A = np.array ([[- 5، 1، -2]، [1، 6، 3]، [2، -1، -4]])

ب = np.array ([[13] ، [1] ، [-1]])

x0 = np.zeros ((3، 1)، “تعويم”)

إبس = 1e-8

التكرارات = 16

س =
[[-2.]
[1.]
[-1.]]

The post كود Python لطريقة Gauss-Seidel appeared first on فيلم تعلم البرمجيات للطالب العربي.

في هذه الدورة ، سوف نتعلم كيفية التعامل مع مجموعة البيانات هذه في MATLAB.

The post البرنامج التعليمي لحزمة MNE appeared first on فيلم تعلم البرمجيات للطالب العربي.

x_input = tf.placeholder (tf.float32، شكل = [لا شيء ، input_size])
y_input = tf.placeholder (tf.float32، shape = [لا شيء ، input_size])
كل من x_input و y_input لهما نفس الشكل كما يجب أن يكونا في وحدة التشفير التلقائي. بعد ذلك ، حدد طبقة كثيفة كما هو موضح هنا ، مع التنشيط الافتراضي كوظيفة تنشيط tanh.

تتناقص الخسارة بشكل مطرد وستستمر في التناقص ببطء على مدار التكرارات. يوضح هذا كيف تتقارب أجهزة التشفير التلقائي بسرعة. بعد ذلك ، يتم عرض ثلاثة أرقام من الصور الأصلية:

ها هي نفس الصور مع التشويش المضافة:

ستلاحظ أن هناك ضوضاء كبيرة وهذا يتم تقديمه كمدخل. بعد ذلك ، هي الصور التي أعيد بناؤها لنفس الأرقام باستخدام وحدة التشفير التلقائي لتقليل الضوضاء:

Matching faster using approximate nearest neighbour in TensorFlow

Extracting bottleneck features for an image in tensorflow

 

عند بدء هذا التدريب ، يمكن رؤية النتائج في TensorBoard. تظهر الخسارة هنا:

The post تقليل الضوضاء باستخدام أجهزة التشفير التلقائية في TensorFlow appeared first on فيلم تعلم البرمجيات للطالب العربي.

استيراد نظام التشغيل
طلب استيراد urllib
من tensorflow.python.platform استيراد gfile
استيراد tarfile

يجب أن تتم طباعة الكود أعلاه كما هو موضح هنا:

[0.55705792 0.36785451 1.06618118 … 0.6011821 0.36407694
0.0996572]
[0.30421323 0.0926369 0.26213276 … ، 0.72273785 0.30847171
0.08719242]

Matching faster using approximate nearest neighbour in TensorFlow

Matching faster using approximate nearest neighbour in TensorFlow

 

The post استخراج ميزات عنق الزجاجة لصورة في Tensorflow appeared first on فيلم تعلم البرمجيات للطالب العربي.

التقط صورة واختر طبقة من CNN.
خذ التنشيطات في طبقة معينة.
قم بتعديل التدرج اللوني بحيث يكون التدرج اللوني وعمليات التنشيط متساوية.
حساب تدرجات الصورة والرجوع للخلف.
يجب أن تكون الصورة متوترة وتطبيعها باستخدام التسوية.
يجب قطع قيم البكسل.
تتم المعالجة متعددة المقاييس للصورة لتأثير الفركتل.

Augmenting the dataset in tensorflow

Content-based image retrieval

https://github.com/google/deepdream

The post ديب دريم appeared first on فيلم تعلم البرمجيات للطالب العربي.

فيما يلي أمثلة مختارة عشوائيًا من مجموعة البيانات بعد إجراء تحليل المكون الرئيسي (PCA):

يتشابه حجم مجموعة البيانات وعدد الملصقات وحجم الصورة مع MNIST. يمكن العثور على مزيد من التفاصيل على https://github.com/zalandoresearch/fashion-mnist. يمكنك تشغيل النماذج التي تعلمتها والتحقق من دقتها..

The ImageNet dataset and competition

The CIFAR dataset

The post مجموعة بيانات Fashion-MNIST appeared first on فيلم تعلم البرمجيات للطالب العربي.

Python code for Frequency-tuned Salient Region

Python code for Classification of photographic images based on perceived aesthetic quality

http://www.maths.lth.se/matematiklth/personal/petter/rapporter/grabcut.pdf

The post كود Python لدمج صورتين منفصلتين لإنشاء صورة واحدة متعددة الأشخاص appeared first on فيلم تعلم البرمجيات للطالب العربي.

مع وفرة المعلومات التي جمعتها هذه الكاميرات ، هناك عدد قليل من الممارسات الحالية التي تقوم تلقائيًا بتحليل وفهم محتوى التسجيل. من خلال استخراج المعلومات من الفيديو ، يمكن للكمبيوتر فهم حالة القيادة والبيئة المحيطة بشكل أفضل. التطبيق الأكثر شيوعًا هو في مجال القيادة الذاتية ، حيث تحتاج السيارة إلى أن تكون قادرة على اكتشاف الأشياء والممر الأرضي ، وفهم إشارات المرور وكذلك الإشارات ، لاتخاذ قرار بشأن اتجاهها وسرعتها. بالنسبة للمركبة التي ليست ذاتية القيادة ولكنها مجهزة بكاميرات الرؤية الأمامية ، لا يزال من المفيد نشر العملية وتحليل التسجيل من خلال الاستدلال على قرار السائقين بناءً على الكائن المكتشف والمعلومات الأخرى المستفادة من التسجيل ، وربما تقديم المشورة المناسبة على سلوك السائقين.

يركز هذا المشروع على ثلاثة جوانب من معلومات القيادة:
كشف علامات الطريق
التعرف على إشارة المرور (موجودة أم لا ولونها)
توقع سرعة القيادة وسرعة التوجيه ، والتنبؤ بحالة السيارة (على سبيل المثال ، للأمام ، والثابت ، والانعطاف لليسار)

يستخدم هذا المشروع تقنيات معالجة الصور لتطوير “مترجم فيديو” أساسي لكاميرا الرؤية الأمامية للسيارة ، والذي يسمح للكمبيوتر بفهم بعض المعلومات المهمة حول القيادة من خلال “مشاهدة” ما يمكن للسائق رؤيته. في الواقع ، هناك تقنيات أكثر تقدمًا يمكنها أداء نفس المهام بدقة أفضل بكثير. ومع ذلك ، فإن اكتشاف لافتات الطريق في هذا المشروع قادر على تحقيق دقة معتدلة. وبالمقارنة ، فإن الكشف عن إشارات المرور أكثر قوة ، وتنبؤات السرعة قادرة على تحقيق دقة معقولة.

Python code for Vehicle Make Detection by Convolutional Neural Networks

Python code take a a binary image which fed to the Tesseract OCR

Python code for Classification of photographic images based on perceived aesthetic quality

The post كود Python للتعرف على علامات الطريق ومعلومات إشارات المرور appeared first on فيلم تعلم البرمجيات للطالب العربي.

Python code for merging two separate photos to create a single, multi-person photo

Python code for Classification of photographic images based on perceived aesthetic quality

The post كود بايثون لتتبع الطائرة appeared first on فيلم تعلم البرمجيات للطالب العربي.

للتعرف على طراز السيارة ، توصلنا أولاً إلى استخدام واصف SIFT ومطابقة SIFT مع RANSAC. يتم عرض نتائج المطابقة لصورتين من Hyundai Sonata في الشكل 1.
من الشكل 5 ، نلاحظ أنه يتم مطابقة عدد قليل جدًا من النقاط بينما لا تشير هذه النقاط إلى نفس الميزة على السيارة. مطابقة SIFT قوية مع المطابقة بين الطائرات. ومع ذلك ، لا يمكنه التعامل مع مطابقة الصور ثلاثية الأبعاد.

نقوم بتنفيذ شبكات عصبية تلافيفية بسيطة تعتمد على Tensorflow. تتكون شبكاتنا من 3 طبقات تلافيفية. تأتي كل طبقة تلافيفية مع طبقة تجميع قصوى للقيام بأخذ العينات لأسفل. تم تحديد المرشحات التي نستخدمها في كل طبقة في الشكل 10. نستخدم أيضًا مصنف softmax لإخراج درجات الفئة.

بالنسبة للمشروع ، نقوم فقط بتنفيذ شبكتين عصبيتين بسيطتين. أنها تعطي نتيجة جيدة نسبيًا مقارنة بمطابقة SIFT. نظرًا لأن لدينا 100 صورة تدريبية فقط لكل سيارة ، فقد تكون الشبكات المدربة متحيزة بحيث تظل الدقة حول 75٪ ~ 78٪. نعتقد أنه يمكن تحسين الدقة باستخدام مجموعات بيانات أكبر. إلى جانب ذلك ، في نتائجنا ، تحقق كل من الشبكات العصبية المنتظمة والشبكات العصبية التلافيفية نتائج مرضية. ومع ذلك ، ما زلنا نعتبر الشبكات العصبية التلافيفية طريقة أفضل لتحديد هوية السيارة. ستفشل الشبكات العصبية المنتظمة في التعامل مع عدد كبير من المعلمات وتؤدي إلى فرط التخصيص عندما تكون صور الإدخال كبيرة. مع مجموعات البيانات الأكبر والشبكات العصبية التلافيفية الأعمق ، يمكن أن تكون طريقتنا المقترحة قوية ودقيقة في التعرف على السيارة.

Python code for merging two separate photos to create a single, multi-person photo

Python code take a a binary image which fed to the Tesseract OCR

Python code for Classification of photographic images based on perceived aesthetic quality

The post كود Python لاكتشاف المركبات بواسطة الشبكات العصبية التلافيفية appeared first on فيلم تعلم البرمجيات للطالب العربي.