لوحة المتصدرين

قلت لي انه يوجد postion فقط لنقل المحتوى ولكن حتا translate تنقل محتوى

انا لم اتمكن جيدا من position بصفة عامة ولا اعرف متى استخدمها وايضا transform لأنني لا اعرف متى استخدم هذا او هذا ويوجد العديد من الاشياء وهذا كله وانا انتهيت من اساسيات تطوير الويب فقلت هل يجب ان اقوي نفسي هذه الاشياء ام انتقل للقسم الذي بعده واقويها مع الاستاذ من خلال المشاريع

https://t.me/+PeWaMSzJGpk1ZGI0 هذا رابط مجتمع على تلجرام تقدري تدخلي عليه https://t.me/+PeWaMSzJGpk1ZGI0 https://t.me/+PeWaMSzJGpk1ZGI0 https://t.me/+PeWaMSzJGpk1ZGI0 اتمنى الناس تدخل وتضيف اي شخص مشترك في هذه الدورات ونتشجع سويا نكمل المحتوى ونتعلم واذا شخص فقد الشغف نساعد بعض

انا اشتركت في واجهة المستخدم وتطوير تطبيقات باستخدام جافا سكربت وبدأت بواجهة المستخدم ودرست اساسيات html and css and js واقترح علي احد الاساتذة بما انني مشترك في دورة تطوير تطبيقات باستخدام جافا سكربت ان ادرس اساسيات لغة javascript هنالك ولكن عند تصفح لم اجد درس عن شجرة dom كيف ادرسها كاملتا لأن في دورة واجهة المستخدم موجودة في فديو فيه ربع ساعة وغير شاملة لكل شيء وشكرا

منصة Kaggle وجوجل كولاب هي بيئة عمل جاهزة، لذا الاستقرار هو أهم عامل يتم التركيز عليه، فبيئة Kaggle Notebook تُعرف بـ Docker Image أي هي نظام متكامل ومعقد، ولا تحتوي فقط على مكتبة واحدة مثل pandas أو scikit-learn، بل تحتوي على مئات المكتبات التي تعتمد على بعضها البعض، بالإضافة إلى برامج تشغيل GPU مثل CUDA و cuDNN. وبتحديث مكتبة واحدة بشكل عشوائي إلى أحدث إصدار، فأحيانًا يكسر توافقها مع مكتبة أخرى، أي قد يتطلب إصدار جديد من TensorFlow نسخة أحدث من CUDA لا تدعمها بيئة Kaggle الحالية، أو يتعارض مع نسخة معينة من numpy. لذا يعمل فريق Kaggle على تجميع واختبار Image كاملة تحتوي على مجموعة من المكتبات التي تم التأكد من أنها تعمل معاً بشكل سليم ومستقر. أيضًا لا يعني وجود إصدار جديد من المكتبة أنه أفضل، بل أحيانًا يحدث العكس، لذا الأمر بحاجة إلى وقت لإختبار والتحقق من استقرار تلك الإصدارات.

ليس دائمًا، فالدوال الجاهزة مثل image_dataset_from_directory مناسبة في الحالات العادية التي يتوفر بها هيكل بيانات اعتيادي، بمعنى مجلد لمجموعة البيانات ويحتوي بداخله على مجلدات أخرى وبها البيانات. ومن خلالها تستطيع تحميل مجموعة بيانات كاملة ببضعة أسطر فقط، وتلك الدوال ليست مجرد اختصار في TensorFlow، بل تقوم image_dataset_from_directory بإنشاء كائن tf.data.Dataset، وهو مصمم خصيصًا للأداء العالي، ويستخدم تقنيات مثل الجلب المسبق Prefetching لتحميل الدفعة التالية من البيانات في الخلفية بينما تتدرب الشبكة على الدفعة الحالية، لمنع اختناق وحدة معالجة الرسومات وانتظارها للبيانات، وتقنية التوازي Parallelism لقراءة ومعالجة عدة صور في نفس الوقت باستخدام أنوية المعالج المتعددة. أيضًا التخزين المؤقت لتخزين البيانات في الذاكرة بعد قراءتها لأول مرة لتسريع الوصول إليها في الدورات التدريبية Epochs التالية. والكائن الناتج منها يكون جاهز للاستخدام مباشرة مع model.fit() في Keras أو في حلقة التدريب المخصصة في PyTorch، دون الحاجة لتحويلات إضافية، أيضًا تقوم تلقائيًا باستنتاج أسماء الفئات Classes من أسماء المجلدات، وتوفر خيارات سهلة للتقسيم إلى دفعات Batching والخلط Shuffling. بينما الطريقة اليدوية أنسب عند الحاجة إلى مرونة وتحكم كامل، وفي حالات لا تغطيها الدوال الجاهزة، بمعنى هيكل مجلدات معقدة أو معالجة مسبقة متقدمة أو مخصصة أو تحكم دقيق في الذاكرة. صحيح من ناحيتين وقت المطور و وقت التنفيذ، فالأول كتابة بنية شبكة CNN باستخدام Keras أو PyTorch هي الجزء الأسرع والمباشر في المشروع، فهي عبارة عن تكديس طبقات فوق بعضها البعض (Conv2D, MaxPooling2D, Dense ). والثاني أثناء تدريب النموذج، خط أنابيب البيانات هو عنق الزجاجة في الأداء، وليس حسابات الشبكة العصبونية نفسها.

وعليكم السلام ورحمة الله وبركاته، يعتمد اختيارك على تخصيص المعالجة او مدى تعقيد البيانات: ففي معظم الأحيان الأدوات الجاهزة مثل image_dataset_from_directory في TensorFlow أو DataLoader في PyTorch أفضل وأسهل، لأنها توفر لك التحميل والتقسيم والتجهيز بسرعة. لكن اذا اردت معالجة خاصة أو تتعامل مع بيانات غير عادية يمكنك استخدام os أو cv2 . نعم، في الغالب الوقت الأكبر يستهلك في تحميل الصور ومعالجتها أكثر من تدريب شبكة CNN نفسها.