LS
Carregado porLeandro Romualdo da Silva
PPTX, PDF110 visualizações

Dismistificando deep learning v2.1

O documento apresenta uma introdução ao Deep Learning, discutindo conceitos como redes neurais profundas e frameworks como o TensorFlow. É feita uma demonstração de uma rede neural convolucional para reconhecimento de imagens usando o TensorFlow.

Tecnologia◦
Tópicos relacionados:
Deep Learning•Data Science Insights•

Incorporar apresentação

Baixar para ler offline
Dismistificando Deep Learning Leandro Romualdo I Fórum de tecnologia da informação São Paulo | Maio 2018
Short bio www.linkedin.com/in/leandroromualdo https://twitter.com/Leandro_Romuald http://www.datascienceinstitute.com.br/ leandroromualdosilva@gmail.com
Agenda Deep Learning Redes Neurais Frameworks para Deep Learning Demo Convolutional Neural Network Perguntas
 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
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
Source: Forbes Deep Learning deve estar com um nível de adoção maduro no pais entre 2 á 5 anos
Nvidia Deep learning perception, Lidar Perception and autonomous Drive
Source: Nvidia
Source: Next big future
GPU Computing
Redes neurais artificiais Source : icmc usp
Cenário atual Source: Asimovinstitute • Diversas arquiteturas disponíveis. • Uma para cada problema • Novas arquiteturas surgindo devido ao poder computacional atual
• 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
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
Feature Maps & layers
Desafios de aprendizado: • Variação Intra-classe • Distinção de fundo • Ponto de vista
Frameworks Source: Nvidia
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
Escolhendo Frameworks •Analisar evolução do Framework (releases, updates, etc.) •Linguagem suportada •Plataforma suportada •Suporte (documentação, comunidade, etc.) •Expertise •Foco no problema
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
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
Evolução das releases 0.7 ....................... 1.2 1.3 1.4 1.5 1.6 1.7 1.8
Plataformas Source: TensorFlow Linguagens
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
Programming Stack
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
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
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
Source: TensorFlow Comunidade Tensorflow
TensorFlow - Playground Source: TensorFlow Playground
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
Dismistificando deep learning v2.1

Mais conteúdo relacionado

PPTX
Dismistificando deep learning
porLeandro Romualdo da Silva
 
PPTX
Dismistificando deep learning
porLeandro Romualdo da Silva
 
PPT
A Ciência da Computação e os Jogos Eletrônicos
porIngrid Mendes
 
PDF
Introdução ao Machine Learning para Hackers
porGabriel Cypriano Saca
 
PDF
Inteligência artificial e redes neurais em PHP
porGabriel Rodrigues Couto
 
PDF
Computação Visual com Python
porJonh Edson
 
PPT
Ferramentas Livres para o Desenvolvimento de Jogos Eletrônicos
porIngrid Mendes
 
PDF
Introdução a Machine Learning e TensorFlow
porDevMT
 
Dismistificando deep learning
porLeandro Romualdo da Silva
 
Dismistificando deep learning
porLeandro Romualdo da Silva
 
A Ciência da Computação e os Jogos Eletrônicos
porIngrid Mendes
 
Introdução ao Machine Learning para Hackers
porGabriel Cypriano Saca
 
Inteligência artificial e redes neurais em PHP
porGabriel Rodrigues Couto
 
Computação Visual com Python
porJonh Edson
 
Ferramentas Livres para o Desenvolvimento de Jogos Eletrônicos
porIngrid Mendes
 
Introdução a Machine Learning e TensorFlow
porDevMT
 

Semelhante a Dismistificando deep learning v2.1

PDF
Introdução a Machine Learning e TensorFlow
porGuilherme Campos
 
PDF
Aprendizado Profundo & CNNs
porFabio Spanhol
 
PDF
Devfest cerrado2017
porSandro Moreira
 
PDF
TDC2017 | Florianopolis - Trilha DevOps How we figured out we had a SRE team ...
portdc-globalcode
 
PPTX
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
PPTX
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
PDF
Hands On TensorFlow and Keras
porSandro Moreira
 
PPT
Introdução ao Deep Learning com o TensorFlow
porpichiliani
 
PPT
Introdução ao Deep Learning com o TensorFlow
porMauro Pichiliani
 
PDF
Comecando tensorflow
porSandro Moreira
 
PPTX
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
PPTX
[Jose Ahirton lopes] Do Big ao Better Data
porAhirton Lopes
 
PDF
Deep Learning do Zero ao Impossível: Qual o caminho?
porSandro Moreira
 
PPTX
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
porAhirton Lopes
 
PPTX
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
porAhirton Lopes
 
PDF
Introdução a Deep Learning
porCristian Muñoz
 
PPTX
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
PPTX
[1]-Introdução à Inteligência Artificial.pptx
porKennedyDuarteVieira2
 
PDF
Impactos da Inteligência Artificial na democracia
porPierre GUILLOU
 
PDF
(curso) "Machine Learning Study Jam" em Brasília
porPierre GUILLOU
 
Introdução a Machine Learning e TensorFlow
porGuilherme Campos
 
Aprendizado Profundo & CNNs
porFabio Spanhol
 
Devfest cerrado2017
porSandro Moreira
 
TDC2017 | Florianopolis - Trilha DevOps How we figured out we had a SRE team ...
portdc-globalcode
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
Hands On TensorFlow and Keras
porSandro Moreira
 
Introdução ao Deep Learning com o TensorFlow
porpichiliani
 
Introdução ao Deep Learning com o TensorFlow
porMauro Pichiliani
 
Comecando tensorflow
porSandro Moreira
 
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
[Jose Ahirton lopes] Do Big ao Better Data
porAhirton Lopes
 
Deep Learning do Zero ao Impossível: Qual o caminho?
porSandro Moreira
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
porAhirton Lopes
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
porAhirton Lopes
 
Introdução a Deep Learning
porCristian Muñoz
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
porAhirton Lopes
 
[1]-Introdução à Inteligência Artificial.pptx
porKennedyDuarteVieira2
 
Impactos da Inteligência Artificial na democracia
porPierre GUILLOU
 
(curso) "Machine Learning Study Jam" em Brasília
porPierre GUILLOU
 

Dismistificando deep learning v2.1

  • 1.
    Dismistificando Deep Learning Leandro Romualdo IFórum de tecnologia da informação São Paulo | Maio 2018
  • 2.
  • 3.
  • 4.
     Subcategoria deMachine 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 • Sabemosque 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 Learningdeve estar com um nível de adoção maduro no pais entre 2 á 5 anos
  • 7.
    Nvidia Deep learningperception, Lidar Perception and autonomous Drive
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
    Cenário atual Source: Asimovinstitute •Diversas arquiteturas disponíveis. • Uma para cada problema • Novas arquiteturas surgindo devido ao poder computacional atual
  • 13.
    • CNN éuma 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.
  • 17.
    Desafios de aprendizado: •Variação Intra-classe • Distinção de fundo • Ponto de vista
  • 18.
  • 19.
    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
  • 20.
    Escolhendo Frameworks •Analisar evoluçãodo 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 Documentaçãomuito 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
  • 24.
  • 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
  • 26.
  • 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
  • 33.
  • 34.
    TensorFlow - Playground Source:TensorFlow Playground
  • 35.
    Links uteis • TensorflowCanal 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