Видео

Сергей, добрый день! Огромное вам спасибо за ваш курс. Работаю инженером-программистом, и от нечего делать решил за новогодние праздники осилить для себя мир нейросетей. По итогу втянулся. Всё изложено грамотно и чётко!) По теме курса есть несколько прикладных вопросов: Пусть у нас есть некоторое изделие, и при помощи снимка с последующей обработкой мы хотим определить наличие в нём дефектов. Нам лучше сделать: 1) 2 нейронки, одна из которых в будет классифицировать на дефектное/недефектное, а вторая, если дефекты были найдены, будет определять их тип; 2) Всё то же самое, только объединить в одну нейросеть, напоминающую вторую, но с добавлением "чистого" класса 3) Просто сделать нейронку второго типа, и чистое изделие в нём просто не будет иметь достаточно высокое значение относительно других классов или не будет выделяться (хотя уже даже в процессе написания этот вариант выглядит странным)

👍

В видео отсутствует самое главное - как использовать эти мультииндексы на практике и как задать этот мультииндекс уже существующему массиву)

Вопрос, а для чего нужно делить на батчи? Нейросеть разве не по очереди каждый элемент обрабатывает, в смысле по одному, или она создает множество потоков и параллельно решает задачи?

Странно, что так мало просмотров и лайков. Тема актуальная, конкурентов не много, почему никто не смотрит? Может RUclips хочет денег немного в продвижение

а можете оставить ссылку на изображение, которое вы используете в этом уроке? У меня просто рамки получаются совсем не такие как у вас)

Я бы гулял в тёмном лесу, если бы не это видео. Спасибо!

а где можно взять код который вы показываете ?

Вы крутой

​ @dubinin_s Сергей, подскажите, правильно ли я понимаю, что в данном видео вы увеличиваете количество нейронов в модели со 128 до 256, чтобы увеличить вероятность переобучения модели, для лучшей демонстрации работы слоя Dropout()?

Очень ждал от тебя видео на эту тему. Теперь и на русском языке есть отличное объяснение!!! И больше скажу, твоё объяснение даже лучше, чем то англоязычное, которое я раньше считал хорошим объяснением. Ждём продолжения...

Если ваша модель в задаче классификации, находясь на 'cuda' с каждой эпохой не улучшается, обратите внимание на реализацию класса MNISTDataset(). Автор не просто так решает задачу на 'cpu'.

Очень круто, спасибо большое

Это полный курс ? или в Степике будет полный ?

Есть небольшая неточность в части Задачи Регрессии. Когда мы объявляем трейн, вал и тест, мы делаем это через переменные: train_set, val_set, test_set = random_split(dataset, [0.7, 0.1, 0.2]) Соответственно, в цикле обучения (скопированном с задачи классификации), Расчет значения метрики будет следующий: Для трейна: running_train_acc = true_answer / len(train_set) Для валидации: running_val_acc = true_answer / len(val_set) В противном случае, если менять значения разбивки на трейн, вал и тест, скажем: train_set, val_set, test_set = random_split(dataset, [0.8, 0.15, 0.05]) Расчет значения метрик не будет корректным, т.к. train_data и val_data объявялись в задаче классификации. Поправьте, если я ошибаюсь)

Сергей, а на Степике этот курс есть?

c pred.pt не понятно. Чтоб сделать этот файл нужно: `results = model.predict(source="images/0001.jpg") torch.save(results, "pred.pt")`. Правильно? А результат читается совсем другим способом: "for r in pred: print(r.boxes.shape) print(r.orig_img.shape)". И оно совсем другое выдает, совсем не так как у вас((

Болят глаза слишком мелко 😢

Спасибо. В этом году будут ещё новые видео?)

Здравствуйте, а по OpenCV будет отдельный курс?

Как всегда всë очень подробно объяснено, спасибо за видео.

✅ Бесплатный курс с задачами: ► Object Detection с задачами: stepik.org/a/224806 ✅ Курсы с задачами со СКИДКОЙ 10%: ► Pytorch с задачами: stepik.org/a/186169/pay?promo=2636c14cc13e1a58 ► Pandas с задачами: stepik.org/a/122126/pay?promo=fbc55c15b862a7c6 ► Numpy с задачами: stepik.org/a/180256/pay?promo=ff9f54f0274b6ae2 ✅ Мой Telegram канал: t.me/dubinin_ser ✅ Telegram группы: ► Pytorch: t.me/PyTorch_for_you ► Pandas: t.me/pandas_for_you ► Numpy: t.me/numpy_for_you ================================================= В этом видео мы познакомимся с самой популярной метрикой при детекции объектов. Она называется mean Average Precision. Тайм-коды: 00:00 - Введение. 00:10 - mean Average Precision. 10:35 - Реализация mAP. Теги: #pytorch #AI #objectdetection #yolo

Здравствуйте, Сергей! Хотел спросить, может ли результат предсказания зависеть от среды разработки (cpu или cuda), потому что у меня следующая ситуация: я обучил сеть в Colab на Cuda и сохранил модель, далее, скачав файлы, решил проверить модель в PyCharm и в Colab на CPU и результаты не те, что были на Cuda, т.е. модель предсказывает совершенно неправильно (пример: бананы как яблоко, огурцы как бананы и т.д.)? Буду рад обратной связи от вас, спасибо!

Здравствуйте, Сергей! Хотел у вас спросить кое-что: задача о нахождении параметров выделяющей рамки (2 координаты, высота и ширина) является задачей регрессии, и, если да, то для обучения ИНС можно ли применять тот же алгоритм, который применялся в курсе "Нейронные сети с PyTorch", но только файлы будут содержать в себе не 2 числа, а 4? Заранее благодарю за ответ и за предыдущий курс, вы мне очень помогли с курсовой работой!

Я конечно может чего то и не понимаю,но какой же душный код, для чего так мучиться, смысл выбирать сложный путь,чтобы просто достать само изображение и метку для него

16:39 правильное слово "объединение", а не "пересечение"

спасибо за видео. А вы планируете видеокурс по Llm?

Спасибо за интересное видео! Надо повторить)

thnx! спасибо за видео. Комент в развитие канала.

Очень ждала новое видео. Как всегда, информативно и познавательно. Спасибо!)

✅ Бесплатный курс с задачами: ► Object Detection с задачами: stepik.org/a/224806 ✅ Курсы с задачами со СКИДКОЙ 10%: ► Pytorch с задачами: stepik.org/a/186169/pay?promo=2636c14cc13e1a58 ► Pandas с задачами: stepik.org/a/122126/pay?promo=fbc55c15b862a7c6 ► Numpy с задачами: stepik.org/a/180256/pay?promo=ff9f54f0274b6ae2 ✅ Мой Telegram канал: t.me/dubinin_ser ✅ Telegram группы: ► Pytorch: t.me/PyTorch_for_you ► Pandas: t.me/pandas_for_you ► Numpy: t.me/numpy_for_you ================================================= В этом видео мы разберём алгоритм non maximum suppression, с помощью которого можно отфильтровать предсказания модели и оставить только нужные. Тайм-коды: 00:00 - Введение. 00:14 - Non Maximum Suppression. 07:23 - Преобразование форматов рамок. 09:26 - Реализация NMS. 19:47 - Проверка алгоритма NMS. Теги: #pytorch #AI #objectdetection #yolo

спасибо за видео. Лайк и комент для продвижения

А какой аргумент отвечает за порядок сортировки?

лайк, коментарий в продвижение канала

В первом видео упоминались трансформеры, а в последнем видео их нет. Получается стоит ждать новых видео?

Очень познавательное видео! Подскажите пожалуйста, где можно найти используемый в видео код? Хочется пройтись по коду самостоятельно для лучшего понимания.

та не мужик, по какому это ? Просто написанный код, не объясняя поэтапно что за что отвечает. Возможно это подходит кому-то, но точно не совсем зеленым новичкам. Отписка, удачи

Сергей, а можно еще вопрос?)) Есть где-то код примеров, которые вы показываете? на гитхабе или еще где-то? С экрана набирать не очень удобно.

Что такое слой без функции активации? Почему последний слой без нее?

угорнул с фразы "Действительно ли она обучается, или делает вид, что обучается". Нейронка шалун, оказывается 😂😂

какие на удивление интересные примеры с картинками получились, это подводка к курсу по Pytorch такая?)

Буквально несколько месяцев назад занялся изучением машинного обучения. Сам я ещё студент, 24 года, отучился на бакалавре экономика и сейчас на магистратуре по количественной экономике с уклоном в статистику. Программированием до июля не занимался, и вот, как появилось страшное желание погрузиться в эту интересную профессию начал подготовку. Курсы по питону от поколения Python в Stepik, там же курс по машинному обучению от Бургамистрова, но без глубоких нейронных сетей, сильная база математического анализа и статистики уже имеется, поэтому хотя бы здесь можно выдохнуть. И вот, наткнулся на этот курс, возлагаю большие надежды на внятное объяснение материала, по крайней мере, судя по комментариям и отзывам ролики действительно стоят просмотра. Спасибо автору за старания

Класс, видео супер.

Спасибо за видео.

✅ Бесплатный курс с задачами: ► Object Detection с задачами: stepik.org/a/224806 ✅ Курсы с задачами со СКИДКОЙ 10%: ► Pytorch с задачами: stepik.org/a/186169/pay?promo=2636c14cc13e1a58 ► Pandas с задачами: stepik.org/a/122126/pay?promo=fbc55c15b862a7c6 ► Numpy с задачами: stepik.org/a/180256/pay?promo=ff9f54f0274b6ae2 ✅ Мой Telegram канал: t.me/dubinin_ser ✅ Telegram группы: ► Pytorch: t.me/PyTorch_for_you ► Pandas: t.me/pandas_for_you ► Numpy: t.me/numpy_for_you ================================================= В этом видео мы разберём и реализуем одну из основных метрик при детекции объектов. Она называется intersection over union. Тайм-коды: 00:00 - Введение. 00:30 - Intersection over union. 07:13 - Реализация IoU. Теги: #pytorch #AI #objectdetection #yolo

Спасибо, ждем новые разборы.

Благодарю, очень доходчивое повествование!

Спасибо большое!