رایانه اینترنتی چیست-پروژه Dfinity در یک نگاه

< /img>

پشت DFINITY و رایانه اینترنتی چیست؟

در 7 مه 2021 ، رایانه اینترنتی DFINITY در یک رویداد راه اندازی به عموم مردم ارائه شد. به عنوان یک رایانه به اصطلاح بلاک چین ، رایانه اینترنتی در نظر گرفته شده است تا گام بعدی منطقی در کنار سیستم عامل های قرارداد هوشمند و سیستم های پرداخت باشد و نمایانگر ...

یادگیری علوم رایانه نباید منتظر دانشگاه بماند

در هسته هر انسانی ، تمایلی برای ایجاد و تأثیرگذاری بر جهان نهفته است. و با این حال ، اکثر ایده های عالی هرگز از گفتگو با یک دوست گذشته نمی کند. تا حدی ، این امر به این دلیل است که ایده های ما اغلب شامل نرم افزار است ، اما تعداد کمی از ما نحوه نوشتن کد را می دانیم ، و باعث می شویم نتوانیم ایده های خود را زنده کنیم.

در ایالات متحده ، اکثر دانش آموزان دسترسی به آموزش علوم کامپیوتر تا رسیدن به دانشگاه.

اجازه دهید آن را تغییر دهیم.

-

فناوری به م platformثرترین بستر برای به اشتراک گذاری ایده ها تبدیل شده است. فقط با کمی آموزش ، سخت کوشی و دسترسی به رایانه ، هرکسی می تواند یک محصول بسازد. و به لطف اینترنت ، می توانیم آن را فوراً با 3 میلیارد نفر به اشتراک بگذاریم. .

با این تفکرات است که هیئت کالج دوره جدید اصول علوم رایانه AP (AP CSP) را ایجاد کرد. هیئت مدیره کالج با اجازه دادن به مربیان به زبان ها و چارچوب هایی که ترجیح می دهند CS را آموزش دهند و در پروژه ها به دانش آموزان نمره بدهد ، دوره CS دبیرستان را برای آینده ایجاد کرده است.

-

در پاسخ به کالج دوره جدید هیئت مدیره ، Make School در حال راه اندازی Swift CSP (makeschool.com/swift-csp) است-یک برنامه درسی که با الزامات AP CSP مطابقت دارد و در عین حال مهمترین مهارت را در صنعت امروز آموزش می دهد: توسعه تلفن همراه.

چرا آیا توسعه تلفن همراه بسیار مهم است؟ به داده ها نگاه کنید-از سال 2014 ، ما در درجه اول از دستگاه های تلفن همراه خود استفاده می کنیم:

طبق گزارش KPCB

همانطور که از نام آن مشخص است ، زمان صرف شده روزانه بر روی دسکتاپ و تلفن همراه توسط بزرگسالان ایالات متحده ، Swift CSP از زبان برنامه نویسی جدید اپل ، Swift استفاده خواهد کرد. در پایان دوره ، هر دانش آموز برنامه iPhone خود را ایجاد خواهد کرد.

ما از محیط های تعاملی مدرن بازی (در عین حال استفاده نشده) اپل از زمین بازی استفاده می کنیم تا اکتشاف و درک اصول برنامه نویسی را برای مبتدیان آسان کنیم. به زمین های بازی چگونه کار می کنند؟ وقتی کد را در سمت چپ به روز می کنید ، می توانید فوراً و بصری نتیجه تغییر خود را در سمت راست مشاهده کنید.

خودتان خودتان را ببینید:

نمونه آموزش Swift CSP توسط دیون لارسون ، مهندس برنامه درسی در مدرسه-با استفاده از زمین های بازی تعاملی

به مدت طولانی زمان ، Make School می خواهد برنامه درسی علوم کامپیوتر مدرن را به مربیان دبیرستانی ارائه دهد ، اما چارچوب مناسبی وجود ندارد. قبلاً ، حتی اگر معلمان بخواهند از برنامه درسی ما استفاده کنند ، دانش آموزان نمی توانند اعتبار دانشگاه را دریافت کنند و مدارس نمی توانند بودجه دریافت کنند.

اکنون که چارچوب مناسب وجود دارد ، ما برنامه درسی خود را به مربیان دبیرستانی ارائه می دهیم رایگان. ما همچنین نقشه های درسی ، ممیزی ، طرح واحد ، ارزیابی و حتی ارائه پشتیبانی از راه دور را ایجاد می کنیم. ما راه اندازی کلاس AP CSP را برای معلمان آسان می کنیم تا هر دبیرستانی بتواند آموزش علوم کامپیوتر را به دانش آموزان خود ارائه دهد.

Make School کیست و چرا باید از برنامه درسی ما استفاده کنید؟

در سال 2012 ، Make School کلاس AP CS را در دبیرستان Menlo ، یکی از برترین برنامه های CS دبیرستان در کشور تدریس کرد. (بنیانگذاران GoPro ، Bleacher Report و Zazzle فارغ التحصیلان Menlo HS هستند.) در سال 2013 ، Makeمدرسه اولین کلاسهای توسعه تلفن همراه MIT ، Carnegie Mellon و UC Berkeley را آموزش داد. از امروز ، Make School به بیش از 450 دانش آموز از 50 کشور جهان کمک کرده است که برنامه های خود را به فروشگاه App ارسال کنند. برای سه سال متوالی ، از دانش آموزان Make School دعوت می شود تا برنامه هایی را که در کاخ سفید ایجاد کرده اند ارائه دهند. برنامه درسی مدرسه را با استانداردهای صنعت به روز کرده و مستقیماً تحت تأثیر شرکای ما قرار دارد ، از جمله Lyft ، LinkedIn و Tilt.

اگر علاقه مند به استفاده از برنامه درسی ما در مدرسه خود هستید ، این فرم را پر کنید و ما اطلاعات بیشتری از جمله نمونه های برنامه درسی و اطلاعات مربوط به ما را برای شما ارسال می کنیم. در تابستان امسال کارگاههای توسعه حرفه ای!

اگر بازخورد یا س questionsالی دارید ، به ما اطلاع دهید. می توانید با من و بقیه تیم Swift CSP در [e-mail] تماس بگیرید.

یک ماشین مجازی لینوکس رایگان در رایانه خود برای پروژه های علم داده با استفاده از VirtualBox و Ubuntu ایجاد کنید

از Cloud رد شوید و از سخت افزار خود استفاده کنید

عکس آرین درویشی در Unsplash

به ابر یا نه به ابر؟

در این روزگار و عصر ، قدرت رایانش ابری رایج و ارزان است. برای یافتن گزینه های میزبانی رایگان یا مقرون به صرفه برای توسعه برنامه ، پایگاه های داده یا پروژه های علم داده ، نیازی به جستجوی آنلاین نیست. صرف نظر از در دسترس بودن آنلاین ، دلایل زیادی مانند امنیت ، هزینه ها و کنجکاوی برای ایجاد محیط های سفارشی بر روی سخت افزار خود وجود دارد. با استفاده از نرم افزار رایگان VirtualBox اوراکل ، راه اندازی ماشین مجازی (VM) در رایانه شخصی خود بسیار آسان است و به شما امکان می دهد چندین سیستم عامل را همزمان اجرا کنید!

https://www.virtualbox.org/

ماشین مجازی چیست؟

یک مجازی دستگاه مانند داشتن یک رایانه در داخل رایانه شما است. به جای یک ماشین فیزیکی درون دستگاه ، از طریق مجازی سازی سخت افزاری ، یک سیستم عامل دیگر منابع رایانه میزبان را به اشتراک می گذارد. هر ماشین مجازی سیستم عامل (OS) خود را دارد که جدا از سیستم عامل میزبان کار می کند. به همین ترتیب ، هر ماشین مجازی پردازنده های خود ، RAM ، دیسک و غیره را دارد ... از طریق مجازی سازی ، اساساً دو ماشین متفاوت است! در مثالهای این مقاله ، نحوه بارگیری سیستم عامل لینوکس رایگان ، سرور اوبونتو ، را بر روی یک ماشین مجازی با استفاده از Windows به عنوان سیستم عامل ماشین میزبان من توضیح خواهم داد. مانند یک ماشین مجازی در فضای ابری ، حتی می توانید SSH را راه اندازی کنید تا بتوانید از راه دور آن را آسان کنید!

بارگیری و نصب VirtualBox

VirtualBox نه تنها رایگان است ، بلکه یک برنامه ای غنی از ویژگی ها که راه اندازی آن نسبتاً آسان است. دارای یک جامعه بزرگ و مفید است که به روز رسانی و افزایش عملکرد را ادامه می دهد. علاوه بر این ، از انواع سیستم عامل های میزبان (Windows ، Linux ، Macintosh و Solaris) پشتیبانی می کند و تحت شرایط نسخه GNU General Public License (GPL) در دسترس است.

به صفحه بارگیری بروید و نسخه مورد نیاز برای سیستم عامل میزبان را انتخاب کنید. به عنوان مثال ، من از Windows استفاده می کنم ، بنابراین گزینه Windows را بارگیری می کنم:

بارگیری - Oracle VM VirtualBox در اینجا پیوندهایی به باینری های VirtualBox و کد منبع آن خواهید یافت. با بارگیری ، شما با شرایط موافقت می کنید و… www.virtualbox.org

همچنین بسته افزونه Oracle VM VirtualBox Extension Pack را بارگیری کنید. medium.com/max/426/1*RamWjpYEqCN6HiV6xn2Eyw.png">https://www.virtualbox.org/wiki/دانلودها

هنگام نصب VirtualBox ، در مورد ایجاد وقفه در اتصال شبکه به شما هشدار می دهد ، بنابراین مطمئن شوید که کاری را انجام نمی دهید که قابل قطع نیست. مراحل نصب و راه اندازی آن نسبتاً ساده است. من از پیش فرض ها استفاده کردم برای مشکلات مربوط به نصب به اسناد مراجعه کنید. پس از بارگیری اوبونتو ، در واقع VM را ایجاد می کنم. و سرورها بسیاری از فناوری های مورد استفاده برای وب ، علم داده و توسعه نرم افزار برای لینوکس طراحی شده اند و می توانند با استفاده از خط فرمان اجرا شوند. من از اوبونتو هنگام ایجاد و میزبانی صفحات وب ، تنظیم پایگاه های داده SQL و خوشه های Elasticsearch و مدیریت ظروف با Docker استفاده کرده ام.

سرور اوبونتو (18.04) را در صفحه بارگیری بارگیری کنید.

سیستم عامل پیشرو برای رایانه های شخصی ، دستگاه های اینترنت اشیا ، سرورها و ابر | اوبونتو اندروید مقیاس پذیردر ابر آخرین نسخه پرکاربردترین پلتفرم لینوکس جهان برای Kubernetes ... ubuntu.com

توجه داشته باشید که یک فایل .iso بارگیری می شود. هنگامی که VM بارگذاری می شود تا سیستم عامل اوبونتو قابل نصب باشد ، از تصویر استفاده می شود!

مدیریت ماشین های مجازی

قبل از راه اندازی ماشین های مجازی ، به مشخصات دستگاه میزبان خود توجه داشته باشید. اگر از RAM یا CPU زیادی برای آنها استفاده کنید ، می توانند به طور چشمگیری بر عملکرد دستگاه میزبان تأثیر بگذارند! به عنوان مثال ، من یک ماشین مجازی راه اندازی کردم تا از 14 مورد از 16 گیگ رم خود استفاده کنم و سپس مدلهای یادگیری ماشین را روی مجموعه داده های بزرگ اجرا کردم. در حالی که مدل داده ها را تغییر می دهد ، دستگاه میزبان من نیز به عنوان یک لوله مسدود عمل می کند! همیشه به منابع اختصاص داده شده به ماشین مجازی توجه کنید.

پس از نصب VirtualBox و بارگیری اوبونتو ، زمان ایجاد یک ماشین مجازی و نصب اوبونتو فرا رسیده است. هنگام راه اندازی VirtualBox ، صفحه ای شبیه به این نمایش داده می شود:

توجه داشته باشید من در حال حاضر دو ماشین مجازی ایجاد کرده ام:

Edge که از Windows Server 2016 به عنوان سیستم عامل خود استفاده می کند که از سرور اوبونتو 18.04 به عنوان سیستم عامل خود استفاده می کند

Oracle VM VirtualBox Manager رابط کاربری گرافیکی است که از طریق آن ماشین های مجازی را ایجاد و مدیریت می کنید.

ایجاد ماشین مجازی

راه اندازی ماشین مجازی تنها چند مرحله است. به خاطر داشته باشید که در صورت نیاز به تنظیم تعداد پردازنده ها یا RAM ، می توانید اکثر این تنظیمات را تغییر دهید. روی دکمه تنظیمات کلیک کنید تا پس از ایجاد ماشین مجازی آنها را تنظیم کنید.

برای ایجاد VM اوبونتو روی New کلیک کنید.

ایجاد ماشین مجازی

یک نام وارد کنید. من اسم خود را متوسط ​​گذاشتم. لینوکس را به عنوان Type انتخاب کنید. اوبونتو (64 بیتی) را به عنوان نسخه انتخاب کنید.

اندازه حافظه را تنظیم کنید. من 2 گیگ حافظه اختصاص می دهم ، اما بسته به آنچه در سیستم شما موجود است ، آن را تخصیص می دهم.

ایجاد یک هارد دیسک مجازی را اکنون به عنوان گزینه هارد دیسک انتخاب کنید تا ماشین مجازی فضای ذخیره سازی اختصاص داده شود.

پس از پیکربندی گزینه ها ، روی ایجاد کلیک کنید. اگر ویرایشگر هارد دیسک انتخاب شده باشد ویرایشگر Create Virtual Hard Disk نمایش داده می شود:

مکان فایل را انتخاب کنید. در نظر بگیرید که چقدر فضا باید اختصاص داده شود. به عنوان مثال ، من دو درایو در رایانه خود دارم و همیشه از درایو بزرگتر برای فضای دیسک VM خود استفاده می کنم.

تنظیم اندازه فایل. اندازه پیش فرض 10 گیگ است ، اما من 20 را توصیه می کنم در نظر بگیرید که سیستم عامل چقدر بزرگتر است و مطمئن شوید که دیسکی را انتخاب کنید که فضای کافی روی آن باشد! به عنوان مثال ، ویندوز می تواند 10 گیگ یا بیشتر انجام دهد.

یکی از گزینه های Storage در فیزیک هارد دیسک را انتخاب کنید:

یک فایل اختصاصی به صورت پویا در صورت نیاز بزرگ می شود و به حداکثر اندازه فایل می رسد با گذشت زمان. یک فایل با اندازه ثابت بلافاصله کل فضای اختصاص داده شده برای اندازه فایل را ذخیره می کند. این یک فایل 10 گیگ انتخاب شده ایجاد می کند و از پیش فرض های دیگر استفاده می شود.

من ترجیح می دهم از یک فایل با اندازه ثابت استفاده کنم زیرا تمایل به عملکرد کمی بهتر دارد زیرا از سربار کمتری نسبت به فایل اختصاصی پویا استفاده می کند. < /p>

نوع فایل هارد دیسک پیش فرض را انتخاب کنید. این گزینه نوع ظرف مورد استفاده هنگام ایجاد ذخیره سازی را تعیین می کند. برخی از گزینه ها با سایر برنامه های ماشین مجازی سازگارتر هستند.

روی Create کلیک کنید تا ماشین مجازی شروع به کار کندایجاد.

ایجاد هارد دیسک مجازی

ماشین مجازی پس از ایجاد در VirtualBox Manager ظاهر می شود:

مجازی متوسط ماشین

نصب اوبونتو در ماشین مجازی

پس از ایجاد ماشین مجازی ، تمام منابع مورد نیاز برای نصب یک سیستم عامل و استفاده از آن مانند یک رایانه معمولی را در اختیار دارد. اطمینان حاصل کنید که فایل Ubuntu .iso در کجا بارگیری شده است زیرا در این مراحل بعدی مورد نیاز است.

برای شروع VM جدید ، روی Start کلیک کنید.

هنگامی که VM برای اولین بار شروع به کار می کند ، از شما می خواهد تصویر دیسک را انتخاب کنید. فایل iso اوبونتو را انتخاب کنید.

دیسک راه اندازی را انتخاب کنید

پس از انتخاب فایل iso روی شروع کلیک کنید.

ممکن است با دنبال کردن دستگاه> درایوهای نوری> انتخاب تصویر دیسک ، تصویر انتخاب شده را تغییر دهید یا تصویر را مجددا انتخاب کنید.

انتخاب تصویر دیسک

از آنجا ، زبان خود را انتخاب کنید و برای نصب اوبونتو ، دستورالعمل ها را دنبال کنید. از شما می خواهد نام کاربری و رمز عبور تنظیم کنید. پس از آن ، سیستم عامل را نصب می کند!

اوبونتو وارد شوید < h1> Ready Set Code!

اکنون که VM سیستم عامل خود را نصب کرده است ، آماده استفاده در پروژه ها است! فناوری مورد نظر را نصب کرده و کد نویسی را شروع کنید. هزاران آموزش آنلاین برای نصب Docker ، Git ، Python ، Elasticsearch ، Mysql ، FTP و موارد دیگر در لینوکس وجود دارد. با استفاده از نرم افزار VirtualBox اوراکل ، ایجاد و مدیریت ماشین های مجازی با استفاده از سخت افزار خود و سیستم عامل های مختلف آسان است. از آنجا که لینوکس رایگان است و از پشته های فناوری مورد نیاز من پشتیبانی می کند ، با VirtualBox کاملاً جفت می شود.

اگر علاقمند به یادگیری SQL ، Python یا Data Science هستید ، سایر آموزش های برنامه نویسی من را مشاهده کنید!

داشبوردها در پایتون برای مبتدیان و افراد دیگر با استفاده از Dash با این آموزش مبتدی در Dash در Pythonmedium.com ایجاد توصیه های شراب با استفاده از رمزگذار جملات جهانی ، یک داشبورد اساسی و پیشرفته بسازید در اولین آزمایش خود با استفاده از رمزگذار جملات جهانی ، به داده های شراب پرداختم و تابع ایجاد… من سه ابزار را به شما نشان می دهم که می توانید از آنها برای تبدیل داده های خود به یک جدول محوری استفاده کنید. towardsdatascience.com

حکومت رایانه اینترنتی تحت هدایت جامعه

کنترل های شبکه به طور محکم در اختیار جامعه وسیع تری است که حدود 60 درصد از قدرت رای را در اختیار دارند.

از آنجا که رایانه اینترنتی تحت "پیدایش" قرار گرفت و به یک بلاک چین عمومی تبدیل شد سرعت وب با مقیاس اینترنت ، کنترل شبکه به طور محکم در اختیار جامعه وسیع تری است که حدود 60 درصد از قدرت رای را در اختیار دارند. سیستم عصبی (NNS) ، سیستم حکومتی بدون مجوز که بلاک چین رایانه اینترنتی را کنترل می کند ، آنها می توانند با استفاده از قدرت رای خود برای رای دادن به پیشنهادات مربوط به ارتقاء مداوم رایانه اینترنتی ، در حکمرانی شبکه مشارکت کنند. تا به امروز ، 4،970 پیشنهاد به NNS ارائه شده و توسط جامعه رای داده شده است. پس از تصویب ، پیشنهادات به طور خودکار توسط NNS اجرا می شوند. در مقابل ، مشارکت کنندگان جامعه در اداره شبکه "پاداش رای گیری" دریافت می کنند.

از 8 ژوئن 2021 ، مشارکت کنندگان در اداره شبکه پاداش هایی دریافت می کنند که سالانه 28.9 است. برای جزئیات بیشتر ، به "کسب پاداش های مهم رای گیری با شرط بندی در سیستم عصبی شبکه" مراجعه کنید. درصد رای دهی در پیدایش ، قدرت رای گیری ترکیبی بین این دو سازمان غیر انتفاعی 40 درصد است. با توزیع توکن های بیشتر ICP و دارنده رمزهای توجیهی خود برای مشارکت در مدیریت شبکه ، قدرت رای جمعی بنیاد DFINITY و انجمن رایانه اینترنتی همچنان به میزان قابل توجهی کاهش می یابد و این باعث می شود که جامعه وسیع تر بتواند نقش بیشتری در حاکمیت شبکه کامپیوتری اینترنت.

قدرت رأی یک سلول عصبی بر اساس سه ورودی محاسبه می شود:

تعداد توکن ICP واریز شده. مدت تأخیر حل شدن ، حداکثر تا 8 سال است. < oli> سن نورون ، یعنی زمانی که نورون ایجاد شده یا آخرین حل شدن متوقف شده است.

توجه به این نکته ضروری است که هرکسی می تواند به طور مستقل تعداد کل آرا را در هر زمان با مشاهده جدیدترین پیشنهاد بررسی کند. ارسال شده به سیستم عصبی شبکه در قسمت NNS dapp.

توزیع علامت

در 10 مه ، در رایانه اینترنتی راه اندازی پیدایش ، نقدینگی توکن ICP در سراسر جهان شروع به تبلیغ کرد ، با صدها مشارکت کننده اولیه ، اهداکنندگان بذر ، بیش از 50،000 شرکت کننده در Airdrop ، شرکای مختلف استراتژیک ، شرکای توسعه دهنده و بسیاری دیگر ، اولین نشانه های ICP مایع خود را باز کردند.

توجه داشته باشید ، اهداکنندگان بذر و مشارکت کنندگان اولیه تمام نشانه های ICP خود را در نورونهای Genesis (24.7 and و 9.5 of از تخصیص نشانه Genesis) دریافت کردند تا بلافاصله در NNS شرکت کنند. تخصیص رمز پیدایش در حال حاضر از طریق گزارش تحقیق مستقل مساری در دسترس است ، که در مورد زمان ، توکنومیکس ، درصد و قیمت توکن ها جزئیات بیشتری ارائه می دهد.

با گذشت زمان ، نقدینگی توکن به طرق مختلف تحت تأثیر قرار می گیرد:

در سراسر گروه های مختلف توکن (اهدا کنندگان بذر ، همکاران اولیه ، پیش فروش ، استراتژیک ، Airdrop ، کارکنان فعلی و سابق ، شرکا ، توسعه دهندگان و غیره) - توکن های ICP به صورت ماهانه یا سه ماهه توزیع می شوند ، یا نورون ها حل می شوند ، که در آن هر فرد و/یا سازمان تصمیم بگیرید که نشانه های ICP را به اشتراک بگذاریدتبدیل به نورون ها و دریافت پاداش های رای گیری ، تبدیل آنها به چرخه هایی برای پرداخت محاسبه یا انتقال آنها. عرضه توکن ICP (تورم) که اخیراً ساخته شده است. دو نوع ضبط نشانه وجود دارد: (1) پاداش رأی گیری عصبی و (2) پاداش ارائه دهنده گره. برای پاداش های رأی گیری عصبی ، توکن های ICP جدید بر اساس درصدی از کل عرضه ICP ساخته می شوند. این میزان در پیدایش 10 is است و طی 8 سال به آرامی به 5 سوختن توکن ICP (کاهش قیمت). دو راه برای سوزاندن منبع وجود دارد: (1) تبدیل به چرخه برای شارژ قوطی یا (2) برای استفاده در DeFi و هزینه های تراکنش. در نهایت ، همانطور که قبلاً ذکر شد ، بنیاد DFINITY مسئولانه مقادیر کمی را توزیع خواهد کرد از دارایی نمادین آن در مدت زمان طولانی برای افزایش سرمایه برای حمایت (1) افزایش مداوم اندازه کارکنان فنی و تیم عملیات بنیاد ، (2) ادامه سرمایه گذاری در تحقیق و توسعه ، (3) و گسترش برنامه های اکوسیستم توسعه دهندگان ، مانند برنامه توسعه دهنده 200 میلیون CHF که اخیراً اعلام شده است.

سرانجام ، سرمایه گذاری بنیاد DFINITY برای سرمایه گذاری تهاجمی در تحقیق و توسعه برای پیوستن به جامعه گسترده تر در کارآمدتر ، سریعتر و آسانتر شدن رایانه اینترنتی است. برای توسعه دهندگان ، و همچنین پشتیبانی و تسریع در توسعه اکوسیستم رایانه اینترنتی با برنامه های توسعه دهنده. در نتیجه ، بنیاد توکن ICP را از موقوفات خود در زمان شروع جنسیس یا بلافاصله پس از آن فروخت. همانطور که قبلاً گفته شد ، DFINITY متعهد است که به طور مسئولانه تخصیص نماد خود را در طول زمان برای سرمایه گذاری مجدد در رایانه و جامعه اینترنتی واگذار کند. کمک سریع به فناوری بلاک چین رایانه اینترنتی ، تسریع در پذیرش ارائه دهنده گره شبکه ، رشد اکوسیستم توسعه دهندگان و ارائه رهبری به عنوان انتقال جهانی به اینترنت باز. از این نظر ، در حالی که ما بر افق متمرکز شده ایم ، همچنین از تحولاتی که در ماه های آینده به ثمر می نشیند هیجان زده هستیم. افزایش حجم روزانه و افزایش تقاضای نهادی پایه های محکمی را برای توسعه سریعتر توسعه دهندگان در بلاک چین رایانه اینترنتی ایجاد کرده است.

علیرغم اینکه اهداکنندگان بذر توکن های ICP خود را واگذار کردند ، مهم است که توجه داشته باشیم که این جامعه از حامیان اولیه به راه اندازی بوت کمک کرد. پروژه رایانه اینترنتی علاوه بر این ، بسیاری از اهدا کنندگان دانه نیز از حامیان اولیه اتریوم بودند و در فوریه 2017 با استفاده از ETH در پروژه رایانه اینترنتی مشارکت کردند که در آن زمان بین 6 تا 10 دلار بود. پس از صبر و شکیبایی نزدیک به پنج سال ، اکنون شاهد تنوع توکنی از اهداکنندگان بذر ، که مبنای بسیار پایینی داشتند ، به جامعه وسیع تر بود. DFINITY از اهداکنندگان بذر ما به دلیل ایمان اولیه به دومینیک ویلیامز و اعضای اولیه تیم قدردانی می کند و منتظر است تا آنها را در پروژه های اولیه اکوسیستم رایانه اینترنتی کمک کند. متأسفانه بخش قابل توجهی از واگذاری توکن غیرمسئولانه ناشی از کارمندان سابق بود. نکته قابل توجه این است که این نشانه ها در حال حاضر در سراسر حامیان گسترش یافته و جامعه کامپیوترهای اینترنتی را تقویت می کنند.

خوشبختانه بیش از 200 نفر از اعضای تیم فعلی که درخشش رایانه اینترنتی را راه اندازی کردند ، و بسیاری دیگر از رایانه های اینترنتی مشارکت کنندگان ، از جمله سرمایه گذاران اصلی اصلی ،همه دارای یک رویکرد "رمزنگاری طرفدار شجاعان" هستند و یک دیدگاه مشترک دارند که عکس های ماه مانند کامپیوتر اینترنتی توانایی تغییر همه چیز را دارد. ____

شروع به ساخت در sdk.dfinity.org کنید و به انجمن توسعه دهندگان ما در forum.dfinity.org بپیوندید.

اینترنتی رایانه توسعه

چشم انداز کامپیوتری -سفری از CNN به Mask R -CNN و YOLO -Part 2

این دومین مقاله از این سری است که به کشف و درک معماری و عملکرد YOLO (شما فقط یکبار نگاه می کنید ).

برای درک دقیق الگوریتم های بینایی رایانه در CNN ، CNN مبتنی بر منطقه (R-CNN) ، سریع R-CNN ، سریعتر R-CNN کلیک کنید. این قسمت 1 است.

در مقاله بعدی ، کد YOLO v3

YOLO- شما فقط یکبار نگاه می کنید پاسخ الگوریتم های بهتر ، سریعتر و دقیق بینایی رایانه است.

شما فقط یکبار نگاه می کنید (YOLO ) در یک تصویر برای پیش بینی اجسام موجود و محل حضور آنها. تصاویر و به طور مستقیم عملکرد تشخیص را بهینه می کند. این باعث می شود YOLO بسیار سریع و دقیق

ویژگی های YOLO

YOLO ، یک الگوریتم تشخیص شیء ، همه اشیاء را در یک شبکه تصویر به طور همزمان پیدا کند از یک شبکه متحرک واحد استفاده می کند برای تصویر کامل YOLO کل تصویر را در زمان آموزش و آزمایش می بیند ، بنابراین برخلاف پنجره کشویی یا تکنیک های مبتنی بر منطقه ، به طور ضمنی اطلاعات متنی مربوط به کلاس ها و ظاهر آنها را رمزگذاری می کند. بنابراین کمتر از نصف تعداد خطاهای پس زمینه در مقایسه با Fast R-CNN. YOLO از ویژگی های کل تصویر برای پیش بینی هر کادر محدود استفاده می کند. همچنین همه جعبه های محدود کننده در تمام کلاس ها را برای یک تصویر به طور همزمان پیش بینی می کند. جعبه های محدود کننده و احتمالات کلاس برای این جعبه ها را پیش بینی می کند. با تشخیص به عنوان یک مشکل رگرسیون بسیار سریع و دقیق

کار YOLO

شما فقط یکبار نگاه می کنید-YOLO YOLO عکس می گیرد و آن را به یک شبکه SxS تقسیم کنید. هر سلول شبکه فقط یک جسم را پیش بینی می کند طبقه بندی و محلی سازی تصویر بر روی هر شبکه اعمال می شود اگر مرکز یک جسم به داخل سلول شبکه بیفتد ، آن سلول شبکه مسئول تشخیص آن است object هر یک از سلولهای شبکه جعبه های B را با نمرات اطمینان برای آن جعبه ها پیش بینی می کند نمرات اعتماد نشان می دهد که مدل چقدر مطمئن است که جعبه حاوی یک شی است و چقدر دقیق فکر می کند جعبه این است که پیش بینی می کند اگر اشیاء وجود نداشته باشند ، نمرات اطمینان صفر خواهد بود. پیش بینی اعتماد نشان دهنده IOU بین جعبه پیش بینی شده و هر جعبه حقیقت زمین است. Pr (Object) truth حقیقت IOU pred - تقاطع بین اتحاد (IOU) بین جعبه پیش بینی شده و حقیقت زمین جعبه محدود کننده هنگامی که یک جسم در سلول شبکه وجود دارد احتمال برای کلاس C

درک خروجی YOLO

< /img> pc وجود یک جسم در شبکه را تعیین می کند و احتمال است. هنگامی که یک شی وجود دارد ، احتمال دارد و هنگامی که هیچ جسمی در شبکه وجود ندارد ، رایانه آنها صفر bx خواهد بود ، با ، bh ، bw هنگام حضور یک جسم ، کادر محدود کننده را مشخص کنید. bx ، مرکز جعبه نسبت به محدوده سلول شبکه است. bw ، bh عرض و ارتفاع نسبت به کل تصویر c1 ، c2 ، c3 و غیره نمایانگر کلاسها هستند. ابعاد c برابر با تعداد کلاسها است. احتمالات کلاس به سلول شبکه ای که دارای اشیا ، P (کلاس | شی) است ، بستگی دارد. اگر جسمی در سلول شبکه وجود داشته باشدسپس کلاس فعلی دارای مقدار 1 و کلاسهای دیگر 0

بعد خروجی چقدر خواهد بود؟

تقسیم تصویر به یک شبکه S × S.

هر سلول شبکه جعبه های محدود کننده B ، اطمینان برای آن جعبه ها و احتمالات کلاس C را پیش بینی می کند.

هر کادر محدود کننده شامل 5 پیش بینی است: bx ، by ​​، bw ، bh و اعتماد

بعد خروجی S × S × (B ∗ (1 + 4) + C) تنسور

به عنوان مثال ، اگر تصویر را به یک شبکه 7 7 7 و هر کدام تقسیم کنیم سلول شبکه 2 جعبه محدود را پیش بینی می کند و ما 20 کلاس دارای برچسب داریم ، در این صورت خروجی 7 x 7 x (2*5+20) = 7 x 7 x 30 تنسور

IoU بین مرز حقیقت زمین چیست جعبه و کادر محدود کننده پیش بینی شده؟

تقاطع بر روی اتحادیه - IoU

IoU تقاطع را بر روی اتحاد دو جعبه محدود کننده ، جعبه محدود کننده برای حقیقت زمین و جعبه محدود کننده برای کادر پیش بینی شده توسط الگوریتم

وقتی IoU 1 است ، این بدان معناست که پیش بینی شده و زمین- جعبه های محدود کننده حقیقت کاملاً با هم تداخل دارند. بیشتر از 0.5؟

سرکوب غیر حداکثر

سرکوب غیر ماکس تمام جعبه های محدود کننده را که IoU کمتر از 0.5 است یا حذف می کند محدوده را انتخاب کنید کادر با بالاترین مقدار برای IoU و دیگر جعبه های محدود کننده را برای شناسایی همان شی

سرکوب کنید. برای مثال ، اگر سه مستطیل با 0.6 و 0.7 و 0.9 داشته باشیم. برای شناسایی IoU وسیله نقلیه در تصویر زیر ، Non-Max Suppression جعبه محدوده را با IoU 0.9 نگه می دارد و جعبه های محدود کننده باقی مانده 0.6 و 0.7 IoU را سرکوب می کند.

برای خودرو در تصویر زیر ، Non-Max Suppression IoU را با 0.8 نگه می دارد و جعبه محدود IoU را با 0.7

طراحی شبکه YOLO v1

معماری شبکه YOLO با الهام از مدل GoogLeNet برای طبقه بندی تصویر

شبکه تشخیص YOLO دارای 24 لایه متحرک دنبال شده است توسط 2 لایه کاملاً متصل شده. لایه ها از لایه های قبلی فاصله دارند. تشخیص

YOLO از یک تابع فعال سازی خطی برای لایه نهایی و ReLU نشتی برای تمام لایه های دیگر.

YOLO مختصات جعبه های محدود کننده را مستقیماً با استفاده از لایه های کاملاً متصل به هم در بالای استخراج کننده ویژگی های پیچشی پیش بینی می کند. YOLO فقط 98 جعبه در هر تصویر را پیش بینی می کند.

نقاط قوت YOLO

YOLO در زمان آزمایش بسیار سریع است ، زیرا برخلاف روشهای طبقه بندی تنها به ارزیابی شبکه ای نیاز دارد. استخراج ویژگی ، پیش بینی جعبه محدود ، سرکوب بدون حداکثر و استدلال زمینه ای را به طور همزمان انجام می دهد. شبکه YOLO ویژگی ها را بصورت خطی آموزش می دهد و آنها را برای کار تشخیص بهینه می کند. معماری یکپارچه منجر به مدل سریعتر و دقیق تری می شود

محدودیت های YOLO

YOLO محدودیت های مکانی قوی را در پیش بینی جعبه محدود از هر سلول شبکه اعمال می کندفقط دو جعبه را پیش بینی می کند و فقط می تواند یک کلاس داشته باشد و این تعداد اجسام نزدیک را که مدل می تواند پیش بینی کند محدود می کند. YOLO با اجسام کوچکی که به صورت گروهی ظاهر می شوند ، مانند گله پرندگان مبارزه می کند. تلاش برای تعمیم به اشیاء در نسبت ها یا پیکربندی های جدید یا غیر معمول

انواع دیگر YOLO

Fast YOLO

Fast YOLO یک نوع سریع از یولو از 9 لایه کانولوشن به جای 24 مورد استفاده در YOLO استفاده می کند و همچنین از فیلترهای تب استفاده می کند.

اندازه شبکه بین YOLO و Fast YOLO متفاوت است اما همه پارامترهای آموزش و آزمایش بین YOLO و Fast YOLO یکسان است.

خروجی نهایی شبکه ما تنسور 7 × 7 × 30 پیش بینی است.

YOLOv2 یا YOLO9000

اندازه ورودی در YOLOv2 از 224 افزایش یافته است. *224 تا 448*448 افزایش اندازه ورودی تصویر باعث بهبود mAP (میانگین دقت متوسط) YOLOv2 کل تصویر را به شبکه 13 13 13 تقسیم می کند. این به حل مسئله تشخیص اجسام کوچکتر در YOLO v1 کمک می کند که YOLOv2 از نرمال سازی دسته ای استفاده می کند که منجر به بهبود قابل توجه در همگرایی می شود و نیاز به اشکال دیگر منظم سازی را حذف می کند. ما همچنین می توانیم Drop Outs را بدون اتصال بیش از حد از مدل حذف کنیم. YOLOv2 k = 5 جبران خوبی برای فراخوانی در مقابل پیچیدگی مدل می دهد. YOLOv2 از 5 جعبه لنگر استفاده می کند YOLOv2 از معماری Darknet با 19 لایه متحرک ، 5 لایه حداکثر ترکیب و یک لایه softmax برای طبقه بندی اشیا استفاده می کند YOLOv2 از جعبه های لنگر برای پیش بینی جعبه های محدود استفاده می کند.

Anchor box یا Prior چیست و چه کمکی به آن می کند؟

Anchor Boxs یا Priors

از جعبه های لنگر برای تشخیص اجسام متعدد ، اشیاء با مقیاس های مختلف استفاده می شود ، و اجسام همپوشان این باعث افزایش سرعت و کارایی برای تشخیص شی می شود.

جعبه های لنگر همه پیش بینی های شی را یکجا ارزیابی می کنند و نیازی به اسکن تصویر با استفاده از یک پنجره کشویی ندارید

جعبه های لنگر مجموعه ای از پیش تعیین شده هستند جعبه های محدود کننده با ارتفاع و عرض مشخص. این کادرها به گونه ای تعریف شده اند که مقیاس و نسبت ابعاد کلاسهای شیء خاصی را که می خواهید تشخیص دهید ، ثبت کنید.

YOLOv2 کل تصویر را به 13 سلول شبکه 13 X 13 تقسیم می کند. YOLOv2 خوشه بندی k-means را بر روی ابعاد جعبه های محدود کننده اجرا می کند تا پیشرو یا لنگرهای خوبی برای مدل بدست آورد. YOLOv2 در بر داشت k = 5 عملکرد بهتری را ارائه می دهد.

Red is Ground Truth. جعبه های آبی 5 جعبه لنگر

برای پیش بینی چندین اشیاء در یک تصویر ، YOLOv2 هزاران پیش بینی می کند. تشخیص شیء نهایی با حذف جعبه های لنگر که متعلق به کلاس پس زمینه است انجام می شود و بقیه با نمره اطمینان آنها فیلتر می شود. ما جعبه های لنگر را با IoU بزرگتر از 0.5 می یابیم. جعبه های لنگر با بیشترین نمره اطمینان با استفاده از سرکوب Non-Max که قبلاً توضیح داده شد ، انتخاب می شوند.

YOLOv3

از 9 لنگر استفاده می کند از رگرسیون لجستیک برای پیش بینی نمره عینی بودن استفاده می کند به جای تابع Softmax که در YOLO v2 استفاده می شود YOLO v3 از شبکه Darknet-53 برای استخراج ویژگی استفاده می کند که دارای 53 لایه کانولوشن

کد YOLO v3 است که در مقاله بعدی

منابع:

https://pjreddie.com/media/files/papers/yolo.pdf

https://arxiv.org/pdf/1612.08242. pdf

https://pjreddie.com/media/files/papers/YOLOv3.pdf

http://deeplearning.csail.mit.edu/instance_ross.pdf

محدود