#مقاله

یک ایده خاص! شبیه ایده ی bag of vectors یا bag of words اما در تصویر!

این مقاله از ویژگی های محلی استفاده کرده و به ارتباط مکانی ویژگی ها کاری ندارد. با این وجود تنها با patchهای ۱۷ در ۱۷ به دقت معادل شبکه الکس نت رسیده است.
در این شبکه هر کلاس یک heatmap خواهد داشت که در نهایت روی میانگین روی هر heatmap تنها تابع فعالیت softmax اعمال میشود.
از مهمترین ویژگی های این شبکه تفسیر پذیری بالای آن است.

"Approximating CNNs with Bag-of-local-Features models works surprisingly well on ImageNet"

A "bag of words" of nets on tiny 17x17 patches suffice to reach AlexNet-level performance on ImageNet.
A lot of the information is very local.

https://news.1rj.ru/str/cvision/984

#مقاله
تفسیر پذیری شبکه ی #BagNet

اطلاعات بیشتر : https://news.1rj.ru/str/cvision/985

#خبر #حقوق
چرا استخدام یک تحلیلگر داده گران است؟! دلیل حقوق 140 هزار دلاری تحلیلگر داده در امریکا...

Data Scientists: Why are they so expensive to hire?
https://www.kdnuggets.com/2019/02/data-scientists-expensive-hire.html

#مقاله #سورس_کد
#face #cvpr2018 #face

یکی از کارهای جدید روی بازشناسی چهره با تمرکز روی زاویه چهره:

Pose-Robust Face Recognition via Deep Residual Equivariant Mapping
https://arxiv.org/abs/1803.00839

This is the public repository for our accepted CVPR 2018 paper "Pose-Robust Face Recognition via Deep Residual Equivariant Mapping"

پیاده سازی این مقاله با پای تورچ است.
🙏Thanks to : @samehraboon

#سیستم_پیشنهادی
Why building your own Deep Learning Computer is 10x cheaper than AWS

https://medium.com/the-mission/why-building-your-own-deep-learning-computer-is-10x-cheaper-than-aws-b1c91b55ce8c

#GPU

#آموزش

from keras.utils import plot_model


برای رسم گرافیکی گراف مدلتان در #keras در ویندوز علاوه بر نصب پکیج مورد تیاز با

conda install pydot graphviz

نیاز دارید مسیر نصب هم در PATH ویندوز اضافه کنید. بمسیر فایل اجرایی در جایی مثل زیر خواهد شد:

C:\Anaconda3\pkgs\graphviz-2.38-hfd603c8_2\Library\bin\graphviz

#سوال ؟
به نظر شما
بر اساس تعریف اینجا:
https://news.1rj.ru/str/cvision/955
بر اساس این گراف مدل ، مدل را symbolic نوشته بودم یا با روش Imperative؟ چرا؟

#مقاله
#batchnorm

Fixup Initialization: Residual Learning Without Normalization

اگر علاقه مندید مدل های عمیق را بدون استفاده از batchnorm آموزش بدید، یا براتون سواله چرا batchnorm می تواند به آموزش مدلهای عمیق کمک کند، مقاله زیر را بررسی کنید!


https://arxiv.org/abs/1901.09321

#دوره_آموزشی
cidas.iasbs.ac.ir

#خبر
AAAI Conference Analytics
People most-cited by AAAI papers shows 25 years of AI history. 1990s greats:

https://www.microsoft.com/en-us/research/project/academic/articles/aaai-conference-analytics/

#آموزش
Keras: Multiple Inputs and Mixed Data
https://www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/

اگر خاطرتان باشد در https://news.1rj.ru/str/cvision/955 گفته شد: "هوشمنداته ترین روش این است که ترکیب پارادایم های imperative و symbolic را استفاده کنید". در این آموزش میتوانید با یک مثال عملی ببینید.

#keras #symbolic #imperative #Multiple_Input

#آموزش #کورس
MIT Deep Learning Basics: Introduction and Overview with TensorFlow

https://medium.com/tensorflow/mit-deep-learning-basics-introduction-and-overview-with-tensorflow-355bcd26baf0?linkId=63206779

🙏Thanks to: @vahidreza01

#کنفرانس #همایش
اولین همایش ملی فناوری های پیشرفته در مهندسی و محیط زیست

http://ateeconf.ir/

#dataset #مجموعه_داده

Flickr-Faces-HQ (FFHQ) is out now. "... 70,000 high-quality PNG images at 1024×1024 resolution and contains considerable variation in terms of age, ethnicity and image background." The dataset used for the Style-GAN paper.

https://github.com/NVlabs/ffhq-dataset

#face #gan

#dataset #مجموعه_داده

Flickr-Faces-HQ (FFHQ) is out now. "... 70,000 high-quality PNG images at 1024×1024 resolution and contains considerable variation in terms of age, ethnicity and image background." The dataset used for the Style-GAN paper.

https://github.com/NVlabs/ffhq-dataset

#face #gan

#آموزش
این آموزش از خیلی جهات به نظرم مفیده.
صورت مساله یه رگرسیون تخمین قیمت خونه است.
نوع دیتاستش که جالبه. که هم داده ی ساختاری یافته داره، مثل اندازه خونه، تعداد اتاق و ... هم تصویر اون خونه ها را داره. که باید جفت این اطلاعات را برای تخمین قیمت استفاده کنیم.
استفاده از کراس هم جالبه اینجا، برای تعریف یکی از شبکه هاش هم از مدل sequential تو keras استفاده کرده. هم از اون مدل sequentialش به عنوان بخشی از تعریف مدل کلیش با functional api کراس استفاده کرده. که اینطوری ترکیب همزمان این دو روش را میشه دید.


https://news.1rj.ru/str/cvision/995

قبلا در اینجا در مورد ONNX یا
#ONNX: Open Neural Network Exchange
نوشتم.

حالا استفاده در مرورگر:

ONNX.js: Universal Deep Learning Models in The Browser
https://towardsdatascience.com/onnx-js-universal-deep-learning-models-in-the-browser-fbd268c67513

مرتبط با:
Open Neural Network eXchange (ONNX) Model Zoo
https://github.com/onnx/models

#خبر

معرفی نسخه جدید کتابخانه پایتون پردازش زبان طبیعی Stanford با قابلیت پشتیبانی از زبان فارسی

دانشگاه استنفورد به تازگی با بروزسانی کتابخانه پردازش زبان طبیعی خود، علاوه بر بهبود هسته پردازشی خود، قابلیت پشتیبانی از ۵۳ زبان مختلف را اضافه کرده است. نکته قابل توجه اضافه شدن پشتیبانی از زبان فارسی می باشد که برای پژوهش گران پردازش زبان طبیعی می‌تواند بسیار ارزشمند باشد.
لیست همه زبان هایی که این کتابخانه مورد پشتیبانی قرار داده را با جزئیات بیشتر می‌توانید در لینک زیر ملاحظه کنید:
https://stanfordnlp.github.io/stanfordnlp/installation_download.html#human-languages-supported-by-stanfordnlp
امکانات دیگر این کتابخانه و نحوه نصب و راه اندازی آن را می‌توانید از این لینک بررسی نمایید:
https://stanfordnlp.github.io/stanfordnlp/index.html

@partdpai

#مقاله آقای دکتر سید خلیق رضوی
Integrated Cognitive Assessment:
Speed and Accuracy of Visual Processing as a Reliable Proxy to Cognitive Performance

https://www.nature.com/articles/s41598-018-37709-x?error=cookies_not_supported&code=043882a0-4e6c-4054-ae16-c00437c2e282

#خبر
TF-Replicator is a framework for distributed ML used by DeepMind and will be part of Tensorflow 2.0 🔥 - Here’s the paper: https://arxiv.org/abs/1902.00465

#tensorflow

#آموزش #صوت
Audio Classification using FastAI and On-the-Fly Frequency Transforms

https://towardsdatascience.com/audio-classification-using-fastai-and-on-the-fly-frequency-transforms-4dbe1b540f89