<?xml version="1.0" encoding="UTF-8"?>

<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/" >

  <channel>
    <title><![CDATA[Статьи]]></title>
    <link>https://habr.com/ru/users/vfdev-5/publications/articles/</link>
    <description><![CDATA[Хабр: статьи пользователя vfdev-5]]></description>
    <language>ru</language>
    <managingEditor>editor@habr.com</managingEditor>
    <generator>habr.com</generator>
    <pubDate>Tue, 05 May 2026 01:15:53 GMT</pubDate>
    
    
      <image>
        <link>https://habr.com/ru/</link>
        <url>https://habrastorage.org/webt/ym/el/wk/ymelwk3zy1gawz4nkejl_-ammtc.png</url>
        <title>Хабр</title>
      </image>
    

    
      
        
    
    <item>
      <title><![CDATA[Обучение и тестирование нейронных сетей на PyTorch с помощью Ignite]]></title>
      <guid isPermaLink="true">https://habr.com/ru/companies/ods/articles/424781/</guid>
      <link>https://habr.com/ru/companies/ods/articles/424781/?utm_campaign=424781&amp;utm_source=habrahabr&amp;utm_medium=rss</link>
      <description><![CDATA[<p><em>Привет, Хабр, в этой статье я расскажу про библиотеку <a href="https://pytorch.org/ignite">ignite</a>, с помощью которой можно легко обучать и тестировать нейронные сети, используя фреймворк PyTorch.</em></p><br>
<p>С помощью <a href="https://pytorch.org/ignite">ignite</a> можно писать циклы для обучения сети буквально в несколько строк, добавлять из коробки расчет стандартных метрик, сохранять модель и т.д. Ну, а для тех кто переехал с TF на PyTorch, можно сказать, что библиотека <em>ignite</em> — Keras для PyTorch.</p><br>
<p>В статье будет детально разобран пример обучения нейронной сети для задачи классификации, используя <em>ignite</em></p><br>
<p><img src="https://habrastorage.org/webt/35/ar/af/35arafc8y9aicrbpz5unazs-y-a.png"></p> <a href="https://habr.com/ru/articles/424781/?utm_campaign=424781&amp;utm_source=habrahabr&amp;utm_medium=rss#habracut">Читать дальше →</a>]]></description>
      
      <pubDate>Mon, 08 Oct 2018 11:38:57 GMT</pubDate>
      <dc:creator><![CDATA[vfdev-5 (Open Data Science)]]></dc:creator>
      <category><![CDATA[Блог компании Open Data Science]]></category><category><![CDATA[Open source]]></category><category><![CDATA[Python]]></category><category><![CDATA[Машинное обучение]]></category><category><![CDATA[Обработка изображений]]></category>
      <category><![CDATA[PyTorch]]></category><category><![CDATA[Ignite]]></category><category><![CDATA[Deep Learning]]></category><category><![CDATA[Machine Learning]]></category>
    </item>
  

  

  

	
  

  

  

    
    <item>
      <title><![CDATA[DetectNet: Deep Neural Network для Object Detection в DIGITS]]></title>
      <guid isPermaLink="true">https://habr.com/ru/articles/310332/</guid>
      <link>https://habr.com/ru/articles/310332/?utm_campaign=310332&amp;utm_source=habrahabr&amp;utm_medium=rss</link>
      <description><![CDATA[<p><em>Привет Хабр. В последнее время мне очень нравится читать статьи на тему deep learning, сверточные сети, обработка изображений и т.д. Действительно, тут есть очень крутые статьи, которые поражают и вдохновляют на собственные &quot;более скромные&quot; подвиги. Итак, хочу представить вниманию русскоязычной публики перевод <a href="https://devblogs.nvidia.com/parallelforall/detectnet-deep-neural-network-object-detection-digits/">статьи</a> от Nvidia, написанной 11 августа 2016, в которой представлен их новый инструмент DIGITS и сеть DetectNet для обнаружения объектов на изображениях. Оригинальная статья, конечно, может показаться вначале немного рекламной, да и сеть DetectNet ничего &quot;революционного&quot; не представляет, но комбинация инструмента DIGITS и сети DetectNet, мне кажется, может быть интересной для всех.</em></p><br/>
<p>Сегодня с помощью <a href="https://developer.nvidia.com/digits">NVIDIA Deep Learning GPU Training System</a> (DIGITS) исследователи-аналитики имеют в своем распоряжении всю мощью глубокого обучения (<em>deep learning</em>) для решения самых общих задач в этой области, таких как: подготовка данных, определение сверточной сети, параллельное обучение нескольких моделей, наблюдение за процессом обучения в реальном времени, а также выбор лучшей модели. Полностью интерактивный инструмент DIGITS избавляет вас от программирования и отладки и вы занимаетесь только дизайном и обучением сети.</p><br/>
 <a href="https://habr.com/ru/articles/310332/?utm_campaign=310332&amp;utm_source=habrahabr&amp;utm_medium=rss#habracut">Читать дальше &rarr;</a>]]></description>
      
      <pubDate>Mon, 19 Sep 2016 07:49:10 GMT</pubDate>
      <dc:creator><![CDATA[vfdev-5]]></dc:creator>
      <category><![CDATA[Машинное обучение]]></category><category><![CDATA[Обработка изображений]]></category>
      <category><![CDATA[NVidia]]></category><category><![CDATA[DIGITS]]></category><category><![CDATA[Deep Learning]]></category><category><![CDATA[machine learning]]></category>
    </item>
  

  

  

	
  

  

  

      

      

      

    
  </channel>
</rss>
