cifar10.si.json

{
 "<h1>CIFAR10 Experiment</h1>\n": "<h1>CIFAR10\u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf</h1>\n",
 "<h2>Configurations</h2>\n<p>This extends from CIFAR 10 dataset configurations from  <a href=\"https://github.com/labmlai/labml/tree/master/helpers\"><span translate=no>_^_0_^_</span></a>  and <a href=\"mnist.html\"><span translate=no>_^_1_^_</span></a>.</p>\n": "<h2>\u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dca</h2>\n<p>\u0db8\u0dd9\u0db8CIFAR \u0dc3\u0dd2\u0da7 \u0dc0\u0dd2\u0dc4\u0dd2\u0daf\u0dd3 10 \u0daf\u0dad\u0dca\u0dad \u0dc3\u0db8\u0dd4\u0daf\u0dcf\u0dba \u0db8\u0dcf\u0db1\u0d9a\u0dbb\u0dab <a href=\"https://github.com/labmlai/labml/tree/master/helpers\"><span translate=no>_^_0_^_</span></a> \u0dc4\u0dcf <a href=\"mnist.html\"><span translate=no>_^_1_^_</span></a> . </p>\n",
 "<h3>Augmented CIFAR 10 train dataset</h3>\n": "<h3>\u0dc0\u0dd0\u0da9\u0dd2\u0daf\u0dd2\u0dba\u0dd4\u0dab\u0dd4 \u0d9a\u0dbb\u0db1 \u0dbd\u0daf CIFAR 10 \u0daf\u0dd4\u0db8\u0dca\u0dbb\u0dd2\u0dba \u0daf\u0dad\u0dca\u0dad \u0d9a\u0da7\u0dca\u0da7\u0dbd\u0dba</h3>\n",
 "<h3>Non-augmented CIFAR 10 validation dataset</h3>\n": "<h3>\u0dc0\u0dd0\u0da9\u0dd2\u0daf\u0dd2\u0dba\u0dd4\u0dab\u0dd4 \u0db1\u0ddc\u0d9a\u0dbb\u0db1 \u0dbd\u0daf CIFAR 10 \u0dc0\u0dbd\u0d82\u0d9c\u0dd4 \u0daf\u0dad\u0dca\u0dad \u0d9a\u0da7\u0dca\u0da7\u0dbd\u0dba</h3>\n",
 "<h3>VGG model for CIFAR-10 classification</h3>\n": "<h3>CIFA-10\u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab\u0dba \u0dc3\u0db3\u0dc4\u0dcf VGG \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba</h3>\n",
 "<p> </p>\n": "<p> </p>\n",
 "<p> Convolution and activation combined</p>\n": "<p> \u0dc3\u0db8\u0dca\u0db8\u0dd4\u0dad\u0dd2\u0dba\u0dc3\u0dc4 \u0dc3\u0d9a\u0dca\u0dbb\u0dd2\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8 \u0d92\u0d9a\u0dcf\u0db6\u0daf\u0dca\u0db0</p>\n",
 "<p>5 <span translate=no>_^_0_^_</span> pooling layers will produce a output of size <span translate=no>_^_1_^_</span>. CIFAR 10 image size is <span translate=no>_^_2_^_</span> </p>\n": "<p><span translate=no>_^_0_^_</span> \u0dad\u0da7\u0dcf\u0d9a \u0dc3\u0dca\u0dae\u0dbb 5 \u0d9a\u0dca \u0db4\u0dca\u0dbb\u0db8\u0dcf\u0dab\u0dba\u0dda \u0db4\u0dca\u0dbb\u0dad\u0dd2\u0daf\u0dcf\u0db1\u0dba\u0d9a\u0dca \u0db1\u0dd2\u0db4\u0daf\u0dc0\u0db1\u0dd4 \u0d87\u0dad <span translate=no>_^_1_^_</span>. CIFAR 10 \u0dbb\u0dd6\u0db4 \u0db4\u0dca\u0dbb\u0db8\u0dcf\u0dab\u0dba <span translate=no>_^_2_^_</span> </p>\n",
 "<p>Convolution, Normalization and Activation layers </p>\n": "<p>\u0dc3\u0db8\u0dca\u0db8\u0dd4\u0dad\u0dd2\u0dba, \u0dc3\u0dcf\u0db8\u0dcf\u0db1\u0dca\u0dba\u0d9a\u0dbb\u0dab\u0dba \u0dc3\u0dc4 \u0dc3\u0d9a\u0dca\u0dbb\u0dd2\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dda \u0dc3\u0dca\u0dae\u0dbb </p>\n",
 "<p>Create a sequential model with the layers </p>\n": "<p>\u0dc3\u0dca\u0dae\u0dbb\u0dc3\u0db8\u0d9f \u0d85\u0db1\u0dd4\u0d9a\u0dca\u0dbb\u0db8\u0dd2\u0d9a \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0d9a\u0dca \u0dc3\u0dcf\u0daf\u0db1\u0dca\u0db1 </p>\n",
 "<p>Final linear layer </p>\n": "<p>\u0d85\u0dc0\u0dc3\u0dcf\u0db1\u0dbb\u0dda\u0d9b\u0dd3\u0dba \u0dc3\u0dca\u0dae\u0dbb\u0dba </p>\n",
 "<p>Final logits layer </p>\n": "<p>\u0d85\u0dc0\u0dc3\u0db1\u0dca\u0db4\u0dd2\u0dc0\u0dd2\u0dc3\u0dd4\u0db8\u0dca \u0dc3\u0dca\u0dae\u0dbb\u0dba </p>\n",
 "<p>Max pooling at end of each block </p>\n": "<p>\u0d91\u0d9a\u0dca\u0d91\u0d9a\u0dca \u0d9a\u0ddc\u0da7\u0dc3 \u0d85\u0dc0\u0dc3\u0dcf\u0db1\u0dba\u0dda \u0db8\u0dd0\u0d9a\u0dca\u0dc3\u0dca \u0dad\u0da7\u0dcf\u0d9a </p>\n",
 "<p>Number of channels in each layer in each block </p>\n": "<p>\u0d91\u0d9a\u0dca\u0d91\u0d9a\u0dca \u0d9a\u0ddc\u0da7\u0dc3\u0dd9\u0dc4\u0dd2 \u0d91\u0d9a\u0dca \u0d91\u0d9a\u0dca \u0dc3\u0dca\u0dae\u0dbb\u0dba\u0dda \u0db1\u0dcf\u0dbd\u0dd2\u0d9a\u0dcf \u0d9c\u0dab\u0db1 </p>\n",
 "<p>Pad and crop </p>\n": "<p>\u0db4\u0dd1\u0da9\u0dca\u0dc3\u0dc4 \u0db6\u0ddd\u0d9c </p>\n",
 "<p>RGB channels </p>\n": "<p>RGB\u0db1\u0dcf\u0dbd\u0dd2\u0d9a\u0dcf </p>\n",
 "<p>Random horizontal flip </p>\n": "<p>\u0d85\u0dc4\u0db9\u0dd4\u0dad\u0dd2\u0dbb\u0dc3\u0dca \u0db4\u0dd9\u0dbb\u0dc5\u0dd3\u0db8 </p>\n",
 "<p>Reshape for classification layer </p>\n": "<p>\u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab\u0dc3\u0dca\u0dae\u0dbb\u0dba \u0dc3\u0db3\u0dc4\u0dcf \u0db1\u0dd0\u0dc0\u0dad \u0dc3\u0d9a\u0dc3\u0dca \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>The VGG layers </p>\n": "<p>VGG\u0dc3\u0dca\u0dae\u0dbb </p>\n",
 "<p>Use CIFAR10 dataset by default </p>\n": "<p>\u0db4\u0dd9\u0dbb\u0db1\u0dd2\u0db8\u0dd2\u0dba\u0dd9\u0db1\u0dcaCIFAR10 \u0daf\u0dad\u0dca\u0dad \u0d9a\u0da7\u0dca\u0da7\u0dbd\u0dba \u0db7\u0dcf\u0dc0\u0dd2\u0dad\u0dcf \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "CIFAR10 Experiment": "CIFAR10 \u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf",
 "This is a reusable trainer for CIFAR10 dataset": "\u0db8\u0dd9\u0dba CIFAR10 \u0daf\u0dad\u0dca\u0dad \u0d9a\u0da7\u0dca\u0da7\u0dbd\u0dba \u0dc3\u0db3\u0dc4\u0dcf \u0db1\u0dd0\u0dc0\u0dad \u0db7\u0dcf\u0dc0\u0dd2\u0dad\u0dcf \u0d9a\u0dc5 \u0dc4\u0dd0\u0d9a\u0dd2 \u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4\u0d9a\u0dbb\u0dd4\u0dc0\u0d9a\u0dd2"
}