نوشته های azade mohammadi

چگونه یک کد موجود در github را در ویندوز اجرا کنیم؟

azade mohammadi — Fri, 21 Aug 2020 13:39:16 +0430

در ابتدا عرض کنم که اگر در کار با git حرفه ای هستید این مطلب نمی‌تواند برای شما مفید باشد، اما امیدوارم برای کسانی که می‌خواهند کار با git را شروع کنند مفید باشد.اولین بار که می‌خواستم یک کد پایتون توی github را اجرا کنم با اینکه یک فایل readme وجود داشت که قدم به قدم اجرای کد رو توضیح داده بود اما من کاملا سردرگم و گیج شدم چون مفاهیم رو به خوبی نمی‌شناختم. شروع کردم به جستجو کردن، اولین مفهومی که باید یاد می‌گرفتم git بود، به یک سری ویدوهای 10و 15 تایی سنگین آموزش git می‌رسیدم که با توجه به وقتِ کوتاهِ من خیلی ناامید کننده بود. این روند ناامید‌کننده‌تر میشد وقتی دنبال یک آموزش برای "ویندوز" می‌گشتم. من در اون مقطع زمانی نمی‌خواستم کل git رو یاد بگیرم و فقط می‌خواستم ببینم چطور می‌تونم اون کد رو دانلود و اجرا کنم.در نهایت بعد از پرسیدن از افراد مختلف به نتیجه خوبی رسیدم و چون اعتقاد دارم بهتره چیزهایی که یادم می‌گیریم رو در اختیار هم‌دیگه قرار بدیم تا افراد دیگه بتونن اون میزان وقتی که ما صرف کردیم رو صرف یادگیری چیزهای بیشتر بکنند و در اختیار بقیه قرار بدن و این روند سالم ادامه پیدا کنه، تصمیم گرفتم چیزهایی که یاد گرفتم رو اینجا به اشتراک بگذارم.همونطور که گفتم سری ویدئو‌های یادگیری git معمولا سری های 10 تایی هستند که البته اگر میخواهید دانش کاملی داشته باشید حتما توصیه میشه که یکی از اون دوره ها رو انتخاب کنید و با حوصله دنبال کنید(که به عنوان مثال دوره ی git جادی جزو برنامه‌های خود بنده هم هست). اما من یک ویدئوی یک ساعتی در یوتوب پیدا کردم که خیلی مختصر مفاهیم اولیه git و نحوه استفاده از اون در ویندوز رو توضیح میده و چون دیدنش برای خودم تجربه ی خوبی بود به شما هم پیشنهاد میکنم ببینید:https://www.youtube.com/watch?v=9vlNkLNc8P4اما همونطور که ابتدا عرض کردم من دنبال نحوه ی اجرای یک نمونه کد github روی سیستم خودم(ویندوز) بودم، پس بعد از دیدن این ویدئو و آشنایی مختصر با git بریم سراغ اجرای یک نمونه کد githubلینک زیر یک کد با زبان پایتون در github است:https://github.com/yicheng-w/CommonSenseMultiHopQAیک فایل readme در آن وجود دارد که قدم به قدم نحوه ی اجرای کد را توضیح داده است، ما بر اساس آن فایل پیش می‌رویم و چیزهایی که باید برای اجرای هر قدم یاد بگیریم را می‌بینیم: قدم اول: Clone the repoنیاز دارید کل repository رو clone کنید که با دیدن ویدئوی بالا به راحتی می‌توانید انجام بدهید. کافیه یک فولدر در جایی که دوست دارید کد در اونجا قرار بگیره ایجاد کنید. روی اون فولدر با کلیک راست یک git bash بازکنید و دستور git clone /* repository link*/رو بزنید و اجازه بدید همه ی محتویات اون لینک دانلود بشه و در فولدر قرار داده بشه. برای پیدا کردن لینک repository میتوانید به صورت زیر عمل کنید.قدم دوم:اجرای setup.shبرای ساخت دایرکتوری‌های مورد نیاز برای اجرای کد، یک فایل setup.sh وجود دارد که باید اجرا شود. برای اجرای فایل sh. در ویندوز میتوانید ویدئوی زیر را مشاهده کنید و بر اساس آن فایل setup.sh را اجرا کنید:https://www.youtube.com/watch?v=0AiqegwnskEقدم سوم: دانلود دیتاستcd raw_datagit clone https://github.com/deepmind/narrativeqa.gitدو دیتاست و یک مدل نمایش داده Elmo در این پروژه استفاده شده است و دو راه برای دانلود دیتاها وجود دارد. استفاده از git clone و یا دانلود مستقیم.برای دانلود دیتاست narrativeQA از git clone استفاده کنید. روی فولدر raw data کلیک راست کنید و یک git bash باز کنید و با دستور git clone و آدرس دیتای مورد نظر، آن را در فولدر raw data دانلود کنید. میتواندی به جای clone کردن آن را دستی دانلود کنید و در فولدر خواسته شده قرار دهید، که همانطور که در فایل readme نوشته شده است دانلود Wikihop و Elmo به صورت دستی انجام میشود.قدم چهار: اجرای فایل py.در ویندوزpython src/config.py--mode build_dataset--data_dir raw_data/narrativeqa--load_commonsense--commonsense_file data/cn_relations_orig.txt--processed_dataset_train data/narrative_qa_train.jsonl--processed_dataset_valid data/narrative_qa_valid.jsonl--processed_dataset_test data/narrative_qa_test.jsonlهمانطور که در فایل readme نوشته شده است. در نهایت تنها نیاز است که برای ساخت دیتاست پردازش شده، آموزش مدل و ارزیابی مدل، چند فایل config.py که در فولدر src قرار دارد، به همراه آرگیومنت‌های آنها را اجرا کنید(دقت کنید که تمام چیزهایی که بعد از -- میایند، همان آرگیومنت های فایل config.py هستند.)برای یادگیری چگونگی اجرای فایل py.در ویندوز میتوانید ویدئوی زیر را ببینید:https://www.youtube.com/watch?v=n1Q8xs2YC8Qو تمام.

نصب Tensorflow در ویندوز

azade mohammadi — Wed, 17 Jun 2020 19:06:53 +0430

اگر با یادگیری ماشین کار کرده باشید، tensorflow واژه‌ی آشنایی برایتان است. تنسورفلو یک کتابخانه متن باز برای محاسبات عددی و به صورت خاص برای یادگیری ماشین در مقیاس بزرگ است. با یک جستجو‌‌ی ساده می‌توانید اطلاعات زیادی درباره‌ی این کتابخانه پایتون به دست بیاورید اما در اینجا من قصد دارم تجربه خود در نصب تنسورفلو در ویندوز و مشکلاتی که با آن مواجه بوده‌ام را با شما به اشتراک بگذارم. برای نصب پایتون کافیست ورژن پایتون مورد نظر را از https://www.python.org دانلود کنید،نکته مهم در اینجا این است که تنسورفلو نسخه ی قبلتر از 2، تنها با پایتون ورژن 3.6.* و 64-bit کار میکند پس اگر کار کردن با تنسورفلو برای شما مهم است به ورژن و همچنین 64 بیت بودن آن دقت کنید.البته می‌توانید به جای کتابخانه‌ی تنسورفلو از کتابخانه‌ی Theano استفاده کنید در این صورت میتواند جدیدترین ورژن پایتون را نصب کنید و سپس کتابخانه Theano را نصب و از آن استفاده کنید، فقط یک نکته وجود دارد که در https://virgool.io/@azade.mohammadi91/keras-with-theano-dlhx3vuhghho توضیح داده شده است. پس از دانلود فایل اجرایی پایتون در همان صفحه اولِ نصب تیک اضافه شدن آن به path را بزنید:به 64 بیتی بودن آن دقت کنید و تیک مربوط به path را هم بزنیدسپس مراحل را تا آخر ادامه دهید. پس از کامل شدن نصب برای اطمینان میتوانید کلمه python را در command prompt تایپ کنید، با این کار باید قادر باشید ورژن پایتون مورد نظر را مشاهده کنید.از این به بعد می‌توانید هر کتابخانه پایتونی که خواستید را در همان command prompt نصب کنید. تنها کافی‌ست دستور pip install را بنویسید( اگر خطایی داشت دستور pip install --user را امتحان کنید).به عنوان مثال می‌توانید دستور زیر را برای نصب تنسورفلو وارد کنید:pip install tensorflowدر ادامه به منظور نوشتن کدهای پایتون میتوانید jupyter notebook را نیز به راحتی نصب کنید. کافی است در همان پنجره command prompt دستورpip install jupyter را بنویسید و پس از کامل شدن نصب، با تایپ دستور زیرjupyter notebook محیط برنامه‌نویسی jupyter برای شما آماده است.

Keras with Theano

azade mohammadi — Thu, 02 Apr 2020 20:20:03 +0430

همان‌طور که می‌دانید keras یکی از محبوب‌ترین پلترفرم های یادگیری عمیق است و ایجاد شبکه‌های عصبی را تنها با چند خط کد ساده امکان‌پذیر کرده است. keras برای محاسبات عمیق پشت پرده از Tehsorflow استفاده میکند اما نصب تنسورفلو در ویندوز مشکل است. اگر میخواهید با keras در پایتون کار کنید و با نصب تنسورفلو مشکل دارید، راه حل آن استفاده از Theano است، نصب Theano بسیار راحت‌تر از تنسرفلو است و معمولا بدون هیچ دردسری نصب می‌شود.تنها نکته مهم در این رابطه این است که keras به صورت پیش‌فرض از تنسورفلو به عنوان بک‌اند استفاده می‌کند و باید آن را تغییر دهید در غیر اینصورت با خطا مواجه می‌شوید.تغییر بک‌اند بسیار راحت است، کافیست فایل kesra.jason در keras. را پیدا کنید و بک‌اند را از Tensorflowبه Theanoتغییر دهید.

فارسی را پاس بداریم. چه کسی؟ما یا حداد عادل؟

azade mohammadi — Wed, 12 Feb 2020 14:07:05 +0330

در جلسه دفاع از پیشنهادیه دکتری وقتی در پاسخ به یکی از استاد‌ها که پرسید چرا معادل فارسی خوبی برای واژه Reading Comprehension انتخاب نکرده‌ام، گفتم معادل مناسبی پیدا نکردم، به درستی گفت: "خب، معادلی بساز".دانش خوبی که در آن جلسه یاد گرفتم این بود: روند باید به این صورت باشد که دانشجویان رشته‌های مختلف که پس از مدت ها مطالعه، فهم کاملی از یک واژه پیدا کرده‌اند، وظیفه دارند معادل مناسب را به فرهنگستان پیشنهاد بدهند. هیچ کسی به اندازه ی کسی که چند ماه درباره‌ی واژه Reading comprehension مطالعه کرده است مفهوم این کلمه را بهتر نمی‌داند پس وظیفه‌ی من است که معادل خوبی پیدا کنم نه حداد عادل. دلیل وضع موجود و معادل‌های بی‌استفاده‌ی فرهنگستان که گاهی دست‌مایه طنز نیز می‌شود این است که روند فعلی بر‌عکس است؛ حداد عادل به ما می‌گوید از چه واژ‌ای استفاده کنیم.( حداد عادل در اینجا نماد فرهنگستان است:) )فارسی قند است :)

درک مطلب

azade mohammadi — Thu, 05 Dec 2019 16:42:22 +0330

کلمه ی درک مطلب شما را به یاد چه چیزی می اندازد؟ به احتمال زیاد، امتحان زبان انگلیسی!جامعه ی هوش مصنوعی در تلاش است به نقطه ای برسد که ماشین بتواند تمامی کارهای انسان را شبیه سازی کند. در این راستا، درک مطلب عنوان یکی از مسائل مهم و اساسی در پردازش زبان طبیعی توسط کامپیوتر است.در این مسئله،یک متن به ماشین داده می شود و ماشین با درک عمیق و استخراج روابط ضمنی و صریح موجود در متن به تمام سوالات درباره آن متن پاسخ می دهد. سوالات از سوالات ساده شروع می شوند و به سوالات پیچیده که جواب آنها مستقیما در متن نیست می رسند. درک روابط ضمنی برای ماشین که تنها قوانین صریح را می شناسد، کار دشواری است.ماشین تنها قادر به درک زبان های برنامه نویسی است و پردازش زبان طبیعی(زبانی که انسانها به وسیله ی آن با هم تعامل میکنند) برای ماشین هنوز یک چالش است.پژوهش های زیادی در این زمینه در جامعه علمی صورت گرفته است که در بهترین آنها ماشین توانسته است دقت نزدیک به 80 درصد را کسب کند در حالی که دقت انسان در این موارد بیش از 98 درصد است.

فایده نداره، نمیشه

azade mohammadi — Tue, 10 Sep 2019 15:52:46 +0430

ماجرا اینجوری شروع شد که وقتی در یک موقعیت پر تنش قرار میگرفتم، برای آروم کردن خودم و فرار از اون میزان تنش، به صورت ناخودگاه، بدترین موقعیت رو در ذهنم تصور میکردم و به خودم میگفتم "عب نداره فوقش موفق نمیشم، بالاتر از سیاهی که رنگی نیست" و پا پس میکشیدم.این یک حرکت ناخودگاه برای محافظت از خودم بود اما مشکل اینجاست که این الگو هی تکرار و تکرار شد تا تبدیل شد به یک باور همیشگی. باورِ "فایده نداره، نمیشه، ولش کن"در هر موقعیت جدید در این سالها به این باور آب دادم تا تبدیل شد به یک درخت تنومند. الان دیگه خلاص شدن ازش سخته.

Question answering

azade mohammadi — Wed, 10 Apr 2019 15:21:12 +0430

چه میشد اگر هربار که در گوگل سوالی میپرسید، به جای دریافت لینک های متعدد، گوگل یک و فقط یک جواب درست و قطعی به شما بدهد؟!میدانید که موتور های جستجوگر امروزی، در پاسخ به یک سوال چند لینک به شما نمایش میدهند؛ که عمدتا بر اساس تطابق کلیدواژه هاست؛ شما باید تک تک لینک ها را ببینید تا جواب خود را پیدا کنید و البته ممکن است جواب را در میان آن لینک پیدا نکنید.هدف question answering که میتوان گفت نسل بعدی موتور های جستجوگر امروزی است، این است که در جواب همه ی سوالات کاربر، به جای برگرداندن لینک های متعدد، یک جواب درست و قطعی به کاربر نمایش دهد.البته برخی موتور های جستجوگر امروزی مانند گوگل، این امکان را برای برای تعداد محدودی سوال فراهم کرده اند، به عنوان مثال، گوگل در پاسخ به سوال "رئیس جمهور آمریکا چه کسی است؟" جواب "دونالد ترامپ" را برای شما نمایش میدهد، اما همانطور که گفته شد این امکان تنها برای چند سوال محدود فراهم شده است.اما question answering برای تحقق اهدافش که پاسخگویی به تمام سوالات کاربران به همه ی زبان های زنده ی دنیا است، چالش های بسیاری را پیش روی خود دارد.