ન્યુરલ નેટવર્ક્સ. આ બધું ક્યાં જઈ રહ્યું છે?

લેખમાં બે ભાગો છે:

1. મારા માટે સંસાધનોની સૌથી વધુ સમજી શકાય તેવી લિંક્સ સાથે ઈમેજીસ અને ઈમેજ સેગ્મેન્ટેશનમાં ઓબ્જેક્ટ ડિટેક્શન માટેના કેટલાક નેટવર્ક આર્કિટેક્ચરનું સંક્ષિપ્ત વર્ણન. મેં વિડિઓ સ્પષ્ટતા પસંદ કરવાનો પ્રયાસ કર્યો અને પ્રાધાન્યમાં રશિયનમાં.
2. બીજો ભાગ ન્યુરલ નેટવર્ક આર્કિટેક્ચરના વિકાસની દિશા સમજવાનો પ્રયાસ છે. અને તેમના પર આધારિત ટેકનોલોજી.

આકૃતિ 1 - ન્યુરલ નેટવર્ક આર્કિટેક્ચરને સમજવું સરળ નથી

આ બધું Android ફોન પર ઑબ્જેક્ટ વર્ગીકરણ અને શોધ માટે બે ડેમો એપ્લિકેશનો બનાવીને શરૂ થયું:

• બેક-એન્ડ ડેમો, જ્યારે ડેટા સર્વર પર પ્રોસેસ થાય છે અને ફોન પર ટ્રાન્સમિટ થાય છે. ત્રણ પ્રકારના રીંછનું ઇમેજ વર્ગીકરણ: બ્રાઉન, બ્લેક અને ટેડી.
• ફ્રન્ટ એન્ડ ડેમોજ્યારે ફોન પર જ ડેટા પ્રોસેસ થાય છે. ત્રણ પ્રકારની વસ્તુઓની શોધ (ઓબ્જેક્ટ ડિટેક્શન) : હેઝલનટ, અંજીર અને તારીખો.

ઇમેજ ક્લાસિફિકેશન, ઇમેજમાં ઑબ્જેક્ટ ડિટેક્શન અને તેના કાર્યો વચ્ચે તફાવત છે છબી વિભાજન. તેથી, એ શોધવાની જરૂર હતી કે કયા ન્યુરલ નેટવર્ક આર્કિટેક્ચર ઇમેજમાં ઑબ્જેક્ટ્સ શોધી શકે છે અને કયા સેગમેન્ટ કરી શકે છે. મને મારા માટે સંસાધનોની સૌથી વધુ સમજી શકાય તેવી લિંક્સ સાથે આર્કિટેક્ચરનાં નીચેના ઉદાહરણો મળ્યાં છે:

• આર-સીએનએન પર આધારિત આર્કિટેક્ચરની શ્રેણી (Rસાથેના પ્રદેશો Cઓનવોલ્યુશન Nયુરલ Networks લક્ષણો: R-CNN, ફાસ્ટ R-CNN, ઝડપી આર-સીએનએન, માસ્ક આર-સીએનએન. ઇમેજમાં ઑબ્જેક્ટને શોધવા માટે, બાઉન્ડિંગ બૉક્સને રિજન પ્રપોઝલ નેટવર્ક (RPN) મિકેનિઝમનો ઉપયોગ કરીને ફાળવવામાં આવે છે. શરૂઆતમાં, RPN ને બદલે ધીમી પસંદગીયુક્ત શોધ પદ્ધતિનો ઉપયોગ કરવામાં આવ્યો હતો. પછી પસંદ કરેલા મર્યાદિત પ્રદેશોને વર્ગીકરણ માટે પરંપરાગત ન્યુરલ નેટવર્કના ઇનપુટ પર ખવડાવવામાં આવે છે. આર-સીએનએન આર્કિટેક્ચરમાં મર્યાદિત પ્રદેશો પર સ્પષ્ટ "માટે" લૂપ્સ છે, જે એલેક્સનેટ આંતરિક નેટવર્ક દ્વારા કુલ 2000 રન સુધી ચાલે છે. સ્પષ્ટ "માટે" લૂપ્સ ઇમેજ પ્રોસેસિંગની ગતિને ધીમી કરે છે. આર્કિટેક્ચરના દરેક નવા સંસ્કરણ સાથે આંતરિક ન્યુરલ નેટવર્ક દ્વારા ચાલતા સ્પષ્ટ લૂપ્સની સંખ્યા ઘટતી જાય છે, અને માસ્ક R-CNN માં ઑબ્જેક્ટ વિભાજન સાથે ઑબ્જેક્ટ ડિટેક્શનના કાર્યને બદલવાની ઝડપ વધારવા અને ઑબ્જેક્ટ ડિટેક્શનના કાર્યને બદલવા માટે ડઝનેક અન્ય ફેરફારો કરવામાં આવે છે.
• YOLO (You Only Lઓઓક Once) એ પ્રથમ ન્યુરલ નેટવર્ક છે જેણે મોબાઇલ ઉપકરણો પર રીઅલ ટાઇમમાં ઑબ્જેક્ટ્સને ઓળખી કાઢ્યા છે. વિશિષ્ટ લક્ષણ: એક દોડમાં વસ્તુઓને અલગ પાડવી (ફક્ત એકવાર જુઓ). એટલે કે, YOLO આર્કિટેક્ચરમાં કોઈ સ્પષ્ટ "માટે" લૂપ્સ નથી, તેથી જ નેટવર્ક ઝડપથી કાર્ય કરે છે. ઉદાહરણ તરીકે, આ સામ્યતા: NumPy માં, જ્યારે મેટ્રિસીસ સાથે ઑપરેશન કરે છે, ત્યાં કોઈ સ્પષ્ટ "માટે" લૂપ્સ પણ નથી, જે NumPy માં C પ્રોગ્રામિંગ ભાષા દ્વારા આર્કિટેક્ચરના નીચલા સ્તરે લાગુ કરવામાં આવે છે. YOLO પૂર્વવ્યાખ્યાયિત વિંડોઝના ગ્રીડનો ઉપયોગ કરે છે. સમાન ઑબ્જેક્ટને ઘણી વખત વ્યાખ્યાયિત થવાથી રોકવા માટે, વિન્ડો ઓવરલેપ ગુણાંક (IoU) નો ઉપયોગ કરવામાં આવે છે. Iઆંતરછેદ oવેર Union). આ આર્કિટેક્ચર વિશાળ શ્રેણી પર કાર્ય કરે છે અને ઉચ્ચ છે મજબૂતાઈ: એક મોડેલને ફોટોગ્રાફ્સ પર તાલીમ આપી શકાય છે પરંતુ તેમ છતાં હાથથી દોરેલા ચિત્રો પર સારું પ્રદર્શન કરી શકાય છે.
• SSD (Sજંઘામૂળ Sગરમ મલ્ટિબોક્સ Detector) - YOLO આર્કિટેક્ચરની સૌથી સફળ "હેક્સ" નો ઉપયોગ કરવામાં આવે છે (ઉદાહરણ તરીકે, મહત્તમ દમન નહીં) અને ન્યુરલ નેટવર્ક વધુ ઝડપી અને વધુ સચોટ રીતે કાર્ય કરવા માટે નવા ઉમેરવામાં આવે છે. વિશિષ્ટ લક્ષણ: ઇમેજ પિરામિડ પર આપેલ વિન્ડોઝ (ડિફૉલ્ટ બૉક્સ) ની ગ્રીડનો ઉપયોગ કરીને એક રનમાં ઑબ્જેક્ટને અલગ પાડવું. ઇમેજ પિરામિડ ક્રમિક કન્વોલ્યુશન અને પૂલિંગ ઓપરેશન્સ દ્વારા કન્વોલ્યુશન ટેન્સર્સમાં એન્કોડ કરવામાં આવે છે (મહત્તમ-પૂલિંગ ઓપરેશન સાથે, અવકાશી પરિમાણ ઘટે છે). આ રીતે, મોટા અને નાના બંને ઑબ્જેક્ટ એક નેટવર્ક રનમાં નક્કી થાય છે.
• મોબાઇલએસએસડી (મોબાઇલNetV2+ SSD) એ બે ન્યુરલ નેટવર્ક આર્કિટેક્ચરનું સંયોજન છે. પ્રથમ નેટવર્ક MobileNetV2 ઝડપથી કામ કરે છે અને ઓળખની ચોકસાઈ વધારે છે. VGG-2 ને બદલે MobileNetV16 નો ઉપયોગ થાય છે, જે મૂળમાં ઉપયોગમાં લેવાયો હતો મૂળ લેખ. બીજું SSD નેટવર્ક ઇમેજમાં ઑબ્જેક્ટનું સ્થાન નક્કી કરે છે.
• સ્ક્વિઝનેટ - ખૂબ જ નાનું પરંતુ સચોટ ન્યુરલ નેટવર્ક. પોતે જ, તે ઑબ્જેક્ટ શોધની સમસ્યાને હલ કરતું નથી. જો કે, તેનો ઉપયોગ વિવિધ આર્કિટેક્ચરના સંયોજનમાં થઈ શકે છે. અને મોબાઇલ ઉપકરણોમાં વપરાય છે. વિશિષ્ટ લક્ષણ એ છે કે ડેટાને પ્રથમ ચાર 1×1 કન્વોલ્યુશનલ ફિલ્ટરમાં સંકુચિત કરવામાં આવે છે અને પછી ચાર 1×1 અને ચાર 3×3 કન્વોલ્યુશનલ ફિલ્ટરમાં વિસ્તરણ કરવામાં આવે છે. ડેટા કમ્પ્રેશન-વિસ્તરણના આવા એક પુનરાવર્તનને "ફાયર મોડ્યુલ" કહેવામાં આવે છે.
• ડીપલેબ (ડીપ કન્વોલ્યુશનલ નેટ્સ સાથે સિમેન્ટીક ઈમેજ સેગમેન્ટેશન) – ઈમેજમાં ઓબ્જેક્ટનું વિભાજન. આર્કિટેક્ચરનું એક વિશિષ્ટ લક્ષણ છે વિસ્તરેલ કન્વોલ્યુશન, જે અવકાશી રીઝોલ્યુશનને સાચવે છે. આ પછી ગ્રાફિકલ પ્રોબેબિલિસ્ટિક મોડલ (શરતી રેન્ડમ ફીલ્ડ) નો ઉપયોગ કરીને પરિણામોના પોસ્ટ-પ્રોસેસિંગ સ્ટેજ દ્વારા અનુસરવામાં આવે છે, જે તમને સેગ્મેન્ટેશનમાં નાના અવાજને દૂર કરવા અને વિભાજિત છબીની ગુણવત્તા સુધારવા માટે પરવાનગી આપે છે. પ્રચંડ નામ "ગ્રાફિકલ પ્રોબેબિલિસ્ટિક મોડલ" પાછળ એક પરંપરાગત ગૌસીયન ફિલ્ટર છુપાવે છે, જે અંદાજે પાંચ પોઈન્ટ છે.
• ઉપકરણ શોધવાનો પ્રયાસ કર્યો રિફાઇનડેટ (સિંગલ-શોટ રીફાઇન કરોઑબ્જેક્ટ માટે ન્યુરલ નેટવર્ક તેection), પણ મને બહુ સમજાયું નહીં.
• મેં "ધ્યાન" તકનીક કેવી રીતે કાર્ય કરે છે તે પણ જોયું: વિડિઓ1, વિડિઓ2, વિડિઓ3. "ધ્યાન" આર્કિટેક્ચરનું એક વિશિષ્ટ લક્ષણ એ છે કે ઇમેજમાં વધુ ધ્યાન આપતા વિસ્તારોની આપોઆપ પસંદગી (RoI, Rલશ્કર of Interest) એટેન્શન યુનિટ નામના ન્યુરલ નેટવર્કનો ઉપયોગ કરીને. વધતા ધ્યાનના ક્ષેત્રો બાઉન્ડિંગ બોક્સ જેવા જ છે, પરંતુ તેનાથી વિપરીત, તે છબીમાં નિશ્ચિત નથી અને અસ્પષ્ટ સીમાઓ હોઈ શકે છે. પછી, વધુ ધ્યાન આપતા પ્રદેશોમાંથી, ચિહ્નો (સુવિધાઓ) અલગ કરવામાં આવે છે, જે આર્કિટેક્ચર સાથે રિકરન્ટ ન્યુરલ નેટવર્કને "ખવડાવવામાં" આવે છે. LSDM, GRU અથવા વેનીલા RNN. રિકરન્ટ ન્યુરલ નેટવર્ક ક્રમમાં લક્ષણોના સંબંધનું વિશ્લેષણ કરવામાં સક્ષમ છે. રિકરન્ટ ન્યુરલ નેટવર્કનો ઉપયોગ શરૂઆતમાં ટેક્સ્ટને અન્ય ભાષાઓમાં અનુવાદ કરવા માટે થતો હતો અને હવે અનુવાદ માટે ટેક્સ્ટ માટે છબીઓ и છબી માટે ટેક્સ્ટ.

જેમ આપણે આ આર્કિટેક્ચરોનું અન્વેષણ કરીએ છીએ મને સમજાયું કે મને કંઈ સમજાતું નથી. અને એવું નથી કે મારા ન્યુરલ નેટવર્કને ધ્યાન આપવાની પદ્ધતિમાં સમસ્યા છે. આ તમામ આર્કિટેક્ચરની રચના એક પ્રકારની વિશાળ હેકાથોન જેવી છે, જ્યાં લેખકો હેક્સમાં સ્પર્ધા કરે છે. હેક એ મુશ્કેલ સોફ્ટવેર સમસ્યાનો ઝડપી ઉકેલ છે. એટલે કે, આ તમામ આર્કિટેક્ચર વચ્ચે કોઈ દૃશ્યમાન અને સમજી શકાય તેવું તાર્કિક જોડાણ નથી. જે તેમને એક કરે છે તે સૌથી સફળ હેક્સનો સમૂહ છે જે તેઓ એકબીજા પાસેથી ઉધાર લે છે, ઉપરાંત બધા માટે એક સામાન્ય બંધ લૂપ કન્વોલ્યુશન ઓપરેશન (ભૂલ બેકપ્રોપેગેશન, બેકપ્રોપગેશન). ના સિસ્ટમો વિચારસરણી! શું બદલવું અને હાલની સિદ્ધિઓને કેવી રીતે ઑપ્ટિમાઇઝ કરવી તે સ્પષ્ટ નથી.

હેક્સ વચ્ચેના તાર્કિક જોડાણના અભાવના પરિણામે, તેઓને યાદ રાખવું અને વ્યવહારમાં લાગુ કરવું અત્યંત મુશ્કેલ છે. આ ખંડિત જ્ઞાન છે. શ્રેષ્ઠ રીતે, કેટલીક રસપ્રદ અને અણધારી ક્ષણો યાદ રાખવામાં આવે છે, પરંતુ મોટાભાગની જે સમજાય છે અને અગમ્ય છે તે થોડા દિવસોમાં મેમરીમાંથી અદૃશ્ય થઈ જાય છે. તે સારું રહેશે જો તમે એક અઠવાડિયામાં ઓછામાં ઓછું આર્કિટેક્ચરનું નામ યાદ રાખો. પરંતુ કેટલાક કલાકો અને કામના દિવસો પણ લેખો વાંચવામાં અને સમીક્ષા વિડિઓઝ જોવામાં વિતાવ્યા હતા!

આકૃતિ 2 - ન્યુરલ નેટવર્ક્સનું પ્રાણીસંગ્રહાલય

વૈજ્ઞાનિક લેખોના મોટાભાગના લેખકો, મારા અંગત મત મુજબ, આ ખંડિત જ્ઞાન પણ વાચકને ન સમજાય તેની ખાતરી કરવા માટે શક્ય તેટલું બધું કરે છે. પરંતુ "પાતળી હવામાંથી" લેવામાં આવેલા સૂત્રો સાથે દસ લીટીના વાક્યોમાં સહભાગી શબ્દસમૂહો એક અલગ લેખ માટેનો વિષય છે (સમસ્યા પ્રકાશિત અથવા નાશ પામે છે).

આ કારણોસર, ન્યુરલ નેટવર્કનો ઉપયોગ કરીને માહિતીને વ્યવસ્થિત કરવાની જરૂર છે અને આમ, સમજણ અને યાદ રાખવાની ગુણવત્તામાં વધારો થાય છે. તેથી, કૃત્રિમ ન્યુરલ નેટવર્ક્સની વ્યક્તિગત તકનીકો અને આર્કિટેક્ચર્સના વિશ્લેષણનો મુખ્ય વિષય નીચેનું કાર્ય હતું: તે બધું ક્યાં જઈ રહ્યું છે તે શોધો, અને અલગથી કોઈ ચોક્કસ ન્યુરલ નેટવર્કનું ઉપકરણ નહીં.

આ બધું ક્યાં જઈ રહ્યું છે? મુખ્ય પરિણામો:

• છેલ્લા બે વર્ષમાં મશીન લર્નિંગ સ્ટાર્ટઅપ્સની સંખ્યા ઝડપથી પડી ગયો. સંભવિત કારણ: "ન્યુરલ નેટવર્ક હવે કંઈક નવું નથી."
• કોઈ પણ વ્યક્તિ સરળ સમસ્યાને ઉકેલવા માટે કાર્યરત ન્યુરલ નેટવર્ક બનાવી શકે છે. આ કરવા માટે, "મોડેલ ઝૂ" માંથી તૈયાર મોડેલ લો અને ન્યુરલ નેટવર્કના છેલ્લા સ્તરને તાલીમ આપો (ટ્રાન્સફર શિક્ષણમાંથી તૈયાર ડેટા પર Google ડેટાસેટ શોધ અથવા થી 25 હજાર કાગલ ડેટાસેટ્સ મફતમાં ક્લાઉડ જ્યુપીટર નોટબુક.
• ન્યુરલ નેટવર્કના મોટા ઉત્પાદકોએ બનાવવાનું શરૂ કર્યું "મોડેલ પ્રાણી સંગ્રહાલય" (મોડેલ પ્રાણી સંગ્રહાલય). તેનો ઉપયોગ કરીને તમે ઝડપથી વ્યવસાયિક એપ્લિકેશન બનાવી શકો છો: TF હબ ટેન્સરફ્લો માટે, એમએમડીટેક્શન PyTorch માટે, ડિટેક્ટ્રોન Caffe2 માટે, ચેઇનર-મોડેલઝૂ ચેનર માટે અને другие.
• ન્યુરલ નેટવર્ક કામ કરે છે વાસ્તવિક સમય (રીઅલ-ટાઇમ) મોબાઇલ ઉપકરણો પર. 10 થી 50 ફ્રેમ પ્રતિ સેકન્ડ.
• ફોન (TF Lite), બ્રાઉઝર્સમાં (TF.js) અને માં ન્યુરલ નેટવર્કનો ઉપયોગ ઘરગથ્થુ વસ્તુઓ (IoT, Iઇન્ટરનેટ of Tહિંગ). ખાસ કરીને એવા ફોનમાં કે જે પહેલાથી જ હાર્ડવેર સ્તર (ન્યુરલ એક્સિલરેટર્સ) પર ન્યુરલ નેટવર્કને સપોર્ટ કરે છે.
• “દરેક ઉપકરણ, કપડાંની વસ્તુ અને કદાચ ખોરાક પણ હશે IP-v6 સરનામું અને એકબીજા સાથે વાતચીત કરો" - સેબેસ્ટિયન થ્રુન.
• મશીન લર્નિંગ પર પ્રકાશનોની સંખ્યા વધવા લાગી છે મૂરના કાયદાને ઓળંગો (દર બે વર્ષે બમણું) 2015 થી. સ્વાભાવિક રીતે, લેખોનું વિશ્લેષણ કરવા માટે અમને ન્યુરલ નેટવર્કની જરૂર છે.
• નીચેની તકનીકો લોકપ્રિયતા મેળવી રહી છે:
  • પાયટોર્ચ - લોકપ્રિયતા ઝડપથી વધી રહી છે અને લાગે છે કે ટેન્સરફ્લો આગળ નીકળી રહી છે.
  • હાઇપરપેરામીટરની સ્વચાલિત પસંદગી MLટોમMLલ - લોકપ્રિયતા સરળતાથી વધી રહી છે.
  • ચોકસાઈમાં ધીમે ધીમે ઘટાડો અને ગણતરીની ઝડપમાં વધારો: અસ્પષ્ટ તર્ક, અલ્ગોરિધમ્સ બુસ્ટીંગ, અચોક્કસ (અંદાજિત) ગણતરીઓ, પરિમાણીકરણ (જ્યારે ન્યુરલ નેટવર્કના વજનને પૂર્ણાંક અને પરિમાણમાં રૂપાંતરિત કરવામાં આવે છે), ન્યુરલ એક્સિલરેટર્સ.
  • સ્થાનાંતરણ ટેક્સ્ટ માટે છબીઓ и છબી માટે ટેક્સ્ટ.
  • બનાવટ વિડિઓમાંથી XNUMXD ઑબ્જેક્ટ્સ, હવે વાસ્તવિક સમયમાં.
  • DL વિશે મુખ્ય બાબત એ છે કે તેમાં ઘણો ડેટા છે, પરંતુ તેને એકત્ર કરવું અને લેબલ કરવું સરળ નથી. તેથી, માર્કઅપ ઓટોમેશન વિકસિત થઈ રહ્યું છે (સ્વયંસંચાલિત ટીકા) ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીને ન્યુરલ નેટવર્ક્સ માટે.
• ન્યુરલ નેટવર્ક સાથે, કોમ્પ્યુટર સાયન્સ અચાનક બની ગયું પ્રાયોગિક વિજ્ઞાન અને ઊભો થયો પ્રજનનક્ષમતા કટોકટી.
• IT નાણા અને ન્યુરલ નેટવર્કની લોકપ્રિયતા એકસાથે ઉભરી આવી જ્યારે કમ્પ્યુટિંગ બજાર મૂલ્ય બની ગયું. અર્થતંત્ર સોના અને ચલણના અર્થતંત્રમાંથી બદલાઈ રહ્યું છે ગોલ્ડ-કરન્સી-કમ્પ્યુટિંગ. પર મારો લેખ જુઓ ઇકોનોફિઝિક્સ અને આઇટી મની દેખાવનું કારણ.

ધીમે ધીમે એક નવું દેખાય છે ML/DL પ્રોગ્રામિંગ પદ્ધતિ (મશીન લર્નિંગ અને ડીપ લર્નિંગ), જે પ્રશિક્ષિત ન્યુરલ નેટવર્ક મોડલ્સના સમૂહ તરીકે પ્રોગ્રામનું પ્રતિનિધિત્વ કરવા પર આધારિત છે.

આકૃતિ 3 - નવી પ્રોગ્રામિંગ પદ્ધતિ તરીકે ML/DL

જો કે, તે ક્યારેય દેખાયો નહીં "ન્યુરલ નેટવર્ક થિયરી", જેમાં તમે વ્યવસ્થિત રીતે વિચારી શકો અને કામ કરી શકો. જેને હવે "સિદ્ધાંત" કહેવામાં આવે છે તે વાસ્તવમાં પ્રાયોગિક, હ્યુરિસ્ટિક અલ્ગોરિધમ્સ છે.

મારા અને અન્ય સંસાધનોની લિંક્સ:

• ડેટા સાયન્સ ન્યૂઝલેટર. મુખ્યત્વે ઇમેજ પ્રોસેસિંગ. જે કોઈ તેને પ્રાપ્ત કરવા માંગે છે તેણે ઈ-મેલ (foobar167<gaf-gaf>gmail<dot>com) મોકલવો જોઈએ. હું લેખો અને વિડિઓઝની લિંક્સ મોકલું છું કારણ કે સામગ્રી એકઠી થાય છે.
• સામાન્ય માહિતી અભ્યાસક્રમો અને લેખોની યાદીજે મેં પાસ કર્યું છે અને જે હું પાસ કરવા માંગુ છું.
• નવા નિશાળીયા માટે અભ્યાસક્રમો અને વિડિઓઝ, જ્યાં તમારે ન્યુરલ નેટવર્ક્સનો અભ્યાસ શરૂ કરવો જોઈએ. વત્તા બ્રોશર "મશીન લર્નિંગ અને કૃત્રિમ ન્યુરલ નેટવર્ક્સનો પરિચય".
• ઉપયોગી સાધનો, જ્યાં દરેકને પોતાના માટે કંઈક રસપ્રદ મળશે.
• અમને તેઓ અત્યંત ઉપયોગી જણાયા. વૈજ્ઞાનિક લેખોના વિશ્લેષણ માટે વિડિઓ ચેનલો ડેટા સાયન્સ દ્વારા. શોધો, તેમને સબ્સ્ક્રાઇબ કરો અને તમારા સહકાર્યકરોને અને મને પણ લિંક્સ મોકલો. ઉદાહરણો:
  • બે મિનિટ પેપર્સ
  • હેનરી એઆઈ લેબ્સ
  • યાનિક કિલ્ચર
  • કોડએમ્પોરિયમ
  • બ્લોગ Chengwei Zhang ઉર્ફે ટોની 607 પગલું-દર-પગલાં સૂચનો અને ઓપન સોર્સ સાથે.

તમારું ધ્યાન બદલ આભાર!

સોર્સ: www.habr.com