參考資料

假設一個變數為df的dataframe有著以下的格式(如果class為文字格式,可透過下文所提供的程式碼進行encoding)

class | file_path
0 |000.jpg
1 | 111.jpg
2 | 222.jpg
3 | 333.jpg
4 | 444.jpg
5 | 555.jpg

如果想透過PyTorch進行影像分類模型訓練的話,我們可以透過以下的程式碼載入到dataloader中


要在 Windows10系統上收聽Apple Podcasts,唯一的方法就是使用 官方在Microsoft Store上架的 iTunes軟體。只是這個軟體最後更新時間是2018年,軟體的使用體驗非常不好,時常出現卡頓的問題。

因此,本文將介紹如何匯出Apple Podcasts的訂閱內容,並匯入到Grover這個桌面端軟體進行收聽

以Windows 10系統為例:

1.安裝iTunes APP

2.開啟iTunes登入Apple ID,並進入到Podcasts的頁面,點擊檔案->資料庫->匯出播放清單,格式選擇OPML,並按下確定,會得到Podcast.opml檔案

3. 參考The 6 Best Podcast Managers for Your Windows PC這篇文章,找到適合自己的Podcast APP,我自己是選擇Grover Podcast

4.安裝並開啟Grover Podcast軟體,依照下圖的步驟將opml匯入,接著到Unplayed的Section就能開始播放了。


本文提到的Shadow和Fire Power Cloud都提供了雲端主機服務。我們可以透過手機、平板、電腦,連線到這些服務上,用月租的方式,啟動效能較好的電腦(如:更好的CPU、GPU、更快的網路速度)來達到遠端桌面的功能。


本文參考自:

透過lazypredict這個套件,我們可以用短短幾行程式,針對我們的dataset,進行訓練,並呈現出多種Regression或Classification算法的測試結果

安裝

pip install lazypredict

使用

# Classificationfrom lazypredict.Supervised import LazyClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

data = load_breast_cancer()
X = data.data
y= data.target

X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=.5,random_state =123)

clf = LazyClassifier(verbose=0,ignore_warnings=True, custom_metric=None)
models,predictions = clf.fit(X_train, X_test, y_train, y_test)

print(models)
# Regressionfrom lazypredict.Supervised import LazyRegressor
from sklearn import datasets
from sklearn.utils import shuffle
import numpy as np

boston = datasets.load_boston()
X, y = shuffle(boston.data, boston.target, random_state=13)
X = X.astype(np.float32)

offset = int(X.shape[0] * 0.9)

X_train, y_train = X[:offset], y[:offset]
X_test, y_test = X[offset:], y[offset:]

reg = LazyRegressor(verbose=0, ignore_warnings=False, custom_metric=None)
models, predictions = reg.fit(X_train, X_test, y_train, y_test)

print(models)


分享了瑕疵檢測專案會用到的技術

Labeling: Auto Labeling: YOLO-Base
Training: 非監督學習、Few-shot learning、AutoML
Inference: CUDA & TensorRT

這場分享介紹了Optuna這個自動找超參數的工具,可以和多個常用的深度學習framework整合。

# 安裝
$ pip install optuna
# 安裝dashboard
$ pip install optuna-dashboard
$ optuna-dashboard sqlite:///db.sqlite3
更多介紹可參考optuna的官方repo


在這場分享當中,來自Linker Networks的講者介紹了許多在Edge端進行Deep learning Model Deployment的工具,以下僅做簡單紀錄:

除此之外,將模型保存成FP16的格式,可以大幅度的提升模型推論時的FPS。

Azure Custom Vision: Quick POCnvidia-TLT: GO to MarketSelf-Built model: CustomizationTensorRTTriton ServerDeep Stream


有時候在寫Python程式碼的時候,時常因不注意,造成程式碼的style變化,這會讓讀程式碼的人感到不舒適,可讀性不佳。例如:以下print出hello的寫法雖然對電腦來說,輸出都是一樣的。但是對人類來說可能會對多出的空格感到疑惑,是不是程式碼有寫錯,也因此freecodecamp介紹這個名為black的工具可以自動排版程式碼,解決這些問題。

print('hello')

print( 'hello' )
pip install black
black sample_code.py #單個py檔案
black folder_name/ #多個py檔案

Yanwei Liu

Machine Learning / Deep Learning / Python / Flutter cakeresume.com/yanwei-liu

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store