پست وبلاگ

آموزش ویدئویی MatConvNet

آموزش ویدئویی MatConvNet

سلام .
آموزش  ویدئویی MatConvnet در ۶ بخش ارائه شده که مباحث زیر رو در بر میگیره . بنظر میاد با این آموزش مشکل خیلی از دوستان در کار کردن با این Toolbox معروف برطرف میشه انشاالله

لیست مباحث:

 

  • [۵/۰۲/۲۰۱۶] Session 6: Directed Acyclic Graph nets & FCN
    • Theory: DAG nets and how to apply backpropagation there
    • Hands-on: creating a DAG for semantic segmentation (PASCAL VOC) and optical flow (Sintel)
  • [۲۹/۰۱/۲۰۱۶] Session 5: Beyond standard layers
    • Theory: Some useful layers that are not so common (PRELU, Unpooling, etc.)
    • Hands-on: How to create a new layer in MatConvNet
  • [۲۹/۰۱/۲۰۱۶] Session 4: Preparing your data (IMDB)
    • Theory: The importance of normalization and…How do I adapt things to my data?
    • Hands-on: data normalization, how to create the imdb structure, etc.
  • [۱۵/۰۱/۲۰۱۶] Session 3: Tips and tricks to make it work!
    • Theory: The importance of initialization, dropout and bnorm
    • Hands-on: different initialization methods, how to add bnorm layers, etc.
  • [۱۱/۱۲/۲۰۱۵] Session 2: Deep Convolutional Networks
    • Theory: Types of layers and their purposes
    • Hands-on: Understanding the training algorithm, momentum, decay, etc.
  • [۰۴/۱۲/۲۰۱۵] Session 1: Introduction to Neural Networks
    • Theory: From ARNNs to Deep architectures and Convolutions
    • Hands-on: Training and inference on LeNet (MNIST) and AlexNet (CIFAR-10), filter visualization, and more!

 

اگه ویدئوها در دسترس نیستن میتونید از اینجا چک کنید

  • این آموزش و لینک اون رو سرکار خانم آسمان از گروه تلگرام یادگیری عمیق ما ، لطف کردن و به بنده معرفی کردن . از ایشون بخاطر لطفشون و اشتراک اون با بقیه دوستان تشکر میکنم

 

سید حسین حسن پور متی کلایی

درباره ی سید حسین حسن پور متی کلایی

موسس و مدیر سایت. اطلاعات در مورد فعالیت های کاری و تحصیلی : linkedIn . برای ارتباط از بخش تماس با ما یا در باره من استفاده کنید.

مقالات مرتبط

20 دیدگاه در “آموزش ویدئویی MatConvNet

  1. سلام،تشکر میکنم از سایت خوبتون
    من موضوع پایان نامم تشخیص بیماری با استفاده از تصاویر پزشکی با پردازش عمیقه که در اصل باید عکس هم افراد سالم و هم بیمار رو وارد سیستم کنیم و ویژگیهاشو در بیاره و بهمون بگه با توجه بیماری رو دارن یا نه،یعنی همون استخراج ویژگی و کلاسه بندی
    از طرفی من در پردازش عمیق خیلی تازه کارم هم تو مفهوم هم برنامه نویسی
    بنظر شما بهترین ابزار از بین کتابخانه هایی که تو بخش ابزارها مثال زدین کدومه؟caffe-thenao-tensorflow ,……….
    من ۶ ماه وقت دارم بر انجام پایان نامه
    خواهش میکنم یچی بگین که زودتر بشه باهاش اون برنامه رو نوشت و تموم کرد
    ممنونم

    1. سلام .
      پیشنهاد من اینه بجای یه فریم ورک /کتابخونه حداقل دوتا رو فرد یاد بگیره . یکی در حد آشنایی که اگر لازم شد بتونه کار خودش رو پیش ببره و دیگری برای عمیق شدن و کا رکردن درازمدت. چون کفی از لحاظ مستندات ضعیفه برای دراز مدت من تنسورفلو رو پیشنهاد میکنم
      اما برای استارت کفی رو . چون کفی مزایای خیلی خوبی داره .
      برای همین اول caffe رو در حد آشنایی یادبگیرید و چندتا تست باهاش انجام بدید بعد میتونید برید سراغ تنسورفلو و اونو یاد بگیرید و باهاش کار کنید.
      یادگیری Caffe و کارکردن با اون خیلی ساده است . در ساده ترین شکلش حتی نیاز به برنامه نویسی هم نداره .
      آموزش کفی از اجرای مثالهاش و ساخت دیتابیس برای تصاویر خودتون در سایت هست .
      آموزش تصویری و مقدماتی تنسورفلو هم در سایت هست . و البته در اینترنت هم زیاده .
      پس استارت رو با caffe بزنید که نهایتا طی یک هفته دو هفته خوب بتونید باهاش کار کنید. استارت کارتون رو بزنید اگه مشکلی نبود و تونستید تموم کنید که هیچ
      وگرنه استارت تنسورفلو رو بزنید. یادگیری تنسورفلو هم چیزی نداره و میشه طی یکی دو هفته آشنا شد و استارت کار رو زد. چون جامعه کاربری بزرگی داره میتونید تو استک اورفلو سوالهای مختلفی که پیش میاد رو بپرسید و جواب بگیرید.
      و مهمتر از اینا مستندات خیلی خوبی داره که خیلی کمک کننده اس.

  2. سلام وقتتون بخیر
    ببخشید توی توضیحاتی که من خوندم در سایت شما هیچ اشاره ای نکردین که بهتره پایتون ۲ یاد بگیریم یا پایتون ۳؟کدومش راحت تره برای یادگیریه من تازه کار؟برای هر جفتش کتابخونه ها کامل هست؟

    1. سلام . تقریبا همه چارچوبها و کتابخونه هایی که از پایتون پشتیبانی میکنن هر دو ورژن رو پشتیبانی میکنن (البته کفی پشتیبانی رسمیش فقط پایتون ۲ هست ولی در لینوکس پایتون ۳ هم کار میکنه و مشکلی نیست در ویندوز هم مشکل فقط دیپندنسی اون هست که احتمالا برطرف بشه)
      تنسورفلو هم هر دو ورژن رو کامل پشتیبانی میکنه.
      من شخصا پایتون ۳ رو پیشنهاد میکنم که برید و یاد بگیرید هرچند تفاوت انچنانی ندارن یعنی اگر سه رو یاد بگیرید میتونید براحتی با ۲ هم کار کنید و بلعکس . بنظر من پایتون ۳ قشنگتر کار کردن و من بیشتر خوشم میاد ازش شخصا.
      از لحاظ کتابخونه هم من مشکلی تا بحال ندیدم.
      از لحاظ پشتیبانی هم ۲٫۷ پشتیبانی بلند مدت داره یعنی حالا حالا ها ادامه داره استفاده ازش ولی خب اموزش ها و جهت گیری ها همه بسمت ۳ هست و شما هم بهتره با ۳ استارت بزنید

    1. سلام .
      کراس یه front-end برای تنسورفلو و ثیانو هست و خودش به تنهایی یه کتابخونه دیپ لرنینگ نیست.
      البته حق با شماست و یکی از کتابخونه های پرطرفداره که مستندات خوبی هم داره . منتها به این دلیل تا بحال قرار ندادمش
      البته در نظر داشتم توضیح بدم که مستندات بسیار عالی ای داره ولی گذاشتم انشاالله استارت آموزش تنسورفلو رو بزنم و بعد در کنار TFLearn و TFSlim اینم هم بهش اشاره بشه .
      (البته فعلا یک توضیح مختصر در مورد اینکه چی هست در بخش ابزارها دادم و میتونید ببینید. بخش کامنت اونجا رو هم فعال کردم که باز اگر مساله ای هست بتونید از همونجا پیگیری کنید)

  3. سلام مرسی از مطالب مفیدتون.من دانشجوی ارشد هوش مصنوعی هستم میخوام با استفاده از یادگیری عمیق تصاویر چشم رو طبقه بندی کنم به دونوع دیابتی و سالم.از یادگیری عمیق چیز زیادی نمیدونم وقت زیادی هم برای مطالعه و بررسی ندارم چند روز دیگه باید پروپوزال تحویل بدم میشه راهنماییم کنید از چه روشی استفاده کنم بهتر جواب میگیرم.یه راهنمایی کلی بکنید که باید چه مراحلی رو طی کنم؟ چه چیزایی یاد بگیرم؟.باتشکر

    1. سلام
      شبکه کانولوشن رو میتونید استفاده کنید ولی ضروریه حتما فیلد کاری رو چک کنید اگر کار مشابه ای انجام شده باشه ببینید دستاوردشون چی بوده که بتونید استفاده کنید و دوباره کاری نکنید .
      راهنمایی کلی هم نمیدونم منظورتون چی هست. شمایی که هوش مصنوعی پاس کردید کافیه مطالب سایت رو از ابتدا تا انتها بخونید تا ایده های مختلف رو بگیرید
      اگر زبان انگلیسیتون خوب هست بشدت پیشنهاد میشه آموزش ویدئویی دانشگاه استنفورد رو ببینید (بخش منابع یادگیری رو برای دیدن کتابها انجمن ها بقیه چیزاهای مورد نیاز ببینید و بخونید)
      بعدش میتونید با کفی یا تنسورفلو استارت کارتون رو بزنید
      اگر اصرار به استفاده از متلب دارید میتونید از MatConvNet استفاده کنید.

    1. سلام
      pycaffe از matcaffe بهتر هست چون پشتیبانی بیشتر و قوی تری داره .
      maconvnet بنظرم از matcaffe بهتر هست اونم بخاطر مستنداتش و پشتیبانی اختصاصی که از متلب داره .
      اگه تازه کار هستید و تازه میخوایید استارت بزنید پیشنهاد میکنم برید سمت تنسورفلو تا برای اینده دستتون هم باز باشه و چیزیک ه الان یاد میگیرید فردا هم بدردتون بخوره.

  4. با عرض سلام و خسته نباشید
    ویدیوی های اموزشی دقیقا همان هایی که در youtube که در پیام قبلی ارجاع داده اید، هستند؟ امکان دسترسی به سورس کدها و پاورپوینتا هم وجود نداره! اگه امکانش هست این فایل ها دوباره بارگذاری شوند. با تشکر. واقعا نیاز به این فایل ها به همراه سورس کدها دارم.

  5. خیلی از پاسخگویی شما ممنونم.
    دسترسی به سورس کدها خیلی برام مهمه. اگه تلاش بفرمایید که حتما بارگذاری بشوند خیلی خوب میشه!
    یک سوالم از خدمتتون داشتم. مدل های موجود مثل VGG یا ResNet50 به صورت عادی دارای خروجی لیبل هستن! در ماتریس imdb آنها شامل تعدادی تصویر آموزشی و تعدادی لیبل به عنوان خروجی هستند! اما در حال حاضر شبکه هایی طراحی شده که خروجی آنها تصویر هستند. یعنی ماتریس imdb انها شامل یک تصویر آموزشی ورودی و یک تصویر خروجی به ازای هر تصویر ورودی است. در این شبکه ها علاوه بر pooling از unpooling هم استفاده شده است. من نتوانستم کدهای آموزشی از این روش ها پیدا کنم .در واقع افرادی که کار کردند تنها ماتریس مدل آموزش دیده خودشونو در اختیار قرار دادند نه کد مربوط به روند آموزشو. میخواستم بدونم شما دسترسی به این نوع کدها داشته اید؟ در رابطه با سورس کدها هم اگه در اختیار بگذارید خیلی میتونه کمک کننده باشه. ممنون از لطفتون

  6. با عرض سلام و خسته نباشید. میخواستم پیگیر پیام قبلی باشم که پاسخ داده نشده است! ممنون میشم اگه راهنمایی برمایید. و اگر سورس کدها را در اختیار ندارید بفرمایید که چجوری میشه تهیه کرد. ممنون ازتون

  7. سلام.خسته نباشید.من پایان نامم درموردپردازش سیگنالeegاست که میخوام داده هاروکه دارم وثبت گرفته شده.حالامیخوام بایک روش عمیق.مثلاشبکه ی عصبی کانولوشنی عمیقودرمتلب پردازش کنم واستخراج ویژگی وطبقه بندی کنم.میشه باشبکه ی عصبی کانولوشنی عمیق تومتلب پردازش سیگنال انجام داد؟؟؟

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *