در این مطلب، ویدئو نحوه استقرار مدل یادگیری ماشین به عنوان یک برنامه در پایتون با استفاده از Gradio 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: 00:12:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:02,240
در این ویدیو ما در
2
00:00:02,240 –> 00:00:03,040
مورد یک
3
00:00:03,040 –> 00:00:05,279
کتابخانه پایتون صحبت خواهیم کرد که به شما امکان می دهد تا به
4
00:00:05,279 –> 00:00:08,080
سرعت یک رابط کاربری برای
5
00:00:08,080 –> 00:00:09,599
مدل های یادگیری ماشین خود پیاده سازی کنید
6
00:00:09,599 –> 00:00:11,440
و بدون هیچ مقدمه ای از همین الان شروع می کنیم،
7
00:00:11,440 –> 00:00:13,920
8
00:00:14,080 –> 00:00:16,480
بنابراین کتابخانه python که من در
9
00:00:16,480 –> 00:00:18,960
مورد آن صحبت می کنم به نام gradio و بنابراین gradio
10
00:00:18,960 –> 00:00:20,640
به شما این امکان را می دهد که به
11
00:00:20,640 –> 00:00:23,119
راحتی یک رابط کاربری برای
12
00:00:23,119 –> 00:00:23,920
مدل یادگیری ماشین
13
00:00:23,920 –> 00:00:26,960
خود برای توابع یا api خود تنها در
14
00:00:26,960 –> 00:00:28,160
چند خط کد ایجاد کنید،
15
00:00:28,160 –> 00:00:29,760
بنابراین اجازه دهید به برخی از
16
00:00:29,760 –> 00:00:31,840
نمونه هایی که آنها در صفحه وب
17
00:00:31,840 –> 00:00:32,719
در اینجا دارند نگاهی بیندازیم.
18
00:00:32,719 –> 00:00:34,800
بنابراین این مثالی از طبقهبندیکننده رقم است
19
00:00:34,800 –> 00:00:35,920
20
00:00:35,920 –> 00:00:38,000
و بنابراین در این کد شبه که میتوانید
21
00:00:38,000 –> 00:00:40,239
اینجا ببینید، اساساً
22
00:00:40,239 –> 00:00:42,320
کتابخانه gradio را وارد میکنید
23
00:00:42,320 –> 00:00:44,719
و سپس تابع سفارشی را تعریف میکنید
24
00:00:44,719 –> 00:00:46,000
25
00:00:46,000 –> 00:00:48,079
که به شما امکان میدهد تشخیص دهید.
26
00:00:48,079 –> 00:00:49,920
رقم را همانطور که در اینجا در برنامه وب زیر نشان داده شده است
27
00:00:49,920 –> 00:00:51,120
28
00:00:51,120 –> 00:00:53,199
و سپس می خواهید آن
29
00:00:53,199 –> 00:00:54,399
تابع سفارشی
30
00:00:54,399 –> 00:00:57,680
را در تابع دقیقاً در اینجا
31
00:00:57,680 –> 00:00:59,600
آرگومان های ورودی fn پیاده سازی کنید و سپس ورودی
32
00:00:59,600 –> 00:01:01,440
یک Sketchpad خواهد بود که در اینجا قرار دارد.
33
00:01:01,440 –> 00:01:03,840
sketchpad و سپس خروجی ها
34
00:01:03,840 –> 00:01:04,559
از
35
00:01:04,559 –> 00:01:06,720
برچسب استفاده می کنند و بنابراین برای آرگومان رابط gr dot
36
00:01:06,720 –> 00:01:07,600
37
00:01:07,600 –> 00:01:09,520
که در اینجا می بینید، در
38
00:01:09,520 –> 00:01:10,880
نهایت به یک
39
00:01:10,880 –> 00:01:12,320
تابع راه اندازی خواهید رسید و بنابراین
40
00:01:12,320 –> 00:01:14,000
اساساً همین است و می توانید این برنامه وب را دریافت کنید،
41
00:01:14,000 –> 00:01:15,040
42
00:01:15,040 –> 00:01:17,600
بنابراین اجازه دهید این را ارائه دهیم. یک امتحان کنید، بنابراین اگر
43
00:01:17,600 –> 00:01:18,560
عددی را در اینجا
44
00:01:18,560 –> 00:01:20,479
بکشم، آن عدد بهروزرسانی میشود،
45
00:01:20,479 –> 00:01:22,240
فرض کنید میتوانم
46
00:01:22,240 –> 00:01:25,119
عدد یک را رسم کنم
47
00:01:25,280 –> 00:01:28,320
و بعد اطمینان یا احتمال 98
48
00:01:28,320 –> 00:01:29,200
وجود دارد
49
00:01:29,200 –> 00:01:34,000
که این عدد یک است، دوباره امتحان کنید بسیار
50
00:01:34,960 –> 00:01:38,240
خوب و در اینجا توجه داشته باشید که میتوانم آن را نیز افزایش دهم.
51
00:01:38,240 –> 00:01:43,200
یا سایز جوهر
52
00:01:48,560 –> 00:01:55,840
را کم کنید خوب دوباره امتحان کنید
53
00:01:57,280 –> 00:01:59,840
خیلی خوب پس ظاهراً این مدل نیاز
54
00:01:59,840 –> 00:02:01,520
به بهبود بیشتری دارد
55
00:02:01,520 –> 00:02:04,960
و بیایید نگاهی به
56
00:02:04,960 –> 00:02:07,520
سؤالات و پاسخ های آزمایشی بعدی بیندازیم و بنابراین در اینجا می توانید
57
00:02:07,520 –> 00:02:09,840
ببینید که کتابخانه gradiel را وارد می کنید
58
00:02:09,840 –> 00:02:12,160
و سپس می روید برای تعریف
59
00:02:12,160 –> 00:02:13,280
یک تابع سفارشی
60
00:02:13,280 –> 00:02:15,520
که
61
00:02:15,520 –> 00:02:17,120
پاسخ واقعی سؤال را
62
00:02:17,120 –> 00:02:19,599
با توجه به پاراگراف به عنوان ورودی و
63
00:02:19,599 –> 00:02:20,480
همچنین سؤال به عنوان
64
00:02:20,480 –> 00:02:22,879
ورودی انجام می دهد و سپس این تابع خاص
65
00:02:22,879 –> 00:02:23,760
66
00:02:23,760 –> 00:02:26,480
در اینجا در fn به عنوان ورودی ar قرار می گیرد.
67
00:02:26,480 –> 00:02:27,920
gument و سپس خواهید دید که
68
00:02:27,920 –> 00:02:28,640
69
00:02:28,640 –> 00:02:32,000
ورودی دارید که کادر متنی است در اینجا
70
00:02:32,000 –> 00:02:34,080
و سپس متن سوال شما خواهد بود و
71
00:02:34,080 –> 00:02:35,040
سپس پاسخ
72
00:02:35,040 –> 00:02:38,800
در زیر قرار می گیرد، بنابراین سوال این است
73
00:02:38,800 –> 00:02:42,560
که ویکتوریا چه زمانی قانون اساسی خود را تصویب کرد.
74
00:02:42,560 –> 00:02:45,760
متن
75
00:02:45,760 –> 00:02:48,319
سوال درست در اینجا است و سپس خروجی پاسخ خواهد
76
00:02:48,319 –> 00:02:49,440
بود
77
00:02:49,440 –> 00:02:52,160
و همچنین متنی است که در اینجا یک متن را می بینید
78
00:02:52,160 –> 00:02:54,480
79
00:02:54,480 –> 00:02:57,519
و روی ارسال کلیک می
80
00:02:57,519 –> 00:03:00,319
کنیم و در حال اجرا است و می گوید 1975 درست
81
00:03:00,319 –> 00:03:02,480
در اینجا
82
00:03:02,840 –> 00:03:06,400
1975.
83
00:03:06,400 –> 00:03:09,040
پیش بینی شیوع تقسیم بندی چهره و همینطور همان شما
84
00:03:09,040 –> 00:03:11,599
کتابخانه و
85
00:03:11,599 –> 00:03:13,519
همچنین کتابخانه های اضافی را وارد می
86
00:03:13,519 –> 00:03:14,800
کنید زیرا از matplotlib استفاده می کند
87
00:03:14,800 –> 00:03:16,879
و بنابراین تابع سفارشی در اینجا خواهد بود
88
00:03:16,879 –> 00:03:18,239
و تابع سفارشی
89
00:03:18,239 –> 00:03:19,599
پیش بینی شیوع بیماری نامیده می شود
90
00:03:19,599 –> 00:03:21,599
و سپس کدهای دیگری که
91
00:03:21,599 –> 00:03:24,159
شامل پیش پردازش
92
00:03:24,159 –> 00:03:24,959
ورودی ها
93
00:03:24,959 –> 00:03:27,280
به عنوان فرم هستند. یک کشویی و همچنین
94
00:03:27,280 –> 00:03:28,000
نوار لغزنده
95
00:03:28,000 –> 00:03:30,560
در اینجا خواهد بود و متغیرها ماه
96
00:03:30,560 –> 00:03:31,360
و کشورها هستند
97
00:03:31,360 –> 00:03:33,680
که سپس به عنوان ورودی برای تابع
98
00:03:33,680 –> 00:03:34,480
رابط
99
00:03:34,480 –> 00:03:36,480
استفاده می شود و خروجی ma خواهد بود.
100
00:03:36,480 –> 00:03:37,599
طرح tplotlib
101
00:03:37,599 –> 00:03:40,560
بیایید آن را امتحان کنیم
102
00:03:41,840 –> 00:03:44,840
ارسال کنید خوب و اکنون ما طرح را
103
00:03:44,840 –> 00:03:47,840
در اینجا داریم،
104
00:03:48,239 –> 00:03:50,400
می بینید که همه کشورها
105
00:03:50,400 –> 00:03:53,280
در طرح اینجا قرار می گیرند،
106
00:03:55,599 –> 00:03:58,879
خوب است و بنابراین
107
00:03:58,879 –> 00:04:01,120
می توانید اینجا ببینید که در زیر سرپوش
108
00:04:01,120 –> 00:04:02,720
از همه
109
00:04:02,720 –> 00:04:04,480
یادگیری ماشینی اصلی و یادگیری عمیق پشتیبانی می کند.
110
00:04:04,480 –> 00:04:07,120
کتابخانهها tensorflow pytorch
111
00:04:07,120 –> 00:04:09,920
بنابراین من میتوانم خوب یاد بگیرم
112
00:04:10,400 –> 00:04:12,480
و بنابراین اجازه دهید نگاهی به برخی از مثالها بیاندازیم.
113
00:04:12,480 –> 00:04:15,840
114
00:04:16,000 –> 00:04:19,120
115
00:04:19,120 –> 00:04:20,880
116
00:04:20,880 –> 00:04:24,400
117
00:04:26,720 –> 00:04:29,840
118
00:04:29,840 –> 00:04:33,280
در درایو گوگل خودم
119
00:04:37,440 –> 00:04:43,199
کاملاً خوب است و بنابراین بیایید همه را اجرا کنیم
120
00:04:43,199 –> 00:04:44,960
و بنابراین با نصب گرادینت شروع می شود
121
00:04:44,960 –> 00:04:46,639
122
00:04:46,639 –> 00:04:48,160
و تمام
123
00:04:48,160 –> 00:04:51,280
کتابخانه
124
00:04:51,280 –> 00:04:57,840
های لازم را وارد می کند و مدل
125
00:04:58,000 –> 00:05:00,160
را کاملاً بارگذاری می کند بنابراین مدل را بارگیری می کند و
126
00:05:00,160 –> 00:05:01,280
می خواهد دریافت کند.
127
00:05:01,280 –> 00:05:04,560
پاسخ و برچسب ها و
128
00:05:04,560 –> 00:05:04,880
129
00:05:04,880 –> 00:05:07,280
این تابع سفارشی به نام
130
00:05:07,280 –> 00:05:08,479
تصویر طبقه بندی شده را تعریف می کند
131
00:05:08,479 –> 00:05:10,960
و اجازه دهید نگاهی بیشتر بیندازیم و
132
00:05:10,960 –> 00:05:12,800
بنابراین از
133
00:05:12,800 –> 00:05:16,000
ورودی دراپ باکس تصویر درست در اینجا استفاده می کند و 299 در
134
00:05:16,000 –> 00:05:18,400
299 ابعاد آن است و سپس
135
00:05:18,400 –> 00:05:19,120
136
00:05:19,120 –> 00:05:21,680
برچسب خروجی در اینجا روی متغیر label
137
00:05:21,680 –> 00:05:22,320
است
138
00:05:22,320 –> 00:05:24,639
و بنابراین متغیر label
139
00:05:24,639 –> 00:05:28,639
سه کلاس برتر را نشان می دهد
140
00:05:28,639 –> 00:05:31,360
و سپس استقرار واقعی
141
00:05:31,360 –> 00:05:32,960
برنامه دقیقاً در اینجا
142
00:05:32,960 –> 00:05:35,600
در gr.interface خواهد بود و بنابراین
143
00:05:35,600 –> 00:05:37,440
به نام تابعی که
144
00:05:37,440 –> 00:05:38,800
تصویر طبقه بندی شده
145
00:05:38,800 –> 00:05:41,919
است، کادر تصویر را دقیقاً
146
00:05:41,919 –> 00:05:42,320
در اینجا
147
00:05:42,320 –> 00:05:45,360
و همچنین کادر خروجی برچسب را تعریف می کند و
148
00:05:45,360 –> 00:05:47,039
سپس بخش را می گیرد و
149
00:05:47,039 –> 00:05:48,960
سپس برنامه را راه اندازی می کند
150
00:05:48,960 –> 00:05:52,479
و در واقع برنامه در اینجا
151
00:05:52,479 –> 00:05:55,199
کار می کند، بنابراین بیایید بگوییم
152
00:05:56,319 –> 00:06:07,840
تصویر را اینجا ر