نوشته های محمدحسین گیوکاشی

آموزش پلتفرم Hugging Face

محمدحسین گیوکاشی — Sun, 23 Feb 2025 12:00:15 +0330

آموزش من با عنوان <<آموزش پلتفرم Hugging Face + کاربردهای هاگینگ فیس در پردازش زبان طبیعی (رایگان)>> در فرادرس منتشر شد.هاگینگ فیس، پلتفرم متن‌باز و ابری است که به عنوان مرکز اصلی برای مدل‌های یادگیری عمیق، به ویژه مدل‌های پردازش زبان طبیعی (NLP) شناخته می‌شود. این پلتفرم، محققان، مهندسان و توسعه‌دهندگان را قادر می‌سازد تا به راحتی مدل‌های یادگیری عمیق را پیدا کنند، به اشتراک بگذارند و روی آن‌ها آزمایش کنند.لینک آموزش در فرادرس: https://faradars.org/courses/hugging-face-platform-applications-fvai319سرفصل ها:فصل ۱. معرفی Hugging Face و نحوه استفاده از آنمعرفی Hugging Faceبخش‌های Models ،Datasets و Spacesبررسی Spaces و نحوه ایجاد و به اشتراک‌گذاری پروژه‌های کاربردیفصل ۲. راهنمایی ادامه مسیرجمع‌بندی و نتیجه مباحثادامه یادگیری#faradars #huggingface #فرادرس

بررسی سایت کگل(kaggle) بهترین منبع برای یادگیری و تمرین در حوزه ی هوش مصنوعی

محمدحسین گیوکاشی — Mon, 16 Aug 2021 12:52:32 +0430

مهمترین گام بعد از فراگیری یک مطللب علمی و یک مفهوم تئوری پیاده سازی ان در عمل و به کارگیری آن در یک مثال واقعی هست با انجام این کار مفهوم یاد گرفته شده به صورت کامل در ذهن تثبیت شده و فرایند یادگیری کامل می شود. سایت کگل بهترین منبع در حوزه ی هوش مصنوعی و مباحث مرتبط با ان هست که به فرایند یادگیری کمک زیادی می کند. در این سایت شما به بخش های مختلف به صورت کاملا رایگان دسترسی دارید. به عنوان مثال بعد از یادگیری مفهومی در زمینه ی شبکه های کانولوشنی و درک مباحث مرتبط با این حوزه بهترین منبع برای تمرین و یافتن مثال های متنوع سایت کگل هست که با در اختیار گذاشتن GPU,TPU این امکان را می دهد که در سریع ترین زمان ممکن کد خود را نوشته و انرا اجرا کنید.شما می توانید از این سایت برای تقویت رزومه ی خود در این حوزه استفاده کنید و از مکانیزم رتبه بندی افراد استفاده کرد و خود را به سطح بالایی در حوزه ی هوش مصنوعی برسانید . در این راستا به تازگی سری اموزش هایی در رابطه با مباحث مرتبط با سایت کگل تهیه شده که می توانید به صورت رایگان در کانال یوتیوب مشاهده کنید . این ویدیو ها به صورت تهیه شده اند که مبتدی ترین افراد هم بتوانند از انها استفاده کنند که به مرور موارد و آموزش های پیشرفته تر در کانال قرار می گیرد.لینک کانال یوتیوب : https://youtu.be/EEcrBphpszM https://youtu.be/EEcrBphpszM مسابقات در سایت کگلیک قابلیت اصلی در سایت کگل امکان شرکت در مسابقات مختلف در زمینه های هوش مصنوعی هست که افراد با توجه به تخصص خود می توانند در این مسابقات شرکت کرده تا ضمن بهره مندی از جوایز نقدی بتوانند به کسب ریته در این حوزه پردازند برای این منظور و برقراری تیم های مختلف برای مسابقات پروفایل من در کگل را فالو کنید تا در این زمینه همکاری موثری داشته باشیم . https://www.kaggle.com/givkashi اطلاع رسانی ها در رابطه با قسمت های جدید اموزش در کانال تلگرام به ادرس زیر صورت می گیرد https://t.me/ai4free https://youtu.be/EEcrBphpszM

کنکور کامپیوتر(باید ها و نبایدها در کنکور ارشد مهندسی کامپیوتر)

محمدحسین گیوکاشی — Wed, 28 Jul 2021 17:43:48 +0430

در این پست در رابطه با کنکور کارشناسی ارشد مهندسی کامپیوتر مطالبی رو بیان می کنیم و تجربیات خودم رو در این حوزه به اشتراک میزارم.اگر در حال حاضر دانشجوی کارشناسی هستید حتما به معدل تون توجه کنید چون تاثیر خوبی در کنکور تون و همچنین اینده ی تحصیلی تون داره اینجوری بهتون بگم که معدل خیلی مهمه در صورتیکه شما نفر اول از نظرمعدل در ورودی خودتون بشید علاوه بر اینکه بدون کنکور میتونید دانشگاه های مطرح رو درخواست بدید و از طریق استعداد درخشان وارد دانشگاه بشید سهمیه ای در کنکور کارشناسی ارشد دارید که میتونید ازش استفاده کنیدو در رتبه تون تاثیر گذاره و اگه جزو 10 درصد برتر ورودی خودتون باشید بدون کنکور در دانشگاه خودتون میتونید تحصیل کنید و شانس پذیرش در دانشگاه های دیگه رو هم دارید.پس معدل معیار مهمی هست و تاثیر گذاره اگه هم معدل خوبی ندارید می تونید با چند تا تست بیشتر در کنکور جبران کنید پس نگران نباشید.برای شرکت در کنکور ارشد باید منابع مناسبی داشته باشید و اگر پایه ی خوبی از دانشگاه ندارید اونو تقویت کنید من در ادامه منابعی که خودم استفاده کردم رو بهتون معرفی می کنم و یه سری خوبی و بدی هاشون رو بهتون میگم. منابع:کامپايلر پوران پژوهش:کتاب خوبیه و از بهترین منابع هست مشکلی که داره در بعضی از فصل های تعداد تست کمی داره که می تونید با مجموعه سوالات کنکور این مورد رو پوشش بدید. ریاضی گسسته پوران پژوهش:نسبتا خوبه مجموعه سوالات تخصصی کنکور از سال 81 تا 97 مدرسان:حتما این کتاب و کتاب بعدی رو بگیرید که برای شبیه سازی کنکور ازشون استفاده کنید و تعداد تست کم بعضی از کتاب ها رو با اینا جبران کنید. سوالات مشترک کنکور از سال 78تا 96 مدرسان شریف :دقیقا سوالات کنکور رو با جواب تشریحی توضیح داده بعضی از جواب هاش مشکل داره که خودتون می تونید با مقایسه متوجه بشید.الگوریتم مدرسان شریف: کتاب خوبیه و تست های کنکور رو پوشش میده یه سری تست تالیفی هم داره. معماری کامپیوتر مدرسان شریف: اینم کتاب خوبه ولی فصل های اولش رو زیاد خوب توضیح نداده شاید منبع بهتری پیدا کنید.سیستم عامل مدرسان: این کتاب خوبه ولی تعریف پارسه رو شنیدم این درس نیاز به پایه ی خوب داره. نظریه علوم رایانه : بهترین کتابی که میشه پیدا کرد درس نامه و تست هاش خوبه.ساختمان داده و الگوریتم انتشارات نصیر: این گرفتم ولی چند فصل ش رو بیشتر نتونستم بخونم تست هاش کمه باید دنبال منبع بهتری باشید.هوش مصنوعی راهیان ارشد: این هم کتاب خوبیه درس نامه ی نسبتا کاملی داره که از کتاب راسل خلاصه شده.پایگاه داده جلد 1 راهیان ارشد: این کتاب های پایگاه داده خیلی زیاد و وقت گیره و جواب های کاملی برای هر تست ش داده و بعضی از جواب ها چند بار برای تست های مختلف تکرار شده پایگاه داده جلد 2 راهیان ارشد: این کتاب درس نامه نداره مثل جلد یک و فقط تست و پاسخ هست برای همین یکم اذیت میشید ولی اگه پایه ی خوبی دارید جواب تست ها کامله و توضیحات خوبی گفته شده.مدار منطقی انتشارات نصیر: این کتاب حجم ش زیاده و درسنامه ی خیلی کاملی داره و حوصله ی زیادی برای مطاله اش میخواد برای کسی که میخواد از پایه خوب شروع کنه کتاب خوبیه ولی تست های کمی داره.یک منبع عالی برای درس شبکه های کامپیوتری فیلم های نکته و تست استاد فرزام در کانال مکتب گرام اپارات هست که به صورت رایگان قرار دادن لینک این ویدیو ها رو در ادامه قرار میدم . https://www.aparat.com/playlist/413357 https://www.aparat.com/playlist/413357 https://www.aparat.com/playlist/413357

دانلود مستقیم از گوگل درایو در نوت بوک kaggle

محمدحسین گیوکاشی — Mon, 26 Jul 2021 22:55:15 +0430

بعضی از مواقع دیتاست و داده های مورد نیاز برای اموزش شبکه در گوگل درایو قرار دارد و بخاطر مشکلات تحریم در کگل سرعت اپلود حجم بالای داده ها خیلی پایین هست این راهکار با سرعت بالایی دانلود داده ها را توسط خود کگل انجام داده و می توان از انها استفاده کرد همچنین بخاطر سرعت خوب کگل برای اموزش شبکه و دسترسی به جی پی یو می توان شبکه ها را به جای ترین در گوگل کولب در کگل اموزش داد .فایل دیتاست را در ابتدا از طریق گوگل درایو به اشتراک گذاشته و لینک را دریافت می کنیم به عنوان نمونه این لینک را در نظر بگیردhttps://drive.google.com/file/d/12K6R3Ja1oqpt4naOPyPToJQtGsIcv/view?usp=sharingسپس با استفاده از دستور زیر کتابخانه ی مورد نیاز برای دانلود داده از گوگل درایو را در نوت بوک کگل نصب می کنیم! conda install -y gdownبعد از نصب کتابخانه به کمک دستور زیر قسمت ایدی در لینک بالا یعنی بعد از /d و قبل از view/ را کپی کرده و در قسمت روبروی ایدی جایگزین می کنیم !gdown --id 12K6R3Ja1oqpt4naOPyPToJQtGsIcvبا اجرای این دستور در نوب بوک کگل داده ی مورد نظر دانلود شده و در قسمت output قابل دسترس هستبرای ذخیره ی داده های دانلود شده به فرمت zip کد زیر را اجرا کرده و داده ها را به فرمت zip در خروجی می توانیم ذخیره کنیم و از داده های ذخیره شده دیتاستی در کگل ایجاد کنیمimport osimport zipfiledef zipdir(path, ziph): # ziph is zipfile handle for root, dirs, files in os.walk(path): for file in files: ziph.write(os.path.join(root, file), os.path.relpath(os.path.join(root, file), os.path.join(path, '..')))zipf = zipfile.ZipFile('./dataset.zip', 'w', zipfile.ZIP_DEFLATED)zipdir('./', zipf)zipf.close()

بررسی و مرور مقاله ی RCNN

محمدحسین گیوکاشی — Mon, 29 Mar 2021 13:25:29 +0430

مقاله ی RCNN تلاش کرد مشکل تشخیص اشیا در تصویر را حل کند. در این مقاله از مفهومی به عنوان Region proposals استفاده شده که به معنی بخش های کوچکی از تصویر هستند که میتوانند شامل اشیایی باشند که دنبال انها هستیم . در این مقاله از الگوریتم selective search برای ایجاد ناحیه های پیشنهادی استفاده شده است .این روش تقریبا 2000 ناحیه متفاوت در تصویر ایجاد می کند و این ناحیه ها تک تک به مدل داده می شوند تا براساس انها پیش بنی نهایی را انجام دهد . این نواحی به مدل CNN داده شده و بردار ویژگی استخراج شده می شود برای استخراج ویژگی در شبکه کانولوشنی از ساختار شبکه AlexNet استفاده شده برای فرایند اموزش شبکه کلی هر یک از بخش ها به صورت مستقل اموزش دیده و در کنار هم قرار گرفته اند و امکان اموزش تمام شبکه به صورت همزمان وجود نداشته به عنوان مثال برای بخش استخراج ویزگی ها شبکه AlexNet به عنوان یک کلاسیفیکیشن اموزش دیده و بعد از ان لایه softmax اخر حذف شده و به جای ان یک لایه fully connected 4096 قرار گرفته و این به این معنا هست که برداز ویژگی ها با ابعاد 4096 دارد. با توجه به اینکه ابعاد ورودی شبکه Alexnet به صورت (227،227،3) در نظر گرفته شده برای دادن نواحی بدست امده به شبکه باید تغییر سایز انجام شود.تا این مرحله بردار ویژگی ها از تصویر استخراج شده و نیازمند کلاسیفای کردن این بردار ها هستیم و میخواهیم تشخیص دهیم کلاس هر شی که توسط بردار ویزگی نشان داده شده چی هست برای این منظور از یک کلاسیفیکیشن SVM استفاده می کنیم. برای یک بردار ویژگی ما به تعداد n خروجی داریم که n تعداد شی های متفاوتی هست که میخواهیم تشخیص دهیم.به طور خلاصه تا اینجا ما نمایش های مختلف یک عکس را درست کردیم سپس یک بردار ویژگی با استفاده از تصویر ورودی به شبکه ی CNN ساختیم و در اخر هر بردار ویژگی را با استفاده از یک SVM کلاسیفای کردیم .در حال حاضر ما خروجی به صورت بخش هایی مختلف که کلاسیفای شده اند داریم و باید همه را در یک تصویر واحد مشخص کنیم و از روشی به اسم gready non-maximum suppression استفاده می کنیم . از معیار intersection-over-union(IoU) برای انتخاب ناحیه ای هایی که با هم هم پوشانی دارند استفاده می کنیم بعد از این کار ناحیه هایی با امتیاز بالاتر از 0.5 را نگه میداریم .برای رسم کادر اطراف شی شناسایی شده از Bunding box Regressor استفاده می کنیم و این قسمت در اخر شبکه قرار دارد در زمان اموزش این قسمت طول و عرض کارد مشخص هست و هدف یادگیری یک تبدیل برای نگاشت باکس P به باکس درست G هست.مشکلات روش RCNNاستخراج ۲۰۰ بخش از هر تصویر با توجه به جستجوی انتخابیاستخراج ویژگی با CNN برای هر بخش تصویرکل فرایند توسط سه مدل انجام می شودشبکه CNN برای استخراج ویژگیکلاسیفایر خطی SVM برای شناسایی اشیامدل رگرسیون برای مشخص سازی محدوده باکس هاتمام این فرایند ها باعث میشود که RCNN خیلی کند شود. برای هر تصویر جدید این فرایند ۴۰-۵۰ثانیه طول می کشد که برای مجموعه داده های بزرگ (‌دیتاست) این امر فرایند رو دشوار و عملا غیر ممکن می کند.مراجع:Rich feature hierarchies for accurate object detection and semantic segmentation https://arxiv.org/abs/1311.2524

یادگیری انتقالی ( transfer learning with VGG16)

محمدحسین گیوکاشی — Fri, 12 Feb 2021 23:22:19 +0330

یادگیری انتقالی یکی از روش های کارامد برای ایجاد مدل در یادگیری عمیق است.با استفاده از یادگیری انتقالی می توان از مدل هایی که با دیتاست های بزرگ و داده های زیاد اموزش دیده اند استفاده کرد و وزن هایی که این مدل های در فرایند اموزش بدست اوردن برای ایجاد مدل مورد نظرمان استفاده کنیم به عنوان نمونه برای تشخیص جنسیت از مدل VGG16 استفاده می کنیم و فرایند اموزش را توضیح می دهیم .از کتابخانه ی کراس برای اموزش مدل استفاده می کنیم و برای استفاده از VGG16 از ستور زیر استفاده می کنیم .vgg = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))در کد بالا مدل با استفاده از وزن هایی که در دیتاست imagenet بدست امده تعریف می شود و اندازه ی ورودی در این مدل به صورت 224*224*3 تعریف شده است بعد از تعریف مدل با استفاده از دستور زیر این قسمت از شبکه را فریز می کنیم تا فرانید اموزش برای این قسمت انجام نشده و از وزن های بدست امده در طول اموزش با استفاده از دیتاست imagenet استفاده شود .vgg.trainable = Falseدر ادامه مدل VGG را به مدل اصلی اضافه کرد و لایه های موردنیاز برای کلاس بندی داده های را طبق کد زیر اضافه می کنیم .model = Sequential()model.add(vgg)model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dense(1, activation='sigmoid'))تابع خطا و تابع بهینه سازی را با استفاده از دستور زیر برای مدل تعریف می کنیم. model.compile(loss='binary_crossentropy',metrics=['accuracy'],optimizer='adam')در انتها مدل را فیت کرده و فرایند اموزش را انجام می دهیم history_without_tuning = model.fit(training_generator,steps_per_epoch=22667 // batch_size,epochs=10,validation_data=test_generator,validation_steps=5472 // batch_size,verbose=1,callbacks = [checkpoint_callback,earlystop])به این طریق ما یک مدل برای تشخیص جنسیت در داده های انسانی تعریف کرده و به دقت قابل توجهی روی داده های تست دست پیدا می کنیم .برای مشاهده کامل کد اجرا و همچنین نتایج روی داده های تست به مخزن گیت هاب به ادرس زیر مراجعه کنید. https://github.com/givkashi/transfer-learning-with-VGG16 https://givkashi.github.io/2021-02-04-transfer-learning/

الگوریتم انتشار رو به عقب در شبکه های کانولوشنی (Back Propagation in Convolutional Neural Networks)

محمدحسین گیوکاشی — Mon, 28 Dec 2020 11:21:38 +0330

اگر اطلاعاتی در مورد back propagation در شبکه های کانولوشنی ندارید در این بخش به توضیح روش انجام back propagation در این شبکه ها می پردازیم.در تصویر زیر نحوه ی به کارگیری قاعده ی زنجیره ای به وسیله ی computational graphs نشان داده شده بخش فوروارد در سمت چپ با استفاده از متغیرهای ورودی x و z ، y را به عنوان تابعی (f (x، y محاسبه می کند. سمت راست انتشار رو به عقب را نشان می دهد. با دریافت dL / dz ، شیب تابع از خطا تابع ازخطا را می توان با استفاده از قانون زنجیره ای محاسبه کرد ، همانطور که در شکل نشان داده شده است در تصویر زیر حالت دیگری از محاسبه ی گرادیان در Back propagation نشان داده شده است.Back propagationما به بررسی backward در شبکه کانولوشنی تک لایه خواهیم پرداخت ابتدا عملیات فوروارد را انجام میدهیم .سایز ورودی 3*3 ،یک فیلتر 2*2 و stride = 1 در نظر میگیریم.سایز خروجی حاصل 2*2 می باشد در هنگام عملیات فوروارد ماتریس ورودی و وزن های فیلتر را نگه داری می کنیم تا در عملیات Back propagation استفاده کنیم.Convolution Operation (Forward Pass)در بالا انیمیشنی در مورد نحوه ی اعمال فیلتر و تولید خروجی نشان داده شده در ادامه رابطه های که کار رفته و ابعاد ورودی و فیلتر مشخص شده در قسمت backward لازم هست ابتدا با نوتیشن زیر آشنا شویم که نحوه ی نمایش گرادیان را به صورت خلاصه شده نشان میدهیم.اکنون نحوه ی به کارگیری back propagation را برای لایه ی فعلی توضیح می دهیم میخواهیم گرادیان را نسبت به ورودی و وزن های حساب کنیم با محاسبه ی گرادیان نسبت به تابع هزینه و انجام محاسبات طبق روش زیر میتوانیم وزن های مربوط به فیلتر را به روزرسانی کنیم با استفاده از شکل زیر نحوه ی انجام عملیات نشان داده شده است.Backward passنحوه ی محاسبه ی مشتق های نهایی در بک پروپ