data/Pytorch_Session_transcript_part2.txt

همینطور چرا چون مدلتون رو اون دیوایسه ایکس رو به مدل میدیم پردیکشنش در میاد لاس فانکشن رو حساب میکنیم حالا کلاس فانکشن حساب کردیم رو لاست باید یه بک وارد بزنیم دیگه قبلش میایم اپتیمایزرون زیروگرت میکنیم تمام گرادیان های که از ایپاک قبلی بوده رو صفر میکنیم در واقع هر بخش گرادیانش با بچه قبلی فرق داره دیگه شما صفر میکنید لاس و بکوارد میکنید اپتیمایزر تو یک واحد استپ میشه در واقع اعمال میکنه و از های جدید به مدل اضافه میشه گرادیان افزایش پیدا الکی دروغ یه گرادیانی برای هر ماتریس چیز میکنه ببین شما ماتریس گرادیان شما هر بار که بار میکنید گرادیان هر خونه حساب میشه استپ که میکنید اعمال میشه به چیز در واقع میاد وزن مثلاً یک یک و مثلا یه ماتریس

سه بعدی داشته باشی به اندازه دو دهم قرار مثبت تغییر کنه دفعه بعدی این دو دهم تغییر کرده قرار نیست دوباره تغییر کنه پس صفر مگه اینکه یه بعضی موقع‌ها یه مشکل پیش میاد شما قراره که در واقع یه مدلی رو ترین کنید ولی جی پیوتون نمیزاره مثلا جی پی یو من الان ۸ گیگ ویرم داره من اگه یه مدل بسیار بزرگی رو لطف کنم و بخوام ترین کنم که هفت گیگ از در واقع چیز منو گرفته ویرم جی گرفته نمیتونم سایز مناسبی رو انتخاب کنم و مجبورم دو خب الان بذاریم دو چه مشکلی پیش میاد اصلا تفاوت سایز سایز چه اختلافی ایجاد میکنه نه در واقع اینطوری که خیلی پایین باشه روند خیلی نویزی میشه چون هر داده یه حرفی رو میزنه

و مدل هی باید بپره بین این داده اون داده خیلی نویزه فول بچم دقت درستی نمیده حتما بهترین دقت و فول بک نداره اتفاقا شما بیاین مثلاً چند تا مدل مقایسه کنی نمودار رسم کنی اون وسط مسا بچه ۱۲۸ ۲۵۶ بهترین دقتو داره چرا چون در واقع هم از خاصیت نویزی بودن استفاده می‌کنی نویزی بودنم برای ما خوبه چون اگه تو مثلاً به جای که هزار تا داده رو ببینی ۲۰۰ تا رو دیدی دفعه بعدی0 تای بعدی که داری نگاه میکنی باعث میشه که در واقع اون خاصیت نویزی بودن از یک مسیر بنداز یه مسیر دیگه و حالا تو اون کانوکس پیچیده اش به جای بهتری میتونیم برسیم و خب تغییراتمون هم بزرگتر میشه دیگه هرچی بچه ها کوچکتر باشه تغییرات بزرگتر احتمالش است آره چون نویزی شده دیگه

خب حالا الان چیکار کنیم که نمیتونیم بچه مثلاً بزرگتر از دو بدیم بچه دو که خیلی نابده دیگه مدل هیچ وقت نمیشه همه دیتاها رو میاد مثلا هر ایپاکتون مثلا ۲ میلیون وجه داره خیلی روند که طولانیه خیلی هم که نویزی حرکت میکنیم چرا چون هر دوتایی که وداره میاد یک بار بکوارد میده اون بک و باید حالا بیاد اعمال کنه چیکار میکنیم چون ممکنه الان تو تمرینتون شما به این بخورید چجوری یعنی اصلا دیتای لود کردنش مهم نیست اون بچه مهمه مدل حجمش خیلی بزرگه مدل مثلا نزدیک ۵۰ میلیون پارامتر داره

۵۰ ۲۴ میلیون پارامتر دارد لودش می‌کنی ۴ گیگ میره که تاثیر نداره آره شما میاین میگید آقا من از خاصیت جمع شوندگیش استفاده می‌کنم مثلاً بچه سایزش دوئه شما میخوای ۱۶ هشت بار روند رو ادامه میدی لاس فانکشنت همینطور داره هی بکوارد میشه اون گرادیانه ماتریسه صفر نمیشه دیگه هی افزایش افزایش یک بار این رو اعمال کنی و دوباره صفر میکنیم حالا خودش روش های خیلی خاص خودشو داره اکوملیشن گرادیان اسمش و روش های مختلفی داره بعضی ها میان نرمش میکنن تقسیم میکنن به تعداد حالا اون دیتا بچه هایی که برداشتن بعضی

چرا حالا تقسیم می‌کنند به خاطر اینکه اون گرادیان اکسپلودینگ اتفاق نیفته یهو یه گرادیان خیلی بزرگی رو بکوارد نکنیم به داستانمون بعد حالا اینکه دیگه برای نمایش میاد حالا اگر باقی مونده در واقع بچه‌ها به ۱۰۰ صفر بود میاد یه دونه در واقع لاست رو بهت نشون میده که لاست چقدره توی تست لوپمون هم دقیقا همین روند رو داریم با این تفاوت که ترش فراخونی میکنیم چون نمیخواهیم گراین حساب شه از اون طرف اپتیمایزر و بکوارد و اینا نداریم فقط میدیم به مدل اون پی که در میاد رو یه لاس حساب میکنیم و ازش یه آرگ مکس مثلا اینجا گرفتم که کلاسش در بیاد مقایسه میکنه ببینه آیا این با لیبل ما یکسان بوده یا نه که یه اکیرسی برای شما تولید کنه این از این و در نهایت هم میرسیم به اینجا که خب حالا

تعریف کردیم اپتیمایزر رو تعریف کردیم تعدادی پاک مورد نظرتونو تعریف می‌کنیم حالا می‌خوایم سریع باشه ۴ یه حلقه مینویسم به تعداد ایپاک ها ترین لوپ و تسلوپ رو هی فرا بخونیم دیتای مورد نظر ترین و تست رو بهش میدم که جدا از همه مدل حالا و بهش میدم یه جا رو ما آها ببینید آره من اینجا عوض کردم الان میگه آقا دو تا روی دیوایس نیست یکیش رو کودا یکیش رو سی پی یو نمیتونی ران کنی اینو خودم و در نهایت هم که مدلتون ترین بشه شما باید سیوش کنید یا وزن ها را سیف میکنید یا کل مدل رو اگر استیت شد سیف کنید فقط وزن ها را سیو میکنه اگر کل مدل رو سیف کنید کل مدل سیف میکنید و ما باید بدید تحویل بدید دیگه ما در واقع شما این تیکه رو بعد از هر تمرینتون

لطف کنیم رو دیتای خودمون که جدا از دیتاهای شماست مثلاً ران کنیم و حالا اگه اکیرسی خاصی مد نظر ما بود بهش برسیم آره کلاً ساختار استراکچر و همه اینا رو فقط یه دیکشنری از وزنا آره خب از اینجا سوال نیست گذاشتم تو اسلاید بعدی توی فایل بعدی میبینیم دات pth این برای پایتون اچ فایو هم میتونید سیف کنید آره اچ فایو میزنیم بعد حالا اینکه یه مدل سیف کردن حالا اگر بخواهید واقعا تو پروژه هاتون از یه مدل استفاده کنید مدل ترین کردید و نمیخواین مدل خیلی اینطوری باز باشه چون الان شما

فراخوانی کنید مدل وزن داشت بره بشینه روش و حالا مدلو هی بگه آقا بزار رو ترین باشه بزار رو ایول باشه اکسپورت می‌گیریم ازش حالا روش‌های خیلی مختلفی از تنسور آرتی هست اونیکس هست شما میاید در واقع یک بار با استفاده از یه لایبری به نام اونیکس مدلتون رو فراخونی میکنید بهش میگید آقا ورودی ها میتونه متغیر باشه حالا ثابت باشه و یه اکسپورت یک فایل تک به شما میده که شما میتونید ببرید بزارید مثلا بین مدل های دیگتون روی رباتتون روی حالا سیستمتون و فقط ازش ورودی و خروجی بگیرید دیگه به ساختار مدل نمیتونید دست بزنید که مثلا یه جا اشتباه پیش بیاد ساختار مدل عوض بشه وزننا عوض بشه یه اشتباهی این اکسپورت های که حالا گفتم اگر پروژه بعضی هاتون رباتی و اینجور چیزاست کاربرد داره بستگی داره سنسور آرتی رو آر تی چیه اون

مدل بهت میده دیگه بهش راحت ورودی میدی فقط خروجی رو میده بهت هیچ کاری نمیتونی رو مدل بکنی فکر کن یه شرکتی دارید و اون شرکت میخواد یه مدلی رو بفروشه شما اون اونیکس رو در میارید دیگه کسی نمیتونه ببینه اونیکس چه شکلیه و وزنشو تغییر بده رو هرچی که بگی سی پی رو جی پی یو رو موبایل پایتونه دیگه یه سوال نه هیچ فرقی نداره همه چی یکسان تو درایو بعد حالا یا دانلودش کنی یا حالا در اشتراک خب این تا اینجا بود در واقع برای ساده که تمرین الانتونه و فکر نمیکنم هیچکس هم بره سراغ پایتون

سخته یه کوچولو اینجا شما می‌نویسی اونجا یه مدل داد فیت میزنی یه اپتیمایزر ۱۰ تا چیز میگیره ولی خب باید توی اون اگر بخواهید تغییر ایجاد کنید باید مهارت کد نویسی بهتری داشته باشید که بخواهید چیزهایی از البته الان خیلی پیشرفت کردن همشون سعی میکن در رقابت با هم یک چیز رو ارائه کنند ولی اگر ضبط میشه دیگه همه چی الان یکسانه ولی حالا انتهای این میبینیم نالج دیسلیشن آورده ولی همه چیش دست شماست لا فشن که تعریف میک نحوه ترینینگ که میخوای همه چی دست شماست و پایتون این در واقع دسترسی آزادش اینجاست که این صفحه هیچی دیگه سوالی نیست بریم بعدی خب حالا میدونم یه

تموم نشده بگم یه ببینیم با هم چون تمرینشو ما میدیم برای همین امشب گفتم قراره تمرینشو من بدم ددلاینش خیلی بده ها ولی دکتر گفتن که فرصت داشته باشید روش فکر کنید کسی که دوست دارید آره چون ممکنه بعد دوباره من بیام ولی نمیدونم فرصت بشه دم تمرینتون برسه یا نه میخوین بگم اگه وقت هر کی حالا اگه دوست داشت میتونه بره خب تا اینجا پس ما فهمیدیم اپتیمایزش چیه دیتا ست چجوریلود میکنیم و حالا اون مدل رو چجوری تعریف میکنیم از اینجا به بعد حالا ما میخویم مدل ببریم ام ال پی که بود

تنها تفاوت‌ها اینه که حالا باید کانولوشن بزنیم مکس پول بزنیم حالا انواع اینجور چیزا هدفمون توی این کد در واقع اینه که یک بار این اقدام رو بر روی دیتا ست سیفارتن انجام بدیم قبلی رو بردارم از رو جی‌پی‌یو خوب در واقع ۱۰ تا کلاس داره که عکس ها ۳۲ در ۳۲ میتونید بگیرید موضوع خوبی هم میبینید نداره و هدف کلاسیفیکیشن در واقع این ده کلاس هست هم داریم که ۱۰۰ کلاسسه و خیلی خوب دقت بهتری اینجا ما چند تا هدف داریم یک زدن یک شبکه در واقع از ابتدا بهش میگن از خودتون شبکه رو تعریف کنید از صفر با وزن های رندوم مدل رو ترین کنید یه حالت داریم نه بیایم

استفاده کنید و فقط اون تیکه کلاسیفیکیشن آخر رو در واقع استفاده کنید ترین کنید یا مثلاً پریترینتونو فاینتیون کنید کلاً رو دیتا ست خودتون که انواع مختلف یا نالجیستریشن که حالا انتهای این میگم یه رابطه بین استاد و دانشجویی داره استادی میاد سر کلاس دانش خیلی بالایی داره شروع میکنه یه منطق یک کتاب رو به زبان ساده تر برای شما گفتم و شما از اون منطق ساده تر یاد میگیرید تفاوتش در اینه که به جای که لاس فکشنتون بیاد از تو لیبل ها استفاده کنه برای محاسبه ارور میاد تیکه از خروجی مدل قوی تر رو استفاده میکنه این باعث میشه مدل کوچکتر توانایی بهتری پیدا کنه که خب خیلی استفاده داره دیگه شما فکر کنید یه مدل ۲۳ میلیون پارامتری قراره روی گوشی موبایل ران کنی نمیشه که میای با این روش ها یک مقدار اون مدل

۳ میلیون پارامتری رو دقتشو می‌بری بالاتر و از اون استفاده کن که حالا جلوتر خب مثل دفعه قبلی دوباره من باید یه ترین لوپ و تستلوپ بنویسم که همونه فقط نحوه در واقع چیزها تغییر می‌کنه شما می‌تونید مثلاً یه کوچولو دست ببرید اون لاستون اگر سایزتون کوچیک بود یا مثلا میخوید به صورت بار پر شه که داره مثلا چند درصد چند درصد میره جلو این وگرنه این کد بزارید تو کدتون تا آخر تحصیلتون همین یه کد کافیه برای همه چی بعد اینو تعریف میکنیم سی ان ان رو باید تعریف کنیم که حالا میایم دیگه میایم بر اساس چیزایی که هنوز نخوندید کانولوشن رو در واقع اعمال میکنیم رو عکس ها به صورت پنجره ای حرکت میکنیم و دلیلون چیه که کاندیشن بهتر از ام ال پی رو عکس

لوکال به هر قضیه نگاه میکنه این لوکال نگاه کردن مهمه شما نمی‌تونید فردا بیاین هر پروژه‌ای که حالا دارید تو ارشدتون رو بدید به مدل سی ان ان اگه قضیه لوکالیتی مهمه میتونید بدید اگه لوکال مهم نباشه یا داده هاتون هیچ ربطی به هم نداشته باشن نمی‌تونیم از مدل های سی ان ان استفاده کنیم دقتش خیلی پایین تره اونجاست مثلا میتونید استفاده کنید یا حالا اگر بشه ترانسفور یه محاسبه داره اینکه چنل ورودی تو چی باشه چنل خروجی چی باشه کل سایزمون چی باشه حالا اون پامون قضیه اش چیه چنل ورودی که خوب همواره عکس ورودی تون آر جیبی یا حالا مونوکروم تک رنگه یا یک یا سه چنل های خروجی رو شما به صورت خیلی آروم میتونید افزایش بدید مثلا از سه به ۱۶ ۱۶ به ۳۲ ۳۲ ۶۴ همینطور برید بالا یا میتونید پله ای بپرید مث از سه

بمونید بعد یهو برید ۶۴ دوباره چند لایه بمونید حالا بستگی به اون فیچرزایی که از تصویر میکشه بیرون سایزمون هر چقدر بزرگتر کنیم اون لوکالی رو بیشتر نگاه میکنه فضای بیشتری نگاه می‌کنه خب اگه عکستون حالا اینجا ۳۲ در ۳۲ ابعادی نداره که من بخوام ولی مثلا عکستون اگر ۶۴۰ در ۶۴۰ باشه بخواهیم مثلا کل سه بزنید روش چیز خیلی خاصی در نمیاد ۱۱ معمولا میزنم روش که اون قضیه لوکال رو بیشتر دقت کنید چون خیلی پیکسللاش زیاده حداقل هیچ چیزی هیچ آبجتی در واقع تو اون ۹ تا پیکسل دیده نمیشه هیچ فیچرز نداره پینگ سیم حالا بزنید یا پینگ صفر یک اینا بزنید باعث میشه حالا اون محاسبه ابعاد عکستون به هم نریزه و یه دونه هم داریم به نام استرا فکر کنم که این شیفت بین ویندوهایی که در واقع داریم میریم جلو خب

کانگولوشن می‌زنید یه رلو می‌خوره روش یه بحثی هم داریم به نام حالا دراپ اوت دو بعدی چه تفاوتی داره با دراپ‌ها به جز اینکه دو بعدیه ببین شما میتونی یه عکس فرا بخونید و حالا تک پیکسل‌ها رو خاموش کنیم چه تفاوتی داره که تو یه عکس سه تا پیکسل خاموش باشه عادی زدیم و هیچ کاربردی نداره و الکی مثلا اون پیکسل ها رو سوزوندی مثلا اطلاعاتشو ما اگه بخواهیم واقعا از استفاده کنیم توی در واقع سی ان ان یا باید بیایم در واقع دو بعدی استفاده کنیم یا از بلاکش استفاده کنیم که سه بعدی میشه و در واقع میاد یک ناحیه را یهو آف میکنه یک فیچرز رو از تصویر یهو قطع میکنه و باعث میشه که یک مقدار مثلا حالا اون قضیه های که دنبالشیم

مکس فولم که در واقع ابعاد رو کوچیک میکنه بچ نورم که حالا بر اساس اینه که خروجیتون رو نرمالیزه کنه و همواره هم در واقع خروجی اون چنلات این رو به همین صورت می‌بینید ادامه دادم یه مدل سیکوئنشیال چند تا اومدم اینپ براتون نوشتم که هرچی کی میشه بعد فلتن میشه بشور میخوره روش دوباره یه ام ال پی و دراپ اوت وی هم ادامه پیدا میکنه آیا این بهترین ساختاره نه بعد امتحان کنید تجربه ای میرسید به اینکه خیلی بهتر چه چیز کنید مثلا یکی از کارا اینه که آقا بعد از اینکه سی ان ان تو خروجی داد بیش از دو لایه دیگه اتفاق خاصی نمیفته معمولا دیگه ته تهش دو لایه اینجا سه لایه گذاشتیم دو لایه دیگه پشه و اگر خیلی مثلاً

خروجیتون بزرگ بود می‌تونید حالا به جای اینکه مرحله آخر یه مکس پول بگیرید حالا از ادپتیو یا گلوبال اوریج پولینگ استفاده کنیم میاد تمام لایه‌ها رو یهو سفت می‌کنه یا تمام پنجره رو سفت می‌کنه یکی می‌کنه مثلاً یه هفت در هفت داشته باشید در ۱۲۸ یهو میکنه فقط یه بردار ۱۲۸ تایی و خب یهو دیتاها رو خیلی کم می‌کنه دیگه و ماکس بین تمام اون خونه رو میگیره این کار معمولا انجام میشه بعدش که یه فوروارد مینویسی براش و مدلتون آماده است بعدم که مدل رو که ساختید رو دیوایس قرار میدید تمام پارامترهاش رو میتونید دو تا نکته که هست اینکه اوکی ما مدل رو ساختیم میخویم یه پارامترهایی اصلا ترین نشه این کجا در واقع کاربرد داره تو اون قضیه پیترین اینا شما یه مدلی دارید اومدی فول کانکت آخرش رو عوض

باشه اون فقط اون تیکه رو گرادیانشو تورو می‌کنی بقیشو آف می‌کنی که دیگه وقتتم نگیره بعد اینم بریم بعدم که میتونی در واقع سامریشو ببینید چه جوریه من الان خب یه عکس ورودی گرفتم و خروشیم ده تاییه میام تعریف می‌کنم با عدم هم هست در واقع همون ساختار هست تروپی که برای چیزه هم که در واقع همون رگولاریزیشن ال تو در واقع میاد یه مقداریزیشن رو بهتر میکنه اور فیت شدن به داده ها کم میشه و دقتتون باید افزایش بده این مثلا این کد اینطوریه که هر که ۳۲۰۰ تا رو یه لاس فانکشن به من اعلام میکنه در نهایت هم یه اکیورسی رو داده های ولیدیشن شما حالا دوست دارید اینو یه مدل دیگه نشون بدید دیگه ویژوالیزیشن

داستان هر کاری دوست دارید می‌تونید انجام بدید خب قبل اینکه بریم روی ولیشن دیگه چیکار میتونیم بکنیم برای بهبود داستان بهترین لاست فانکشن رو پیدا کردید اپتیمونم بهترینه ساختارمونم نمی‌تونیم تغییر بدیم دیگه یه چیزه پایپ پارامتر داری چی تغییر دیلرنینگ ریتا رو میتونی عوض کنی در واقع سایز میتونی عوض کنی و شما یه مدلی گذاشتی ۵۰ پاک بره خب از یه جا به بعد دیگه دقتش افزایش پیدا نمیکنه و فقط از اینجا به بعد چه اتفاقی میفته اور فیت میشه رو داده ها شما میتونید تابع های دلخواه تعریف کنی و بیای این رو قطعش کنی اگر

۵ ایپاک میزان اکیرسی کمتر از یک درصد ترشولد بزارید تغییر کرده دیگه بسه ۵۰ تایی پاک نره چیزی نیست مثلاً من الان مدلی دارم که ۹۰۰ تا هزارتایی پاک داره میره هزار ای پاک دو هفته طول میکشه بره آره رو ولیدیشن اکیورسی میگیرم یه بچه ۱۰۰ تایی که ورمیداره میگم مثلا میگم دقیقا چند درصد شبیه اون داستان مائه میگه مثلا ۸۵ درصد ۸۹ درصد ۹۲ درصد همینطور میره بالا نه داره میتونید استفاده کنید میگم الان خیلی اینا گسترش پیدا کرده یه سرچ بزنی هم خود پایتورش داره هم میتونید کتابخونه های دیگه رو با پای ترش قاطی کنی همه رو میتونی استفاده این دیگه خیلی بیسیکشو من آوردم

که فقط یه صحبتی در مورد همه چی کرده باشه تفاوتش اینه که الان این اقدام را انجام بدی مثلاً ترینت ۷۲ درصده ولی ولیدیشن ۵۳% چرا چون داره اول یاد میگیره خیلی شبیه اوناست دیتایتره ولی ولیدیشن ممکنه اصلا یه دیتا ست دیگه باشه آره مثلا تشخیص یه آبجکته یه تشخیص یه رنگه کار شما میتونید دو حالت بیاید دیتا ست اولیه را بیاری تقسیم بر مثلا ۸۰۲۰ بکنی عین همن دیگه یه شافل هم کردی تقسیم بر هشت بیست کنی ۸۰ درصدشو بزاری برای ترین ۲۰ درصد بزاری دقتت خیلی میره بالا بعد مدلی که داری نباید مثلا هفت هشت درصد دقت داره به کارفرما یا استاد میدی اون رو دیتای خودش تست میکنه میگه که ۸۲ درصد چرا چون دیتاهای اون با دیتای تو فرق داشته

بهتره که مثلاً اگر کلاس‌هامون خیلی زیاد نه کلاسمون چه جوری بگم امکانشو دارید که دیتا ست‌های مختلف داشته باشید یه تیکشو اصلاً کلاً ندید بهش بذارید برای تست و ولیدیشن حالا جنسشم ممکنه خیلی شبیه اونا نباشه مثلاً فکر کن رنگو میخوای تشخیص بدی رنگ این میزو امروز تو این نور عکس گرفتی فردا توی نور دیگه عکس گرفتی و نور رو رنگ خیلی تاثیر داره شما یه شافل کنی بهش بدی جفتشو دیده برای همین تو ولیدیشن جفتشو اگر باز ببینه دقت خوبی بهت میگه ولی اگر نه یه روزشو بزاری برای ولیشن یه روزشو بزاری برای تست و ترین یهو میبینی دقت خیلی پایین بالا شده اونجاست که باید بیای بری حالا چیکار کنی که در واقع جنزیشن توبری بالا آگمنتات عوض کنی نور یکم بازی کنی مثلا خودت باهاش و کارای دیگه که بخواهیم توضیح حالا مدلتونو شما رفتید و

می‌خواهیم دقت نهایی را گزارش کنید یه وریدیشن حالا می‌تونید بنویسید که حالا بیاین دقت همه چیزها را به شما بگه من اومدم یه بار روی در واقع دیتای ترین ولیدیشن گرفتم یه بار روی خود دیتای ولیدیشن و یه بار تست فقط کردم که ببینم درصد چطوره می‌بینید که مثلاً الان دو تا چهار تا پاک رفته چقدر رفته پنج تا پاک رفته خب اتفاق خیلی خاصی نیفتاده ولی اگر بیشتر بزارید اختلاف گام بزرگتری میشه بعد شما میتونید این رو به انواع مختلفی گزارش کنید مثلا یه بحث دیگه اینه که آقا تو هر کلاس چقدر خطا دارم من الان من ۱۰ تا کلاس دارم و چند درصد خطا دارم مثلا میبینید که مثلا هواپیما رو ۷۴ درصد دقت داشته ولی اصلا گربه و پرنده رو نداشته چرا چون هیچی یاد نگرفته در موردش و از اونور مثلاً ترا ۸۳ درصد مثلا بخش بعدیمون

در واقع ترنسفر لرنینگ استفاده بکنیم شما دوباره دیتا ستی رو میخونی میای به با استفاده از اون ترانسفورمرا که گفتم ترانسفورما رو تعریف می‌کنی ریسایزش می‌کنی رندوم هوزنتال فیلیپ میزاری اینا یه آگمنته به یه درصدی اعمال میشه روی در واقع دیتا ست که میخونی و تو تنسور هم که فقط میبره صفر تا ۲۵۵ عکس رو بین صفر تا یک و حالا تستمونم که حالا میمونه فقط میخوام ری سایز بشه تو تنسور بشه نمیخوام آگمنت چیز دیگه داشته باشه میام تقسیم میکنمش و حالا دیتا ستش لود میکنیم که اینم چیز خاصی نداره یه مدلی رو باید فرا بخونیم خب مدل چجوری مدل فرا میخوانیم یا باید وزنی داشته باشید که خودتون قبلاً ترین کردید میخونید میاد یا باید این مدل رو از یه جایی تو اینترنت بردار

خود پای ترچ مثل تنسوفلو مثل کراس الان خیلی از مدلا رو ورژن‌های مختلف براتون قرار دادم شما این رو میارید مثلاً الان من رزنت ۵۰ رو وزناشو از روی خود پایتون فرا خوندم روی چی ایمیج نت ورژن ۱ الان ورژن دوشم گذاشته دقتش مثلا یه مقدار رفته بالاتر این یه مدله یه مدلم هست در واقع یه لایبری برای هاگینگ فیس اگه اشتباه نکنم به نام تی بعد تیم اومده گفته من فقط کارم اینه که تمام مدل های پریترین ورژن های مختلف رو در اختیار بقیه بزارم هم با پای ترش میخوره هم بتونید صفر میخوره شما میتونید با تیم برید یک ورژن خیلی خاصی از یه دونه مدل پریترین رو فرا بخونید و بیاریدش تی آی دبل خب من مدل میارم به عنوان بیس مدل من هستش فالس میکنم تمام پارامترهاشو گردش رو که نمیخواهیم

و یک سیکوئنشیال به عنوان لایه اف سی میندازم ته داستانمون که در واقع اون کار این تیکشو ما می‌خوایم ترین بشه اون کلاسیفیکیشن شما فرق داره مثلاً ایمیج نت رزنت ۵۰ فکر کنم هزار تا کلاس داره نمی‌دونم همچین چیزیه کلسیفیکیشن ۱ مثلاً به ۱۰۰۰ کلاس است ۱۰ کلاسو باهاش در نظر بگیرید و میای حالا اون ۱۰ کلاس رو انجام میدیم و آره آره یه شرکت های بزرگ مثل گوگل و اینا میان روی جی پی یو های خیلی زیادی که دارن میلیونی با دقت های خیلی خاص این در واقع این مدل رو ارائه میکن و ترین میکن یه مسابقه بوده دکتر گفته فکر کنم هنوز نرسیده میگن یه مسابقه است یه چند سالی برگزار می‌شده اینکه آقا دقت مثلاً شبکه های ویژه رو چجوری ببریم بالا هر سال هی شرکت های در واقع گروه های مختلف میومده مدل خودش می‌داده

رزنت میره جلو تا دیگه به جایی میرسند که دقتش فکر کنم از انسان بالاتر میشه ۹۹/۷ ایناست دیگه مسابقه تموم میشه و میگن بسه دیگه از اینجا به بعد هرکی هم میومده خب مدل خودشو ارائه می‌کرده مثلاً رزنتا چیز دارن رزجیال بلاک دارن از از یک لایه میره به لایه دیگه و باعث میشه اون گرادیانامون مثلا ونیش نشه اکسپلو نشه و هر کسی میوم یه مدل ارائه میداده الان خوب خیلی مدل داریم که پرینترین رو دیتا ست های مختلف و شما میتونید از اونا استفاده کنید این الان فقط ما از قسمت فیچرست استفاده میکنیم قسمت اول اون کانولوشن از اونجا به بعدشو شما برای خودت یه دونه در واقع فول کات میزاری به تعداد کلاس که میخوای حالا کلاسسیفیکیشن یا از همون فیچرز استفاده میکنیم مثلا چی