https://virgool.io/feed/@Z.Poorghorban fa 2026-06-10 13:00:47 https://static.virgool.io/images/default-avatar.jpg https://virgool.io/@Z.Poorghorban https://virgool.io/dataio/%D8%B9%D8%A8%D8%A7%D8%B1%D8%AA-ilsvrc-k6yzblg7irv4 عبارت ILSVRC چیست؟عبارت ImageNet Large Scale Visual Recognition Challenger یا به صورت کوتاه ILSVRC یک رقابت سالانه از سال ٢٠١٠ تا ٢٠١٧ با هدف توسعه و بهبود تکنیک های بینایی کامپیوتر بر روی دیتاست ImageNet است.چالش های کلی این رقابت می توان به برچسب گذاری تصویر (Image classification)، طبقه بندی اشیا و نمایش مستطیل، محدوده ی یک نمونه از شی حاضر در تصویر(Single-object localization)، طبقه بندی اشیا و نمایش مستطیل محدوده ی تمام اشیا حاضر در تصویر(Object detection) اشاره کرد.پر تکرارترین سوال: آیا برای طراحی مدل های یادگیری عمیق قاعده و قانونی وجود دارد؟خیر، متاسفانه در حال حاضر برای طراحی مدل های یادگیری عمیق قاعده و قانونی وجود ندارد و بر طبق نظر بزرگان این زمینه تنها راه حل، مطالعه تاریخچه معماری های معرفی شده و ایده گرفتن از آن ها است. با توجه به سوال فوق، هدف از این نوشته آشنایی با تاریخچه معماری های مهم و برنده شده در رقابت های ILSVRC است. معماری LeNet5 ساختار معماری LeNet5جدول معرفی ویژگی های هر لایه در معماری LeNet5 معماری AlexNet ساختار معماری AlexNetجدول معرفی ویژگی های هر لایه در معماری AlexNet معماری ZFNet(Clarifai)ساختار معماری ZFNetجدول معرفی ویژگی های هر لایه در معماری ZFNet معماری VGGNet ساختار معماری VGG16 و VGG19جدول معرفی ویژگی های هر لایه در معماری VGGNet16 معماری GoogleNet شکل جزییات ساختار معماری GoogleNet معماری ResNet(MSRA)ساختار معماری ResNet معماری DenseNetساختار معماری DenseNetمطالب فوق برگرفته از آموزش های بینایی کامپیوتر دانشگاه استنفورد، مقالات نام برده در متن و سایت ILSVRC است. Z.Poorghorban Z.Poorghorban Wed, 03 Jul 2019 23:48:15 +0430 https://virgool.io/dataio/%D8%AF%DB%8C%D8%AA%D8%A7%D8%B3%D8%AA-%D8%A8%D9%86%DA%86-%D9%85%D8%A7%D8%B1%DA%A9-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82%D8%A8%D8%AE%D8%B4-%D8%B3%D9%88%D9%85-lvlwie0emcmu در دو پست قبلی با عناوین "دیتاست بنچ مارک یادگیری عمیق(بخش اول)" و "دیتاست بنچ مارک یادگیری عمیق(بخش دوم)" با دیتاست های مربوط به بینایی کامپیوتر(تصویر) و پردازش زبان طبیعی(متن) آشنا شدیم. اما در ادامه این پست دیتاست های مربوط به پردازش زبان طبیعی(صوت) را خواهیم دید. _ دیتاست Free Spoken Digit _ دیتاست Ballroom _ دیتاست Million Song _ دیتاست LibriSpeech _ دیتاست VoxCeleb Z.Poorghorban Z.Poorghorban Tue, 11 Jun 2019 20:07:31 +0430 https://virgool.io/dataio/%D8%AF%DB%8C%D8%AA%D8%A7%D8%B3%D8%AA-%D8%A8%D9%86%DA%86-%D9%85%D8%A7%D8%B1%DA%A9-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-kg0tzpazkfk8 در پست قبلی با عنوان "دیتاست بنچ مارک یادگیری عمیق(بخش اول)" با دیتاست های مربوط به بینایی کامپیوتر(تصویر)آشنا شدیم. اما در ادامه این پست دیتاست های مربوط به پردازش زبان طبیعی(متن) را خواهیم دید._ دیتاست IMDB Review_ دیتاست Twenty Newsgroups_ دیتاست Sentiment140_ دیتاست WordNet_ دیتاست Yelp Review_ دیتاست Wikipedia Corpus_ دیتاست The Blog Authorship Corpus_ دیتاست Machine Translation of Various Languages Z.Poorghorban Z.Poorghorban Sun, 09 Jun 2019 19:58:48 +0430 https://virgool.io/dataio/%D8%AF%DB%8C%D8%AA%D8%A7%D8%B3%D8%AA-%D8%A8%D9%86%DA%86-%D9%85%D8%A7%D8%B1%DA%A9%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-e874esqmyjkv بنچ مارک چیست؟بنچمارک یا Benchmark کلمه ای انگلیسی است و در لغت به معنای « استاندارد یا نقطه مرجعی که سایر چیزها با آن سنجیده و مقایسه می شوند» است. Bench یعنی میز و نیمکت و Mark هم به معنی نمره و امتیاز است. بنچمارک به معنی نمره دادن به پدیده‌های مختلف روی میز دقیق آزمایشگاه است. دیتاست بنچ مارک چیست؟دیتاست بنچ مارک به مجموعه ای از داده که برای ارزیابی دو یا چند معماری، براساس شاخص هایشان گفته می شود. برای مثال، دیتاست MNIST برای معماری ResNet میزان دقت آن %99.16 ، DenseNet برابر 99.37% و CapsNet برابر 99.75% است که امکان ارزیابی فراهم می کند.توجه: میزان دقت برای هر معماری در مطلب فوق برگرفته از مقاله "Assessing four Neural Networks on Handwritten Digit Recognition Dataset(MNIST)" است.در ادامه این نوشته تعدادی از دیتاست های بنچ مارک مربوط به بخش بینایی کامپیوتر از یادگیری عمیق را قرار دادم که هم می توان برای آموزش مدل و هم برای ارزیابی استفاده کرد._ دیتاست MNIST_ دیتاست MS-CoCo_ دیتاست ImageNet_ دیتاست Open Image_ دیتاست VisualQA_ دیتاست CIFAR10_ دیتاست Fashion-MNISTدر پست بعدی دیتاست های مربوط به متن و صوت و... رو معرفی خواهم کرد. Z.Poorghorban Z.Poorghorban Sat, 08 Jun 2019 15:25:09 +0430 https://virgool.io/dataio/%DA%A9%D9%90%DB%8C%DA%A9%D8%AC%D8%A7%DA%86%D8%B1%D8%A7%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-j3ydixngexro توی چند ساله اخیر یادگیری عمیق به موفقیت های چشمگیری در زمینه های متفاوت دست یافته و افراد زیادی را علاقه مند به مطالعه در این زمینه کرده است، اما مسئله اصلی قبل از شروع به مطالعه، رسیدن به پاسخ سوالاتی مثل : یادگیری عمیق کجا کاربرد داره؟ کِی از یادگیری عمیق استفاده کنیم؟ چرا یادگیری عمیق؟ چالش های در رابطه با یادگیری عمیق؟و... تا جایگاه و اهمیت روش های یادگیری عمیق برای ما مشخص بشه که در ادامه این پست پاسخ سوالات را قرار دادم کی از یادگیری عمیق استفاده کنیم ؟ _ نبود انسان‌های متخصص(ناوبری روی ماه) _ انسان قادر به توضیح تخصص خود نباشد.(تشخیص گفتار، بینش و درک زبان) _ راه حل مسئله با گذشت زمان تغییر کند.(ردیابی،پیش بینی آب و هوا، پیش بینی بورس و سهام) _ راه حل هایی که باید با موارد خاص سازگار شوند.(بیومتریک، شخصی سازی) _ استدلال انسان در مقابل حجم مسئله محدود باشد.(محاسبه رتبه وبسایت، مطابقت تبلیغات فیس‌بوک ، تحلیل احساسات)یادگیری عمیق کجاها کاربرد داره؟ چرا یادگیری عمیق؟ _ روش یادگیری جامع: تقریبا همه نوع مسئله ای را در زمینه های متفاوت حل می کند. _ قدرتمندی: برخلاف یادگیری ماشین سنتی ویژگی های داده را به صورت خودکار استخراج می کند. _ قابلیت تعمیم: می توان از دانش یک مدل آموزش دیده برای مدل با کاربرد یا نوع داده متفاوت استفاده کرد. _ مقیاس پذیری: امکان پیاده سازی شبکه های وسیع(هزاران نورون و لایه) را فراهم می کند. چالش های در رابطه با یادگیری عمیق؟ _ آنالیز کلان داده با یادگیری عمیق _ مقایس پذیری روش های یادگیری عمیق _ تولید داده زمانی که داده به اندازه کافی برای آموزش مدل در دسترس نیست. _ تکنولوژی های کارآمد برای دستگاه های خاص مثل تلفن همراه هوشمند، FPGAو... _ یادگیری انتقال و انجام چند وظیفه همزمان _ سروکارداشتن با علت یادگیری Z.Poorghorban Z.Poorghorban Thu, 06 Jun 2019 17:35:16 +0430