در این مطلب، ویدئو هوش مصنوعی تلگرام تصاویر را در پایتون طبقه بندی می کند با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:26:01
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,230 –> 00:00:09,200
[موسیقی]
2
00:00:09,200 –> 00:00:10,719
بچه ها به چه اتفاقی می افتد خوش آمدید در
3
00:00:10,719 –> 00:00:12,000
ویدیوی امروز ما قصد داریم یک
4
00:00:12,000 –> 00:00:14,080
ربات تلگرام هوشمند با هوش مصنوعی بسازیم
5
00:00:14,080 –> 00:00:16,079
که می تواند حیوانات
6
00:00:16,079 –> 00:00:18,160
و وسایل نقلیه را در تصاویری که
7
00:00:18,160 –> 00:00:20,720
برای آن ارسال کرده ایم تشخیص دهد، بنابراین اجازه دهید مستقیماً وارد آن شویم.
8
00:00:20,720 –> 00:00:22,160
اکنون قبل از اینکه وارد کدنویسی واقعی شویم،
9
00:00:22,160 –> 00:00:23,439
میخواهم به شما نشان دهم که این ربات
10
00:00:23,439 –> 00:00:25,039
در نهایت چگونه خواهد بود، من آن را
11
00:00:25,039 –> 00:00:27,519
روی تلفن خود دارم، اکنون تلگرام را باز کردهام
12
00:00:27,519 –> 00:00:29,359
و اکنون میتوانم با
13
00:00:29,359 –> 00:00:31,439
کلیک کردن بر روی شروع، مکالمه را شروع کنم و سپس شروع میشود. برای
14
00:00:31,439 –> 00:00:33,280
گفتن به ربات تلگرام عصبی نه خوش آمدید،
15
00:00:33,280 –> 00:00:36,239
می توانم کاری انجام دهم مانند سلام
16
00:00:36,239 –> 00:00:38,879
و می گوید عکس بفرست
17
00:00:38,879 –> 00:00:40,079
خوب اولین کاری که می خواهیم اینجا انجام دهیم این
18
00:00:40,079 –> 00:00:41,920
است که دستور قطار اسلش را صدا می زنیم،
19
00:00:41,920 –> 00:00:43,120
20
00:00:43,120 –> 00:00:44,960
بنابراین قطار اسلش این یک تابع است. که
21
00:00:44,960 –> 00:00:46,879
من در ربات پیادهسازی کردهام و
22
00:00:46,879 –> 00:00:49,039
سپس میخواهم بگویم پس از ارسال
23
00:00:49,039 –> 00:00:50,879
طبقهبندی تصویری 9 عصبی، ما در حال
24
00:00:50,879 –> 00:00:53,199
آموزش شبکه عصبی هستیم، لطفاً
25
00:00:53,199 –> 00:00:55,760
اکنون در این نقطه از زمان صبر کنید رایانه من
26
00:00:55,760 –> 00:00:57,440
لپتاپ من در حال حاضر ربات روی سیستم من در حال اجرا
27
00:00:57,440 –> 00:00:58,480
28
00:00:58,480 –> 00:01:00,239
است شروع به آموزش عصبی n etwork
29
00:01:00,239 –> 00:01:02,800
بر اساس دادههای آموزشی پس از انجام این کار،
30
00:01:02,800 –> 00:01:04,319
من پیامی دریافت میکنم که این
31
00:01:04,319 –> 00:01:07,040
کار انجام شده است و سپس میتوانم تصاویری از
32
00:01:07,040 –> 00:01:10,400
هواپیماهای اسبها، ماشینهای کامیون را ارسال کنم
33
00:01:10,400 –> 00:01:11,920
و ربات تلگرام
34
00:01:11,920 –> 00:01:14,000
با آنچه در این میبینم به من پاسخ میدهد.
35
00:01:14,000 –> 00:01:16,159
تصویر یک کامیون است آنچه در این تصویر می بینم یک
36
00:01:16,159 –> 00:01:18,640
هواپیما است آنچه در این تصویر می بینم آهو
37
00:01:18,640 –> 00:01:21,280
یا اسب یا هر چیزی شبیه به آن است که ما
38
00:01:21,280 –> 00:01:23,759
10 چیز داریم که می تواند طبقه بندی کند
39
00:01:23,759 –> 00:01:25,439
و اکنون از قسمتی
40
00:01:25,439 –> 00:01:27,439
که ربات است می گذریم. آیا قبلاً اینجا آموزش داده شده است
41
00:01:27,439 –> 00:01:29,600
یا مدل قبلاً آموزش دیده است ،
42
00:01:29,600 –> 00:01:31,119
بنابراین مدل اکنون با آموزش تمام شده است
43
00:01:31,119 –> 00:01:33,119
و ما می توانیم سعی کنیم یک عکس بفرستیم بیایید
44
00:01:33,119 –> 00:01:35,680
برویم و عکس یک
45
00:01:35,680 –> 00:01:38,240
ماشین را ارسال کنیم و در این تصویر می گوید
46
00:01:38,240 –> 00:01:40,079
من یک ماشین را می بینم بنابراین این یکی درست است اجازه
47
00:01:40,079 –> 00:01:42,240
دهید با یک آهو برویم
48
00:01:42,240 –> 00:01:44,479
و می گوید در این تصویر من یک گوزن را می بینم
49
00:01:44,479 –> 00:01:48,159
و بیایید با این یکی از یک اسب
50
00:01:48,159 –> 00:01:49,840
در این تصویر برویم من یک اسب را می بینم اکنون
51
00:01:49,840 –> 00:01:51,600
همیشه صد عدد دقیق
52
00:01:51,600 –> 00:01:53,280
نیست. تصاویری که
53
00:01:53,280 –> 00:01:54,880
مدل قبلا هرگز ندیده است، بنابراین
54
00:01:54,880 –> 00:01:56,960
بخشی از داده های آموزشی نیستند تنظیم شده است
55
00:01:56,960 –> 00:01:58,719
اما همانطور که می بینید این سه حداقل
56
00:01:58,719 –> 00:02:00,719
به درستی طبقه بندی شده
57
00:02:00,719 –> 00:02:01,920
اند، بنابراین اولین کاری که در
58
00:02:01,920 –> 00:02:03,280
اینجا می خواهیم انجام دهیم این است که به
59
00:02:03,280 –> 00:02:04,840
تلگرام به برنامه یا
60
00:02:04,840 –> 00:02:06,719
webtelegram.org می رویم و ما می خواهیم نگاه کنیم.
61
00:02:06,719 –> 00:02:08,318
برای پدر ربات و هنگامی که
62
00:02:08,318 –> 00:02:09,598
پدر ربات را داشتیم، میخواهیم با پدر ربات صحبتی را
63
00:02:09,598 –> 00:02:11,840
64
00:02:11,840 –> 00:02:14,239
شروع کنیم و روی ربات جدید کلیک
65
00:02:14,239 –> 00:02:16,319
کنیم یا ربات جدید اسلش را
66
00:02:16,319 –> 00:02:18,239
در اینجا تایپ کنیم. برای
67
00:02:18,239 –> 00:02:20,160
شروع فرآیند ایجاد یک ربات جدید،
68
00:02:20,160 –> 00:02:21,520
از شما نامی را می خواهد
69
00:02:21,520 –> 00:02:23,520
که برای شناسه ای که نام آن را ارائه می کنید، شناسه را
70
00:02:23,520 –> 00:02:25,440
ارائه می دهید و سپس
71
00:02:25,440 –> 00:02:27,200
اساساً کلید api را به شما می دهد و تمام
72
00:02:27,200 –> 00:02:29,040
است، سپس به سراغ کد پایتون می رویم
73
00:02:29,040 –> 00:02:30,640
i’m not این کار را دوباره در اینجا انجام خواهم داد
74
00:02:30,640 –> 00:02:32,480
زیرا من قبلاً یک ربات ایجاد
75
00:02:32,480 –> 00:02:34,720
کرده ام که پیچیده نیست فقط slash new bot را تایپ
76
00:02:34,720 –> 00:02:35,760
کنید و همه دستورالعمل ها را به شما ارائه می دهد
77
00:02:35,760 –> 00:02:37,599
، نکته مهم این است
78
00:02:37,599 –> 00:02:40,160
که رمز را کپی کنید کلید
79
00:02:40,160 –> 00:02:42,480
api و اگر واقعاً می خواهید
80
00:02:42,480 –> 00:02:44,800
گام به گام نحوه انجام این کار را ببینید
81
00:02:44,800 –> 00:02:46,319
که اینطور نیست واقعا دشوار است، می توانید
82
00:02:46,319 –> 00:02:48,080
ربات تلگرام من را در پایتون بررسی کنید،
83
00:02:48,080 –> 00:02:49,920
جایی که من اصول
84
00:02:49,920 –> 00:02:52,319
ساخت یک ربات تلگرام بسیار ساده در
85
00:02:52,319 –> 00:02:53,680
پایتون را مرور می کنم، این ویدیو کمی
86
00:02:53,680 –> 00:02:55,280
پیشرفته تر است، مانند قسمت دوم است که در
87
00:02:55,280 –> 00:02:57,360
آن با استفاده از یک شبکه عصبی آن را هوشمند
88
00:02:57,360 –> 00:02:59,920
می کنیم. بنابراین اساساً فقط ربات جدید را برش بزنید و
89
00:02:59,920 –> 00:03:01,920
یک ربات ایجاد کنید و سپس کلید api را کپی کنید
90
00:03:01,920 –> 00:03:03,680
که اولین قدم است،
91
00:03:03,680 –> 00:03:05,680
سپس به pycharm میرویم و اولین
92
00:03:05,680 –> 00:03:07,040
کاری که میخواهیم انجام دهیم این است که بخواهیم به
93
00:03:07,040 –> 00:03:09,760
نحوی توکن را وارد اسکریپت کنیم، بنابراین
94
00:03:09,760 –> 00:03:11,920
اگر ضبط نمیکنید مانند من این کار را انجام میدهم، شما
95
00:03:11,920 –> 00:03:13,760
فقط میتوانید توکن برابر را تایپ کنید و سپس یک
96
00:03:13,760 –> 00:03:15,840
رشته متن واضح که در آن
97
00:03:15,840 –> 00:03:17,120
توکن را
98
00:03:17,120 –> 00:03:18,640
در مورد من قرار میدهید، میخواهم آن را از یک فایل بارگیری کنم
99
00:03:18,640 –> 00:03:20,400
تا مجبور نباشم آن
100
00:03:20,400 –> 00:03:23,200
را با باز کردن به بینندگان نشان دهم.
101
00:03:23,200 –> 00:03:26,200
token.txt
102
00:03:27,040 –> 00:03:30,319
در readingmode sf
103
00:03:30,319 –> 00:03:34,319
و سپس uh token برابر است با f.read
104
00:03:34,319 –> 00:03:35,440
اساساً
105
00:03:35,440 –> 00:03:36,480
اکنون
106
00:03:36,480 –> 00:03:38,720
برای ویدیوی امروز به یک سری کتابخانه نیاز داریم و
107
00:03:38,720 –> 00:03:40,159
البته مهمترین آنها کتابخانه تلگرام
108
00:03:40,159 –> 00:03:42,720
است که ما آن را نصب
109
00:03:42,720 –> 00:03:45,760
خواهیم کرد. همچنین به opencv نیاز داریم ما به numpy و we نیاز داریم
110
00:03:45,760 –> 00:03:47,680
نیاز به تنسورفلو داریم و ما به
111
00:03:47,680 –> 00:03:49,200
ماژول i o نیز نیاز داریم، اما ما در
112
00:03:49,200 –> 00:03:51,840
مورد آن صحبت می کنیم یا در مواقع
113
00:03:51,840 –> 00:03:54,000
ضروری، بنابراین اول از همه
114
00:03:54,000 –> 00:03:56,239
cmd را شروع می کنیم و
115
00:03:56,239 –> 00:03:57,760
ماژول های لازم را نصب می کنیم.
116
00:03:57,760 –> 00:04:00,000
با tensorflow pip نصب
117
00:04:00,000 –> 00:04:01,200
tensorflow را شروع
118
00:04:01,200 –> 00:04:03,760
می کنیم سپس pip install numpy سپس pip install
119
00:04:03,760 –> 00:04:05,200
opencv
120
00:04:05,200 –> 00:04:08,959
dash python
121
00:04:08,959 –> 00:04:11,280
و البته کتابخانه تلگرام که به
122
00:04:11,280 –> 00:04:13,200
آن پایتون
123
00:04:13,200 –> 00:04:16,478
تلگرام dash ربات می گویند که این چیزی است که
124
00:04:16,478 –> 00:04:17,680
برای نصب نیاز دارید این
125
00:04:17,680 –> 00:04:18,798
کتابخانه ها هستند
126
00:04:18,798 –> 00:04:21,199
و اکنون می توانیم برویم جلوتر و آنها را وارد کنید،
127
00:04:21,199 –> 00:04:23,520
بنابراین ما میخواهیم بگوییم از تلگرام
128
00:04:23,520 –> 00:04:24,800
[Music]
129
00:04:24,800 –> 00:04:26,479
dot x
130
00:04:26,479 –> 00:04:29,360
import همه چیز،
131
00:04:29,360 –> 00:04:30,960
سپس
132
00:04:30,960 –> 00:04:33,199
از i o import
133
00:04:33,199 –> 00:04:35,199
bytes io، ما در مورد اینکه چرا
134
00:04:35,199 –> 00:04:36,800
این مهم است صحبت میکنیم،
135
00:04:36,800 –> 00:04:38,720
سپس
136
00:04:38,720 –> 00:04:41,360
137
00:04:41,360 –> 00:04:44,720
cv2 import numpy snp
138
00:04:44,720 –> 00:04:46,720
و import
139
00:04:46,720 –> 00:04:48,080
tensorflow
140
00:04:48,080 –> 00:04:50,880
s tf
141
00:04:50,880 –> 00:04:52,560
بسیار خوب است.
142
00:04:52,560 –> 00:04:54,720
پس بیایید اول از همه با
143
00:04:54,720 –> 00:04:56,960
ساختار اصلی ربات شروع کنیم و
144
00:04:56,960 –> 00:04:57,840
145
00:04:57,840 –> 00:04:59,600
سپس بقیه را اضافه کنیم، بنابراین ابتدا
146
00:04:59,600 –> 00:05:00,960
147
00:05:00,960 –> 00:05:02,960
توابع اصلی را که قبلاً میدانیم تعریف میکنیم، بنابراین
148
00:05:02,960 –> 00:05:04,720
تابع start را به طور کامل شروع کنیم.
149
00:05:04,720 –> 00:05:06,400
هنگامی که ما در واقع
150
00:05:06,400 –> 00:05:09,120
مکالمه را با ربات خود شروع می کنیم،
151
00:05:09,120 –> 00:05:11,360
بنابراین می خواهیم دوباره به روز رسانی و
152
00:05:11,360 –> 00:05:13,440
زمینه را در اینجا ارسال کنیم، مانند ویدیوی آخر،
153
00:05:13,440 –> 00:05:15,120
وقتی دوباره می گویم
154
00:05:15,120 –> 00:05:16,320
به آخرین ویدیو اشاره می
155
00:05:16,320 –> 00:05:17,759
کنم، توصیه می کنم اگر آخرین ویدیو را تماشا کنید
156
00:05:17,759 –> 00:05:19,120
شما هنوز آن را تماشا نکردهاید، بنابراین
157
00:05:19,120 –> 00:05:21,199
آخرین ویدیوی ربات
158
00:05:21,199 –> 00:05:23,600
تلگرام و اساساً تمام کاری که ما اینجا انجام دادیم
159
00:05:23,600 –> 00:05:26,720
فقط گفتن بهروزرسانی پیام نقطهای متن پاسخ نقطه بود
160
00:05:26,720 –> 00:05:28,000
161
00:05:28,000 –> 00:05:29,039
و سپس
162
00:05:29,039 –> 00:05:32,160
اوه خوش آمدید یا چیزی که
163
00:05:32,160 –> 00:05:33,840
میتوانید پیامها را هر طور که میخواهید طراحی کنید،
164
00:05:33,840 –> 00:05:35,600
میتوانید به آن خوش آمد بگویید. طبقهبندیکننده
165
00:05:35,600 –> 00:05:38,160
به هر چیزی که میخواهم بگویم
166
00:05:38,160 –> 00:05:41,919
خوش آمدید، اوه، اسکریپت را
167
00:05:41,919 –> 00:05:44,320
میبندم، اگر بخواهیم میتوانیم یک تابع راهنما نیز پیدا
168
00:05:44,320 –> 00:05:45,759
کنیم، بنابراین میخواهیم بگوییم
169
00:05:45,759 –> 00:05:48,160
متن بهروزرسانی شود
170
00:05:48,160 –> 00:05:52,160
و فقط
171
00:05:52,160 –> 00:05:54,400
یک پیام داشته باشیم. که میگوید
172
00:05:54,400 –> 00:05:57,919
رشته چند خطی در آنجا میروید
173
00:05:58,160 –> 00:06:01,120
شروع به صورت اسلش شروع
174
00:06:01,120 –> 00:06:03,600
مکالمه
175
00:06:03,600 –> 00:06:05,280
176
00:06:05,280 –> 00:06:07,360
کمک اسلش
177
00:06:07,360 –> 00:06:10,479
این پیام را نشان میدهد
178
00:06:10,479 –> 00:06:12,080
و سپس
179
00:06:12,080 –> 00:06:14,479
180
00:06:14,479 –> 00:06:17,680
شبکه عصبی قطار قطار را بریده بریده نشان میدهد که قرار
181
00:06:17,680 –> 00:06:19,199
است
182
00:06:19,199 –> 00:06:20,960
تابع دیگری در اینجا
183
00:06:20,960 –> 00:06:23,919
باشد، زمینه بهروزرسانی تابع قطار
184
00:06:23,919 –> 00:06:25,759
نیز خواهد بود،
185
00:06:25,759 –> 00:06:27,440
اما ما فعلاً می گذرد زیرا
186
00:06:27,440 –> 00:06:30,160
ما هنوز مدل
187
00:06:30,160 –> 00:06:32,560
را نداریم و سپس
188
00:06:32,560 –> 00:06:34,720
یک پیام اولیه دسته uh و یک عملکرد عکس دسته اصلی خواهیم داشت،
189
00:06:34,720 –> 00:06:36,000
190
00:06:36,000 –> 00:06:37,600
بنابراین عملکرد پیام دسته
191
00:06:37,600 –> 00:06:39,280
همان چیزی است که اگر فقط ارسال کنیم اتفاق می افتد
192
00:06:39,280 –> 00:06:41,120
یک پیام متنی ما این
193
00:06:41,120 –> 00:06:43,120
دسته
194
00:06:43,120 –> 00:06:45,680
پیام را دوباره متن بهروزرسانی میخوانیم و
195
00:06:45,680 –> 00:06:47,199
فقط میخواهیم بگوییم
196
00:06:47,199 –> 00:06:49,759
متن پاسخ پیام بهروزرسانی
197
00:06:49,759 –> 00:06:50,720
لطفاً
198
00:06:50,720 –> 00:06:52,560
199
00:06:52,560 –> 00:06:56,880
مدل را آموزش دهید و یک عکس بفرستید
200
00:06:56,880 –> 00:06:58,479
آنجا که میروید
201
00:06:58,479 –> 00:07:01,120
و عملکرد مهم اکنون
202
00:07:01,120 –> 00:07:04,160
عملکرد عکس دسته است
203
00:07:04,160 –> 00:07:06,639
دوباره با به روز رسانی
204
00:07:06,639 –> 00:07:08,400
و متن
205
00:07:08,400 –> 00:07:10,160
و ما فعلاً این را نیز پاس می کنیم،
206
00:07:10,160 –> 00:07:10,960
207
00:07:10,960 –> 00:07:12,479
بنابراین بیایید ابتدا مراحلی را
208
00:07:12,479 –> 00:07:13,919
که قبلاً از آخرین ویدیو می
209
00:07:13,919 –> 00:07:16,960
دانیم، تکمیل کنیم و می گوییم به روز رسانی برابر است با به
210
00:07:16,960 –> 00:07:18,160
روز رسانی
211
00:07:18,160 –> 00:07:20,960
با یک بزرگ u بزرگ
212
00:07:20,960 –> 00:07:22,400
از
213
00:07:22,400 –> 00:07:24,160
ماژول تلگرام که می رویم. ارسال نشانه
214
00:07:24,160 –> 00:07:27,199
در اینجا و استفاده از زمینه
215
00:07:27,199 –> 00:07:29,599
برابر با true است
216
00:07:29,599 –> 00:07:31,759
و سپس توزیع کننده به
217
00:07:31,759 –> 00:07:34,960
روز رسانی
218
00:07:34,960 –> 00:07:37,840
219
00:07:37,840 –> 00:07:39,039
220
00:07:39,039 –> 00:07:40,639
221
00:07:40,639 –> 00:07:42,319
می شود. p
222
00:07:42,319 –> 00:07:45,120
dot add command handler یا در واقع اضافه کردن
223
00:07:45,120 –> 00:07:46,160
handler
224
00:07:46,160 –> 00:07:49,360
و ما می خواهیم یک
225
00:07:49,360 –> 00:07:50,879
فرمان برای شروع دستور اضافه کنیم
226
00:07:50,879 –> 00:07:53,360
227
00:07:53,680 –> 00:07:54,639
و
228
00:07:54,639 –> 00:07:56,560
اگر دستور start را دیدیم
229
00:07:56,560 –> 00:07:59,039
فقط تابع start را فراخوانی می
230
00:07:59,039 –> 00:08:02,400
کنیم با کمک و با train به همان مورد بروید.
231
00:08:07,919 –> 00:08:11,720
232
00:08:14,960 –> 00:08:16,560
233
00:08:16,560 –> 00:08:18,080
اکنون می خواهیم یک کنترل
234
00:08:18,080 –> 00:08:20,080
کننده پیام یا در واقع دو کنترل کننده پیام اضافه کنیم،
235
00:08:20,080 –> 00:08:21,440
اما آنها فیلترهای مختلفی خواهند داشت،
236
00:08:21,440 –> 00:08:22,720
بنابراین ما می خواهیم بگوییم
237
00:08:22,720 –> 00:08:25,520
dp.addhandler
238
00:08:25,520 –> 00:08:27,199
handler این همان چیزی است که قبلاً در ویدیوی مبتدی داشتیم.
239
00:08:27,199 –> 00:08:28,720
240
00:08:28,720 –> 00:08:31,599
ما اساساً فقط می گوییم خوب
241
00:08:31,599 –> 00:08:34,799
متن نقطه را فیلتر می کند هر زمان که متنی می آید،
242
00:08:34,799 –> 00:08:36,799
برای این کنترل کننده پیام فیلتر می
243
00:08:36,799 –> 00:08:38,799
شود و خود
244
00:08:38,799 –> 00:08:40,559
کنترل کننده
245
00:08:40,559 –> 00:08:42,640
پیام را مانند آن مدیریت می کند و اکنون
246
00:08:42,640 –> 00:08:44,640
یک کنترل کننده پیام دوم اضافه می کنیم که این
247
00:08:44,640 –> 00:08:46,640
کار را انجام نمی دهد. فیلتر برای متن،
248
00:08:46,640 –> 00:08:49,600
برای عکسها فیلتر میشود، بنابراین عکس نقطهای را فیلتر میکند
249
00:08:49,600 –> 00:08:50,959
250
00:08:50,959 –> 00:08:53,440
و عکس را کاملاً دستهبندی میکند
251
00:08:53,440 –> 00:08:55,760
252
00:08:55,760 –> 00:08:57,920
و در پایان البته
253
00:08:57,920 –> 00:09:02,399
نقطه بهروزرسانی شروع به نظرسنجی میکند
254
00:09:02,399 –> 00:09:06,560
و نقطه بهروزرسانی را بیحرکت میکند.
255
00:09:07,600 –> 00:09:09,200
256
00:09:09,200 –> 00:09:11,120
یک
257
00:09:11,120 –> 00:09:13,519
مدل شبکه عصبی پایه از قبل آماده شده است و
258
00:09:13,519 –> 00:09:15,440
باید بتوانیم آن را با فراخوانی
259
00:09:15,440 –> 00:09:17,120
فرمان قطار آموزش دهیم و سپس وقتی عکسی را ارسال
260
00:09:17,120 –> 00:09:18,959
می کنیم می خواهیم آن عکس را پردازش کنیم،
261
00:09:18,959 –> 00:09:20,399
می خواهیم آن را کوچک کنیم، می خواهیم آن
262
00:09:20,399 –> 00:09:22,399
را به شبکه عصبی وارد کنیم. یک پیشبینی
263
00:09:22,399 –> 00:09:24,320
یک پاسخ یا یک پاسخ پیشبینی را فرمولبندی کنید
264
00:09:24,320 –> 00:09:27,360
و سپس آن را برای کاربر بفرستید،
265
00:09:27,360 –> 00:09:28,959
حالا بیایید با خود مدل شروع
266
00:09:28,959 –> 00:09:30,320
کنیم، میخواهیم یک
267
00:09:30,320 –> 00:09:32,480
شبکه عصبی کانولوشنال برای طبقهبندی تصاویر بسازیم
268
00:09:32,480 –> 00:09:34,000
و به عنوان یک مجموعه داده آموزشی که قرار
269
00:09:34,000 –> 00:09:35,360
است از آن استفاده کنیم.
270
00:09:35,360 –> 00:09:37,279
رمز یا رمز من مطمئن نیستم چگونه
271
00:09:37,279 –> 00:09:41,120
تلفظ می شود c-i-f-r-a-r
272
00:09:41,120 –> 00:09:42,640
این 10
273
00:09:42,640 –> 00:09:45,839
مجموعه داده است، بنابراین رمز 10
274
00:09:45,839 –> 00:09:47,519
ما از آن برای آموزش
275
00:09:47,519 –> 00:09:50,399
مدل خود استفاده می کنیم و 10 کلاس
276
00:09:50,399 –> 00:09:53,120
10 شی دارد که می تواند 10
277
00:09:53,120 –> 00:09:54,800
نوع تصویر را طبقه بندی کند.
278
00:09:54,800 –> 00:09:56,720
بنابراین بیایید با بارگیری داده های آموزشی
279
00:09:56,720 –> 00:09:58,480
و آزمایشی شروع کنیم، می گوییم x
280
00:09:58,480 –> 00:10:01,200
train و y train
281
00:10:01,200 –> 00:10:03,440
و x test و
282
00:10:03,440 –> 00:10:05,680
y
283
00:10:05,680 –> 00:10:09,600
test قرار است tf keras
284
00:10:09,600 –> 00:10:13,200
dot مجموعه داده ها dot cipher
285
00:10:13,200 –> 00:10:17,200
داده های بارگذاری 10 نقطه مانند آن باشد
286
00:10:17,200 –> 00:10:18,959
و سپس می رویم برای عادی سازی این
287
00:10:18,959 –> 00:10:21,279
پس ما هستیم اگر می گوییم x
288
00:10:21,279 –> 00:10:25,680
train و x test به صورت x train
289
00:10:25,680 –> 00:10:28,480
تقسیم بر 255
290
00:10:28,480 –> 00:10:29,920
و x
291
00:10:29,920 –> 00:10:31,040
test
292
00:10:31,040 –> 00:10:33,920
تقسیم بر 255 خواهد بود به طوری که همه
293
00:10:33,920 –> 00:10:36,000
مقادیر بین صفر و یک را داشته باشیم
294
00:10:36,000 –> 00:10:38,079
و اکنون همچنین می خواهیم لیستی با
295
00:10:38,079 –> 00:10:39,440
نام کلاس ها داشته باشیم زیرا در در پایان
296
00:10:39,440 –> 00:10:41,600
شبکه عصبی
297
00:10:41,600 –> 00:10:44,800
یک عدد خروجی عددی تولید میکند و ما
298
00:10:44,800 –> 00:10:46,560
میخواهیم آن را به نام یک کلاس نگاشت کنیم، بنابراین
299
00:10:46,560 –> 00:10:49,040
میخواهیم بگوییم که نام کلاسها
300
00:10:49,040 –> 00:10:51,200
است و اوه این ترتیب درستی است که شما
301
00:10:51,200 –> 00:10:53,360
نیاز دارید تا ترتیب اولی را داشته باشید.
302
00:10:53,360 –> 00:10:56,480
ساده دومی ماشین است
303
00:10:56,480 –> 00:10:58,959
سومی پرنده است،
304
00:10:58,959 –> 00:11:01,839
سپس گربه داریم،
305
00:11:01,839 –> 00:11:04,160
آهو داریم،
306
00:11:04,160 –> 00:11:07,680
سگ داریم، قورباغه
307
00:11:07,680 –> 00:11:08,720
داریم،
308
00:11:08,720 –> 00:11:09,680
اسب
309
00:11:09,680 –> 00:11:11,360
داریم،
310
00:11:11,360 –> 00:11:12,240
کشتی
311
00:11:12,240 –> 00:11:14,720
داریم و کامیون داریم،
312
00:11:14,720 –> 00:11:16,959
بنابراین می توانید وسایل نقلیه و
313
00:11:16,959 –> 00:11:19,680
حیوانات را ببینید که اساساً همین است.
314
00:11:19,680 –> 00:11:21,519
با
315
00:11:21,519 –> 00:11:23,360
شبکه عصبی واقعی، بیایید جلو برویم و بگوییم
316
00:11:23,360 –> 00:11:25,200
که مدل قرار است یک مدل متوالی پایه باشد،
317
00:11:25,200 –> 00:11:28,880
بنابراین tf keras
318
00:11:28,880 –> 00:11:32,560
dot models dot sequential مدل متوالی
319
00:11:32,560 –> 00:11:34,560
بسیار ساده و سپس
320
00:11:34,560 –> 00:11:36,079
ما با افزودن چند لایه شروع می کنیم که
321
00:11:36,079 –> 00:11:37,839
لایه اول قرار است یک
322
00:11:37,839 –> 00:11:40,079
کانولوشن دو بعدی باشد لایه بنابراین
323
00:11:40,079 –> 00:11:43,760
ما می خواهیم
324
00:11:43,760 –> 00:11:47,120
لایه های tf.keras dot و سپس conf
325
00:11:47,120 –> 00:11:48,640
به d
326
00:11:48,640 –> 00:11:49,839
مانند آن
327
00:11:49,839 –> 00:11:52,480
را منتقل
328
00:11:52,480 –> 00:11:54,480
کنیم و فیلترهایی را که 32 خواهیم داشت در اینجا عبور می دهیم و
329
00:11:54,480 –> 00:11:56,079
سپس اندازه هسته
330
00:11:56,079 –> 00:11:58,959
سه در سه خواهد بود. تابع فعال
331
00:11:58,959 –> 00:12:00,880
سازی یک واحد خطی تصحیح شده خواهد بود،
332
00:12:00,880 –> 00:12:03,519
بنابراین relu
333
00:12:03,519 –> 00:12:04,480
و
334
00:12:04,480 –> 00:12:08,399
شکل ورودی
335
00:12:08,560 –> 00:12:10,720
32 ضربدر 32
336
00:12:10,720 –> 00:12:13,279
32 با سه کانال خواهد بود، این به این دلیل است
337
00:12:13,279 –> 00:12:15,440
که تصاویر تصاویر در
338
00:12:15,440 –> 00:12:19,040
مجموعه داده آموزشی uh دارای 32 در 32 پیکسل هستند و
339
00:12:19,040 –> 00:12:21,440
rgb هستند. بنابراین آنها سه کانال دارند
340
00:12:21,440 –> 00:12:23,279
حالا مشکل اینجا چیست، اوه باید بگوییم
341
00:12:23,279 –> 00:12:25,600
342
00:12:25,600 –> 00:12:28,880
که شکل ورودی
343
00:12:28,880 –> 00:12:30,399
است، بنابراین این اولین
344
00:12:30,399 –> 00:12:32,560
لایه کانولوشن است، من قصد ندارم
345
00:12:32,560 –> 00:12:34,399
در اینجا وارد نظریه شبکه های عصبی کانولوشن شوم
346
00:12:34,399 –> 00:12:35,920
زیرا این مستحق
347
00:12:35,920 –> 00:12:37,279
یک ویدیو است. به خودی خود، بنابراین اگر می خواهید
348
00:12:37,279 –> 00:12:39,040
بدانید خوب است که یک
349
00:12:39,040 –> 00:12:41,279
شبکه عصبی کانولوشن چگونه کار می کند یک لایه ادغام حداکثر چگونه کار می کند
350
00:12:41,279 –> 00:12:43,440
و غیره
351
00:12:43,440 –> 00:12:44,720
در بخش نظرات در زیر به من اطلاع
352
00:12:44,720 –> 00:12:47,279
دهید که به ویدیوهای نظری
353
00:12:47,279 –> 00:12:49,279
در مورد شبکه های عصبی علاقه مند هستید و سپس من ممکن
354
00:12:49,279 –> 00:12:52,399
است مقداری تو آموزش