networks/

—---------
محتوای آموزشی شامل کوییز ها- اسلایدها و نوت بوکهای این کورسها
https://news.1rj.ru/str/cvision/438


#deep_learning #andrew_ng

برخی از مسائل مهم سال ۲۰۱۷ در حوزهٔ یادگیری ماشین اینجا جمع شدن:
http://www.wildml.com/2017/12/ai-and-deep-learning-in-2017-a-year-in-review/

#deep_learning

#آموزش #منابع #کورس
سایت Udacity.com پیش نمایش رایگان برخی از برنامه های Nano degree های خود را طی روزهای آینده به رایگان در اختیار عموم قرار میدهد.
از این بین دوره 500 دلاری deep learning که به تازگی منتشر شده نیز قرار دارد که قرار است در 6 روز آینده در دسترس قرار بگیرد.


https://www.udacity.com/new-year

یان گودفلو: دانشگاه MIT هیچ وقت جوابمو نداد، کارنگی ملون ردم کرد. دانشگاه تورنتو من رو پذیرفت ولی نه برای اینکه با استاد مورد نظرم کار کنم. بنیاد ملی علوم و برنامهٔ تحقیقاتیش (GRFP) از من با افتخار یاد کردن ولی پولی به من ندادن. اجازه ندید شکست‌های موقت ناامیدتون کنه.

https://twitter.com/goodfellow_ian/status/950773136701603840

#آموزش
Multi-task learning
فرض کنید در هر تصویر ورودی چندین شئ ظاهر میشود و میخواهیم وجود یا عدم وجود هر 4 شئ را اعلام کنیم.
روش اولی که به ذهن میرسد آموزش 4 طبقه بند مجزا برای هر یک از کلاس ها و اعمال این 4 طبقه بند بر روی هر تصویر ورودی است.
روش بهتری که وجود دارد آموزش یک شبکه عصبی واحد برای هر چهار کلاس است. برای این مثال در لایه ی آخر چهار نوران خواهیم داشت و به جای softmax باید از logistic loss استفاده کنیم که هر نوران احتمال حضور و عدم حضور شی مربوطه را اعلام کند. در این حالت طبیعتا دیگر جمع نوران ها 1 نخواهد بود و امکان 1 شدن همزمان هر 4 نوران وجود دارد (هر 4 شی در تصویر با احتمال 100 درصد تشخیص داده شوند.)

جدا از بحث بهبود سرعت پردازش این روش کارایی بیشتر و در نتیجه خطای کمتری برای هر 4 تسک به ما میدهد، چرا که لایه های ابتدایی شبکه عصبی ما ویژگی های مشترکی از تصاویر استخراج میگند و با این روش دیتاست ما تعداد تصویر بیشتری خواهد داشت.

توصیه میکنم این ویدیوی Andrew Ng در رابطه با Multi task learning را ببینید:
http://bit.ly/2mJpG6r

🤔When multi-task learning makes sense❓

✔️Training on a set of tasks that could benefit from having shared lower-level features.
✔️Usually: Amount of data you have for each task is quite similar.
✔️Can train a big enough neural network to do well on all the tasks.

#multitask_learning #deep_learning

CNN that simultaneously performs #face_detection, #landmarks_localization, #pose_estimation, #gender_recognition, #smile_detection, #age_estimation and face #identification and #verification.

#face

#مقاله
در برخی از ویژگی های مربوط به چهره، دیتاست بزرگ برای آموزش کامل شبکه های عمیق در دسترس نیست، با توجه به شباهت ویژگیها در تسکهای مرتبط با چهره، این مقاله یک شبکه واحد برای آموزش تمام این تسکها در نظر گرفته و در نتیجه با افزایش داده حاصل از ترکیب دیتاست های مختلف در این حوزه شبکه در بسیاری از موارد به کارایی بالاتر از مدلهای مشابه شبکه تک کاربرده دست یافته است. بدین صورت لایه های پایینتر شبکه به خوبی برای استخراج ویژگیهای چهره آموزش میبینند.
[مرتبط با: https://news.1rj.ru/str/cvision/446]


An All-In-One Convolutional Neural Network for Face Analysis
http://ieeexplore.ieee.org/abstract/document/7961718/

در این مقاله تسک های مرتبط با چهره انسان را به دو دسته‌ی مستقل از سوژه و مرتبط با سوژه تقسیم کرده است.

1) وظایف مستقل، شامل تشخیص چهره، نقطه های کلیدی چهره، محلی سازی، پیش بینی لبخند،
2) وظایف وابسته، شامل برآورد سن، پیش بینی جنسیت و بازشناسی چهره.
در این شبکه وظایف مستقل از سوژه از لایه های پایین تر این شبکه کانولوشنال ورودی گرفته و وظایف وابسته به سوژه از آخرین لایه شبکه ورودی خود را برای محاسبه خروجی و تابع هزینه هر تسک استفاده کرده اند.

#multitask_learning #face #convolutional_neutral_network #deep_learning