Baixar para ler offline
![Trabalhando com Imagens
Demo
# Carrega Imagem
import matplotlib.image as mp_image
filename = "image.jpg"
input_image = mp_image.imread(filename)
# Dimensões
print ('input dim = {}'.format(input_image.ndim))
# Shape
print ('input shape = {}'.format(input_image.shape))
# Coleta dimensões
height, width, depth = input_image.shape
# Imprime a imagem
import matplotlib.pyplot as plt
plt.imshow(input_image)
plt.show()
import tensorflow as tf
x = tf.Variable(input_image, name = 'x')
model = tf.initialize_all_variables()
with tf.Session() as session:
x = tf.transpose(x, perm = [1,0,2])
session.run(model)
result=session.run(x)
plt.imshow(result)
plt.show()](https://image.slidesharecdn.com/dismistificandodeeplearning-170915153611/75/Dismistificando-deep-learning-27-2048.jpg)
![[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopes-meetupinteligenciaartificial-umaabordagemvisual-200215025106-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesinteligenciaartificial-umaabordagemvisual-200103185454-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesdeeplearning-umaabordagemvisual-181209205137-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesdeeplearning-umaabordagemvisual-181204182142-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/ahirtonlopeserafaelarevalodeeplearning-umaabordagemvisual-190215183628-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton lopes] Do Big ao Better Data](https://cdn.slidesharecdn.com/ss_thumbnails/ahirtonlopesdobigaobetterdata-190410143141-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesdeeplearning-umaabordagemvisual-181003230235-thumbnail.jpg?width=640&height=640&fit=bounds)
Dismistificando deep learning
- 1.
- 2.
- 3. Agenda Deep Learning Redes Neurais Frameworks DemoTensorFlow Onde Aprender Perguntas
- 4. Deep Learning Área depesquisa em machine learning com objetivo de aproximar machine learning de Inteligência artificial. Uma estrutura de Deep Learning é uma arquitetura de vários niveis Composta de unidades simples e todas sujeitas a treinamento, muitas possuem transformações não lineares. Cada camada tranforma sua entrada para melhorar suas propriedades Seleciona e amplifica apenas aspectos relevantes
- 5.
- 6.
- 7.
- 8.
- 9. • Plataforma decomputação paralela, que permite ganhos significativos de performance usando unidade de processamento gráfico (GPU). • Surgimento no final da década de 90 • Antigamente utilizava linguagem de baixo nível (ex. OpenGL) • Em 2006 surgiu a CUDA • Cuda ToolKit suporta linguagens C, C++, Python e Fortran CUDA http://www.nvidia.com.br/object/cuda_home_new_br.html
- 10. Deep Learning -Layers https://devblogs.nvidia.com/parallelforall/accelerate-machine-learning-cudnn-deep-neural- network-library/ Hierarquia das Layers para identificação de rosto.
- 11. Redes Neurais • Arquiteturasque tem trazido muitos resultados nos dias atuais: • Convolutional Neural Networks (CNN) • Ideal para trabalhar com imagens (Dominante neste aspecto) • Processa dados em forma de múltiplos arrays • Camada de Input bidimensional • Características analisadas em pixels da imagem • Recurrent Neural Network (RNN) • Faz uso de informações sequenciais, muito avançadas, pouca documentação • Bons resultados em Processamento de linguagem natural. • LSTM (Long Short term-memory), Ideal para trabalhar com dados sequenciais Identificar próxima palavra de uma frase. • Executa a mesma tarefa para cada elemento de uma sequência, tornando a saída dependente dos cálculos anteriores.
- 12. NeurônioBiológico • Cérebro humanopossui cerca de 10 Bilhões de neurônios. • 60 Trilhões de Sinapses
- 13. Redes Neurais Arquitetura deuma rede Deep Feed Forward
- 14. Redes Neurais Diversas arquiteturasdisponíveis, Uma para tipo de problema http://www.asimovinstitute.org/neural-network-zoo/
- 15. Arquitetura completa Rede neuralconvolucional para reconhecimento visual http://cs231n.stanford.edu/
- 16. • Escrita denovos episódios de GOT, rede LSTM link do projeto no github aqui. • Detecção de câncer por redes neurais convolucionais, leia mais aqui. • Rede LSTM completa imagens faltando pedaços, link Redes Neurais, alguns exemplos
- 17.
- 18. Open Source InterfacePlataform Written In Cuda Support YES PYTHON, LINUX, C++ YES MATLAB MAC OS X, WINDOWS YES PYTHON, LINUX, C++ YES C++ WINDOWS, MAC OS X YES PYTHON LINUX, PYTHON YES MAC OS X, WINDOWS YES PYTHON, LINUX, C++,PYTHON YES R, LUA, C,C++ MAC OS X, ,JAVA, GO WINDOWS YES PYTHON, LINUX, PYTHON YES R MAC OS X, WINDOWS YES LUA,C,C++ LINUX, C, LUA YES MAC OS X, WINDOWS, ANDROID,IOS
- 19. Exemplo de hoje Bibliotecado Google Documentação muito rica (Inglês) Muitos exemplos na internet (Mnist, desafios do Kaggle, etc) Baseado em Tensores e grafos Comunidade ativa CPU + GPU Uso de GPU Necessita de CUDA ToolKit, cuDNN Uso de GPU não necessita alterações no codigo
- 20. TensorFlow • Biblioteca decomputação numérica onde os dados fluem através dos grafos • Os dados são representados por arrays n-dimensionais chamados tensores • Os nodes do grafo representam operações matemáticas • Programação diferenciada. Nada acontece até executar a sessão
- 21.
- 22.
- 23. Arquitetura https://www.tensorflow.org/extend/architecture Client, Inicia ofluxo de Dados executando a sessão Session.run() Faz a distribuição entre As workers, para criação De subgrafos. Comunicação CPU + GPU Utiliza API cudaMemcpyAsync. E para comunicação multi GPU Utiliza biblioteca NCCL. tf.contrib.nccl Contém mais de 200 operações Padrão. Manipulações matemáticas , manipulação de matriz, grande parte Usa se beneficia de bibliotecas Como Eigen::Tensor e cuDNN.
- 24. Estrutura de código Criarconstrante Iniciar sessão Executar operação Import tensorflow as tf # Cria Constant chamada Hello com a string “Hello, TensorFlow” Hello = tf.constant(‘Hello, TensorFlow’) # Cria sessão Sess = tf.session() # Executa a sessão e imprime resultado Print(sess.run(hello))
- 25. TensorBoard • Interface gráfica,mas não para treinar modelos de Deep Learning e Machine Learning • Permite a visualização dos grafos • Ideal para analisar camadas de redes neurais • Visualização de até 36 Mil Nodes
- 26. Trabalhando com Imagens •Transforma imagem em matriz multi-dimensional • Ótica por: • Quantidade de Pixels • Canais de cores • Largura • Altura • Cada camada é responsável por analisar uma parte da foto • Borda • Fundo • Slyce para detecção de rostos e objetos
- 27. Trabalhando com Imagens Demo #Carrega Imagem import matplotlib.image as mp_image filename = "image.jpg" input_image = mp_image.imread(filename) # Dimensões print ('input dim = {}'.format(input_image.ndim)) # Shape print ('input shape = {}'.format(input_image.shape)) # Coleta dimensões height, width, depth = input_image.shape # Imprime a imagem import matplotlib.pyplot as plt plt.imshow(input_image) plt.show() import tensorflow as tf x = tf.Variable(input_image, name = 'x') model = tf.initialize_all_variables() with tf.Session() as session: x = tf.transpose(x, perm = [1,0,2]) session.run(model) result=session.run(x) plt.imshow(result) plt.show()
- 28.
- 29.
- 30. Imagenet • 14197122 Imagens •1000+ classes http://www.image-net.org/
- 31. TensorFlow para machinelearning Regressão linear Clustering K-Means KNN Classificação Etc
- 32.
- 33.
- 34.
- 35. Deep Learning Institute- NVidia
- 36.
- 37.
- 38.
- 39. Links • https://www.infoq.com/br/articles/livro-mit-deep-learning • http://www.convergenciadigital.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveT emplate=site&infoid=41957&sid=15 •http://conteudo.icmc.usp.br/pessoas/andre/research/neural/ • https://pt.wikipedia.org/wiki/Rede_neural_artificial • http://www.datasciencecentral.com/profiles/blogs/end-to-end-deep- learning?utm_content=buffer3af33&utm_medium=social&utm_source=linkedin. com&utm_campaign=buffer • http://aimotion.blogspot.com.br/2008/12/funes-de-ativao-para-redes- neurais.html • http://www.datasciencecentral.com/profiles/blogs/15-deep-learning- tutorials?utm_content=bufferd5067&utm_medium=social&utm_source=linkedin. com&utm_campaign=buffer • https://tensorflow.rstudio.com/ • https://www.youtube.com/watch?v=Qk4SqF9FT-M