یادگیری عمیق
تنسورفلو یا پایتورچ، چرا PyTorch برای محققین انتخاب مناسبی است؟
تنسورفلو یا پایتورچ، مسئله این است! تنسورفلو (TensorFlow) و پایتورچ (PyTorch) دو پلتفرم قدرتمند یادگیری عمیق، به عبارت دو ستون اصلی در زمینه یادگیری عمیق هستند. تنسورفلو توسط گوگل توسعه پیدا کرده و به scalability و سازگاری مشهور است. در…
مطالعه مروری روشهای بهینهسازی مبتنی بر گرادیان نزولی
یادگیری در شبکههای عصبی به لطف مشتق و گرادیان نزولی(gradient descent) انجام میشه. در گرادیان نزولی، در هر تکرار آموزش شبکه عصبی شیب خطا محاسبه میشود و الگوریتم در جهت کاهش خطا حرکت میکند تا به حداقل خطای تصیمیم گیری…
تابع هزینه cross entropy و تفاوت آن با مربعات خطا
تابع هزینه یک تابع ریاضیاتی است که عملکرد یک شبکه عصبی را در انجام یک تسک خاص اندازه گیری میکند. توابع هزینه نقش اساسی در یادگیری شبکه های عصبی دارند و به شبکه های عصبی کمک میکنند در راستای هدف…
مکانیزیم Attention در یادگیری عمیق
با پیچیدهتر شدن مدلهای یادگیری عمیق، نیاز به روشهای موثر پردازش میزان زیادی داده، اهمیت فزایندهای پیدا کرده است. یکی از این روشها، مکانیزیم توجه است که به مدل امکانی میدهد تا در هنگام پیش بینی بر مرتبطترین اطلاعات، تمرکز…
واسط مغز-کامپیوتر و الگوریتم های یادگیری عمیق
در حال حاضر کامپیوترها و مغزها هر روز در آزمایشگاههای فناوری پیشرفته با یکدیگر صحبت میکنند و هر روز این کار را بهتر و بهتر انجام میدهند. برای مثال افراد معلول میتوانند یاد بگیرند که با قدرت ذهن خود بر…
چالش های آموزش شبکههای عمیق و راه حل آنها
یادگیری عمیق و شبکههای عصبی از پیشرفتهترین و پرکاربردترین فناوریهای امروزی هستند. علیرغم پیشرفت قابل توجه آنها، هنوز چالشهای زیادی در یادگیری عمیق وجود دارد که محققان و متخصصان در تلاشند تا بر این چالشها غلبه کنند و مدلهای بهتری…
درک یادگیری انتقالی در یادگیری عمیق
استفاده مجدد از یک مدل از پیش آموخته شده برای یک مسئلهی جدید، یادگیری انتقالی نام دارد. مفهوم یادگیری انتقالی به طور خاص در یادگیری عمیق بسیار محبوب است زیرا این قابلیت را دارد که شبکههای عصبی عمیق را با…
شروع کار با یادگیری عمیق: 5 موردی که باید حتماً بدانید
میخواهید حرفهی یادگیری عمیق خود را آغاز کنید؟ یادگیری عمیق میتواند یک حوزهی پیچیده و دلهره آور برای تازه واردان باشد. مفاهیمی مانند لایههای پنهان، شبکههای عصبی کانولوشنال، پس انتشار خطا و مسائل جدیدی که هر روزه مطرح میشوند و…
AlexNet:معماری که CNNها را به چالش کشید
سالها پیش، ما هنوز از دیتاستهای کوچکی مثل CIFAR, NORB استفاده میکردیم که متشکل از دهها هزار تصویر بودند. این دیتاستها برای مدلهای یادگیری ماشین مناسب بودند تا تسکهای تشخیص ساده را یاد بگیرند. با این حال، زندگی واقعی هرگز…
هنر و هوش مصنوعی
ما به دلایل متعددی به هنر روی می آوریم: برای بیان عاطفه یا احساس، برای یادآوری رویدادها و احساسات گذشته، برای ارتباط برقرار کردن و برای تحصیل. به طور خلاصه، هنر چیزی است که خلق میکنیم تا بدانیم چه کسی…
مفهوم کانولوشن در CNN
اگر بخواهیم تفاوت اصلی لایههای کانولوشن را با لایههای معمول شبکههای عصبی بیان کنیم، میتوانیم بگوییم لایههای Dense الگوهای global را در فضای ویژگی ورودی خود یاد میگیرند در حالیکه لایههای کانولوشن الگوهای local را یاد میگیرند. برای مثال یک…
درک شبکههای عصبی بازگشتی و LSTM
اگر تابحال از Apple’s Siri و Google voice search یا Google Translate استفاده کردهاید، باید بدانید که این اپلیکیشنها از شبکههای عصبی بازگشتی (RNN) استفاده میکنند که جدیدترین الگوریتمها برای دادههای توالی هستند. RNN اولین الگوریتمی است که به دلیل…