Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Dismistificando deep learning v2.1
Semelhante a Dismistificando deep learning v2.1 (20)
Dismistificando deep learning v2.1
- 1. Dismistificando Deep Learning Leandro Romualdo I Fórum de tecnologia da informação São Paulo | Maio 2018
- 4. Subcategoria de Machine learning que trata as oportunidades de aprendizado profundo com redes neurais profundas Desenvolvida e melhorada na área acadêmica desde a década de 50, ganhando notoriedade nos ultímos anos Em razão do poder computacional atual, vem sendo amplamente explorada Cenário atual Deep learning: Serviços da internet • Classificação de imagens • Reconhecimento de fala • NLP Medicina diagnóstica • Detecção de câncer • Diabetes Mídia e entretenimento • Tratamento de vídeo • Tradução em real time Segurança • Reconhecimento de face • Biometria • Cyber security Carros autônomos • Detecção de pessoas e objetos • Melhor trajeto • Prevenção de colisão
- 5. Source: NextBigFuture • Sabemos que quanto maior a quantidade de dados maior é a performance (leia acurácia) dos modelos • Com quantidades cada vez maiores de datasets abertos na internet, torna-se possível treinar e desenvolver redes neurais com arquiteturas cada vez mais profundas Alguns datasets para treinar as habilidades de Deep Learning Imagens • Minist • Cifar-10 • CanalTech 256 • STL-10 • COIL100 • Imagenet Artificial Datasets • Arcade Universe • BabyAIShapesDatasets • ConvexNonConvex • BackgroundCorrelation Texto • 20NewGroups • Reuters • Broadcast News Speech • TIMIT
- 6. Source: Forbes Deep Learning deve estar com um nível de adoção maduro no pais entre 2 á 5 anos
- 7. Nvidia Deep learning perception, Lidar Perception and autonomous Drive
- 9. Source: Next big future
- 10. GPU Computing
- 11. Redes neurais artificiais Source : icmc usp
- 12. Cenário atual Source: Asimovinstitute • Diversas arquiteturas disponíveis. • Uma para cada problema • Novas arquiteturas surgindo devido ao poder computacional atual
- 13. • CNN é uma rede do tipo Feed-Foward. • Utiliza uma variação de perceptrons multicamada, desenvolvidos para minimizar o uso computacional • CNN aprende filtros em que um algoritmo tradicional seria necessário implementações manuais • Usada principalmente em reconhecimento de imagens e processamento de vídeos, embora já tenha sido usada em processamento de voz e NLP CNN – Convolutional neural network
- 15. Trabalhando com Imagens • Imagem tratada como matriz. • “Shape” da imagem é visto através das dimensões altura, largura e canais de cores (RGB) • Devemos deixar as imagens do mesmo tamanho(Slice) • Podemos fazer conversões na imagem, mudando posição, Recortando, invertendo lados (transpose), girando • Extração de features pode ser diretamente onde interessa
- 16. Feature Maps & layers
- 17. Desafios de aprendizado: • Variação Intra-classe • Distinção de fundo • Ponto de vista
- 19. Open Source Interface Plataform 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
- 20. Escolhendo Frameworks •Analisar evolução do Framework (releases, updates, etc.) •Linguagem suportada •Plataforma suportada •Suporte (documentação, comunidade, etc.) •Expertise •Foco no problema
- 21. Source: Google Research • Start 2011 • Reconhecimento de voz • Pesquisas de imagens no Google Photos • Ganhador do desafio de reconhecimento visual em larga escala Imagenet 2014 • Utilizado em experimentos de legendas em imagens e vídeos • Start 2015 • Duas vezes mais rápido que seu antecessor DistBelief • Código aberto • Flexível • Baixo nível porém fácil de usar
- 22. Biblioteca do 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 código Suporte a Spark Código e documentação aberta no GitHub
- 23. Evolução das releases 0.7 ....................... 1.2 1.3 1.4 1.5 1.6 1.7 1.8
- 25. Estrutura de código 1. Criar constrante 2. Iniciar sessão 3. Executar operação Import tensorflow as tf # Cria Constant com valores. A = tf.Constant(100) B = tf.Contant(50) # Cria sessão sess = tf.session() # Executa a sessão e imprime resultado sess.run( A * B) Source: TensorFlow
- 27. TensorBoard • Interface gráfica, lançada junto com o TensorFlow • Desenvolvido para demonstrar graficamente o comportamento do modelo • Cria um conjunto de pequenas e determinadas visualizações genericas • Possui API´s para adicionar plug-ins de visualizações personalizadas • Página do GitHub Source: TensorFlow
- 28. TensorFlow Serving Source: TensorFlow • Plataforma para deploy de modelos de Deep Learning • Aberto ao publico desde o inicio • Controle de versão de modelos • Suporte a vários modelos para teste A/B • Gerenciamento de recursos • Pode ser usado por outros frameworks
- 31. The Cifar-10 Dataset • Dataset com 60000 imagens coloridas, divididas em 10 classes • Sendo 50000 imagens para treino e 10000 para teste • Popular em competições de Deep Learning no Kaggle • Link para download aqui • Outros datasets para desenvolvimento de CNN´s aqui
- 34. TensorFlow - Playground Source: TensorFlow Playground
- 35. Links uteis • Tensorflow Canal youtube link • Tensorflow for Deep Learning research Stanford University link • Tensorflow papers link • Livro deep learning (free) datascienceacademy link • Deep Learning studio link • Nvidia Deep Learning institute link • Tensorflow Playground link