نویسنده اصلی این آموزش Magnus Erik Hvass Pedersen است.
- این آموزش برای علاقه مندان به شبکه‌های عمیق و تنسورفلو می‌باشد.
- هر بخش از آموزش یک موضوع را پوشش می‌دهد و کد آن نیز قرار داده شده است.
- آموزش‌های ویدئویی هر بخش در [YouTube] قرار داده شده است که به زبان انگلیسی می‌باشد. (https://www.youtube.com/playlist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ)
اگر با خواندن نوشته‌های فارسی مشکل دارید، در notebook خود کلیدهای CTRL+SHIFT+F را فشار دهید و با تایپ کلمه rtl گزینه‌ی toggle rtl layout را انتخاب کنید.
- مدل خطی ساده
(Notebook) (Google Colab)
- شبکه‌های عمیق کانولوشنی CNN
(Notebook) (Google Colab)
معرفی PrettyTensor API
(Notebook) (Google Colab)
3-B. معرفی Layers API
(Notebook) (Google Colab)
3-C. معرفی Keras API
(Notebook) (Google Colab)
- ذخیره و بازیابی
(Notebook) (Google Colab)
- یادگیری جمعی (Ensemble Learning)
(Notebook) (Google Colab)
- معرفی دیتاست CIFAR-10
(Notebook) (Google Colab)
- مدل‌های Inception
(Notebook) (Google Colab)
- یادگیری انتقالی (Transfer Learning)
(Notebook) (Google Colab)
- داده‌های ویدئویی
(Notebook) (Google Colab)
- تنظیم پارامترها (Fine-Tuning)
(Notebook) (Google Colab)
- مثال‌های تخاصمی (Adversarial)
(Notebook) (Google Colab)
- نویز تخاصمی برای دیتاست MNIST
(Notebook) (Google Colab)
- آنالیز دیداری
(Notebook) (Google Colab)
13-B. آنالیز دیداری دیتاست MNIST
(Notebook) (Google Colab)
- DeepDream
(Notebook) (Google Colab)
- Style Transfer
(Notebook) (Google Colab)
- یادگیری تقویتی
(Notebook) (Google Colab)
- معرفی Estimator API
(Notebook) (Google Colab)
- معرفی TFRecords & Dataset API
(Notebook) (Google Colab)
- بهینه‌سازی ابرپارامترها Hyper-Parameter Optimization
(Notebook) (Google Colab)
- پردازش زبان طبیعی NLP
(Notebook) (Google Colab)
- ترجمه ماشینی
(Notebook) (Google Colab)
- Image Captioning
(Notebook) (Google Colab)
- پیش‌بینی سری‌های زمانی (Time-Series Prediction)
(Notebook) (Google Colab)
آموزش ویدئویی هر بخش در ویدئوها موجود است.
در بعضی از آموزش‌ها از PrettyTensor API برای ساختن شبکه‌های عصبی استفاده شده است که تقریبا منسوخ شده است. بنابر این پیشنهاد می‌شود از Keras API برای ساخت شبکه‌های عصبی استفاده کنید.
راه‌های متفاوتی برای نصب و استفاده از Tensorflow وجود دارد.در زیر یکی از روش‌های نصب آن توضیح داده شده است. شما میتوانید از سایر روش‌ها آن را نصب کنید.
در زیر روش نصب واستفاده از فایل‌های آموزش در سیستم عامل Linux شرح داده شده است. همچنین میتوانید از Google Colab برای اجرای کدها استفاده کنید.
برخی کدها یا ماژول‌های مشترک بین آموزش‌ها در فایل جداگانه‌ای ذخیره شده‌اند تا سایر فایل‌ها بتوانند از آن‌ها استفاده کنند. بنابراین کل فایل‌ها را دانلود کنید و نه به‌صورت تک تک.
آسانترین راه استفاده از کدها، استفاده از دستور git در خط فرمان لینوکس است:
git clone https://github.com/Hvass-Labs/TensorFlow-Tutorials.git
دستور فوق یک دایرکتوری به نام TensorFlow-Tutorials ایجاد کرده و فایل‌ها را در آن دانلود می‌کند.
همچنین با اجرای دستور زیر در دایرکتوری کدها، میتوان آن@ها را بروزرسانی کرد:
git pull
همچنین میتوانید فایل‌های فوق رااز github و به‌صورت یک فایل فشرده دانلود کنید.
پیشنهاد می‌شود که از توزیع Anaconda استفاده شود چون پکیج‌های پایتون زیادی به همراه دارد.
پس از نصب anaconda, شما باید یک conda environment بسازید:
conda create --name tf python=3
هر وقت آپدیت جدیدی برای پایتون منتشر شود، مدتی طول می‌کشد تا تنسورفلو آپدیت شده و از آن استفاده کند. اگر در نصب تنسورفلو دچا میتوانید نسخه پایین‌تری از پایتون را انتخاب کنید. مثلا مانند زیر میتوانید شماره نسخه پایتون را مستقیما تعیین کنید. ر مشکل شدید:
conda create --name tf python=3.6
حالا میتوانید به environment جدید وارد شوید (در Linux):
source activate tf
پکیج‌های پیش‌نیازی که باید نصب شوند در فایل requirements.txt لیست شده‌اند. ابتدا نیاز است تا این فایل را ویرایش کرده و تعیین کنید که می‌خواهید ورژن cpu تنسورفلو را نصب کنید و یا gpu را.
برای نصب پکیج‌های مورد نیاز، لازم است پس از فعال کردن envirnment که در مرحله قبل توضیح داده شد، دستور زیر را اجرا کنید:
pip install -r requirements.txt
توجه کنید که نصب نسخه‌ی gpu تنسورفلو نیاز به نصب درایورهای nvidia متعددی است که در اینجا توضیح داده نشده است.
این آموزش در سیستم عامل لینوکس و با نسخه‌ی Python 3.5 / 3.6 (و توزیع Anaconda) و PyCharm توسعه داده شده است.
ممکن است با پایتون نسخه 2.7 پیغام خطا دریافت کنید. پس لطفا اطمینان حاص کنید که از نسخه Python 3.5 یا جدیدتر استفاده می‌کنید!
اگر دستورالعم‌های بالا را اجرا کرده باشید، با دستور زیر میتوانید کدها را در نوتبوک پایتون اجرا کنید:
cd ~/development/TensorFlow-Tutorials/ # Your installation directory.
jupyter notebook
دستور فوق لیستی از آموزش‌ها را در مرورگر شما نمایش خواهد داد. با انتخاب هرکدام از آن‌ها میتوانید کد هر بخش را ببینید و اجرا کنید.
اگر مایل نیستید چیزی در کامپیوتر شخصی تان نصب کنید میتوانید کدهای آموزش را در Google Colabببینید، ویرایش کنید و اجرا نمایید. ویدئوی YouTube video نحوه این کار را نمایش می‌دهد. شما میتوانید لینک "Google Colab" را از لیست سرفص موضوعات بالای صفحه انتخاب کنید. برای اجرا کد لازم است ابتدا یک حساب کاربری بسازید. در مرحله بعد،با اجرای دستورات زیر در ابتدای نوتبوک،کل کدهای آموزشی و را به دایرکتوری colab شما کپی می‌کند.,
import os
work_dir = "/content/TensorFlow-Tutorials/"
if os.getcwd() != work_dir:
!git clone https://github.com/Hvass-Labs/TensorFlow-Tutorials.git
os.chdir(work_dir)
پکیج‌های پیش‌نیاز در colab نصب شده هستند اما اگر خطایی دریافت کردید میتوانید با دستور زیر از نصب آن‌ها اطمینان حاصل کنید:
!pip install -r requirements.txt
برخی اوقات ممکن است به دلیل رفع اشکال، بهبود و اصلاح کدها، ویدئوها با کدهای آموزشی کمی متفاوت باشند.
اگر می‌خواهید ورژن دقیق کدهای استفاده شده در ویدئوهای آموزشی را بدانید، میتوانید تاریخچه commitهای github را بررسی کنید.
These tutorials and source-code are published under the MIT License which allows very broad use for both academic and commercial purposes.
A few of the images used for demonstration purposes may be under copyright. These images are included under the "fair usage" laws.
You are very welcome to modify these tutorials and use them in your own projects. Please keep a link to the original repository.