1.    Requisitos antes de empezar

• Tienes correctamente desplegado un servicio de Face Api en tu portal de Azure con una subscripción válida, sea gratuita o estándar y su clave correspondiente.
• Conoces los fundamentos básicos y usos de Face API. No deben resultarte extraños conceptos asociados como Face, Person o Group.

2.    Conectando nuestra aplicación a Face API

3.    Inicializaciones

using Microsoft.ProjectOxford.Face;
using Microsoft.ProjectOxford.Face.Contract;

const int PersonCount = 10000;
const int CallLimitPerSecond = 10;
static Queue _timeStampQueue = new
Queue(CallLimitPerSecond);

private static async Task WaitCallLimitPerSecondAsync()
   {
     Monitor.Enter(_timeStampQueue);
     try
     {
        if (_timeStampQueue.Count >= CallLimitPerSecond)
        {
          TimeSpan timeInterval = DateTime.UtcNow - _timeStampQueue.Peek();
          if (timeInterval < TimeSpan.FromSeconds(1))
          {
              await Task.Delay(TimeSpan.FromSeconds(1) - timeInterval);
          } 
          _timeStampQueue.Dequeue();
        }
        _timeStampQueue.Enqueue(DateTime.UtcNow);
     }
     finally
     {
        Monitor.Exit(_timeStampQueue);
     }
   }

private async Task ExecuteFaceApiFunction(Func<Task> action)
        {
           try
           {
                await WaitCallLimitPerSecondAsync();
                await action();
           }
           catch (Exception e)
           {
               Debug.WriteLine(e.Message);
           }
        }

private FaceServiceClient faceService = new FaceServiceClient("my_api_key", @"https://westeurope.api.cognitive.microsoft.com/face/v1.0");
private int maxPersonsPerGroup = 1000;

4.    Añadiendo a las personas en sus grupos correspondientes

private async Task GetOrCreateProperGroupId(Face face, List grupos)
        {
               int subGroupIndex = 0;
               string resultGroupId;
               string subgroupName = "subgroup" + face.FaceAttributes.Gender;
               var compatibleGroups = grupos.Where(g => g.PersonGroupId.Contains(subgroupName));

               PersonGroup existentGroup = null;
               if (compatibleGroups != null && compatibleGroups.Any())
               {
                  //si hay grupos compatibles con la cara dada (por genero) buscamos en el primero que este vacio
                  //y vamos incrementando el índice por cada grupo lleno que vayamos encontrando
                  foreach (var group in compatibleGroups)
                  {
                       PersonGroup[] personsInGroup = null;

                       await ExecuteFaceApiFunction(async () =>;
                       {
                          personsInGroup = await faceService.ListPersonGroupsAsync();
                       });
                       if (personsInGroup?.Count() >= maxPersonsPerGroup)
                       {
                           subGroupIndex++;
                       }
                       else
                       {
                           existentGroup = group;
                           break;
                       }
                  }
        }
        //el grupo donde insertar la nueva cara sera el resultado del género + el indice calculado
          resultGroupId = existentGroup?.PersonGroupId ?? (subgroupName + subGroupIndex);

       //si el grupo es nuevo para esta cara (no existe ningun grupo existente para ese groupID) generamos uno nuevo con el indice donde lo dejamos
         if (existentGroup == null)
         {
              Debug.WriteLine("No hay grupos libres para el subgrupo, Se genera nuevo grupo" + resultGroupId);

              await ExecuteFaceApiFunction(async () =>;
              {
                     await faceService.CreatePersonGroupAsync(resultGroupId, resultGroupId);
               });
               grupos.Add(new PersonGroup() { PersonGroupId = resultGroupId });
         }
         
          return resultGroupId;
      }

            private async void LoadFotosFromDirectory()
         {
              var filePicker = new Windows.Storage.Pickers.FileOpenPicker()
              {
                   SuggestedStartLocation = Windows.Storage.Pickers.PickerLocationId.PicturesLibrary,
                   ViewMode = Windows.Storage.Pickers.PickerViewMode.Thumbnail
               };

               var files = await filePicker.PickMultipleFilesAsync();

               Debug.WriteLine("Cargando fotos...\n");
               PersonGroup[] existentGroups = null;
               await ExecuteFaceApiFunction(async () =>
                    {
                        existentGroups = await faceService.ListPersonGroupsAsync();
                    });
               foreach (var file in files)
               {
                    using (Stream imageFileStream = File.OpenRead(file.Path)) 
                    {
                          Face[] faces = null;
                          await ExecuteFaceApiFunction(async () =>
                          {
                                faces = await faceService.DetectAsync(imageFileStream, true, true, new FaceAttributeType[] { FaceAttributeType.Gender});
                          });

                          foreach (var face in faces)
                          {
                               string properGroupid = await GetOrCreateProperGroupId(face, existentGroups.ToList());
                               CreatePersonResult newPerson=null;
                               await ExecuteFaceApiFunction(async () =>
                               {
                                      newPerson = await faceService.CreatePersonAsync(properGroupid, face.FaceId.ToString());
                                });
                                await ExecuteFaceApiFunction(async () =>
                                {
                                      await faceService.AddPersonFaceAsync(properGroupid, newPerson.PersonId, File.OpenRead(file.Path));
                                 });
                                 Debug.WriteLine("Persona " + newPerson.PersonId + " agregada a grupo " + properGroupid);
                          }
                     }
                }
                Debug.WriteLine("TODAS LAS FOTOS CARGADAS)");

                await TrainAllGroups();
          }

          private async Task TrainAllGroups ()
          {
                  PersonGroup[] grupos = null;
                  await ExecuteFaceApiFunction(async () =>;
                  {
                        grupos = await faceService.ListPersonGroupsAsync();
                   });

                   foreach (var grupo in grupos)
                   {
                         await ExecuteFaceApiFunction(async () =>;
                         {
                              await faceService.TrainPersonGroupAsync(grupo.PersonGroupId);
                          });
                   }
          }

Conclusiones

Referencias

How to set up your virtual machine on Linux with Python and OpenCV

Data Science Virtual Machine for Linux(Ubuntu) on Azure

Option X2GO

1. Host: The host that azure give us to connect
2. User: The user that you assigned when you create your machine on Azure
3. Port SSH: 22
4. Type of session: Change KDE to KFCE

Our PC or Laptop

Download this tutorial's repository from GitHub

• Artworks API with Flask
• Artworks Xamarin App
• Artworks Classifier

Artworks Classifier Solution

• All files in \images\train

• Machine learning techniques
• Algorithms
• Image descriptors
• Histograms and color histograms for artworks
• K-Mean Clustering
• Bag of Visual Words

Introduction to Machine Learning Techniques (Computer Vision)

• Object detection
• Video analysis
• 3D Vision 

• Extraction of image characteristics
  • Consists of obtaining mathematical models that summarize the content of the image. These characteristics are also called descriptors, we will comment more in detail in next sections.
• Search for objects based on these characteristics
  • For the object search process, we will have to elaborate the classification of said objects. There are several machine learning algorithms that will allow us to assign an identifier or label to an image. We will discuss it in future sections.

• Spatial environment
• Color
• Texture

• Supervised
  • We have both image data (in image format or extracted feature vectors) along with the category label associated with each image so that we can teach our algorithm how each image category looks.
• Non supervised
  • All we have is data from the image itself, we do not have labels or associated categories that we can use to teach our algorithm to make accurate predictions or classifications.

• Semi-supervised
  • Try to be a middle ground between the previous two. We have a small group of our tagged image data and use that tagged information to generate more training data from the unlabelled data.

• Starry Night (Vincent Van Gogh):

• Color descriptors
• Histogram of gradients oriented (HOG)
• Histograms with local binary patterns (BRIEF, ORB, BRISK, FREAK)
• Local Invariant Descriptors (SIFT, SURF, RootSIFT) 

Classifications Algorithms (SVM and Random Forest)

Random Forest

Support Vector Machine

Types of SVM

Linear separability

Images Descriptors

• SURF (Speeded Up Robust Features), Keypoint detector DoG
• SIFT (Scale-invariant Feature Transform), Keypoint Detector Fast-Hessian

Understanding Local features

Keypoint detection and feature extraction

Research on SIFT and SURF

1. The first advantage is that SURF is faster to calculate than SIFT, so it is more suitable for real-time applications.
2. The second advantage is that SURF is only half the size of the SIFT descriptor. SIFT returns a feature vector of 128-dim and SURF returns a vector of 64-dim.

Histograms and color histograms for artworks

K-Means Clustering

Applications of k-means in computer vision

• Extract SIFT/SURF (or other local invariant feature vectors) from a dataset of images.
• Cluster the SIFT/SURF features to form a “codebook”.
• Quantize the SIFT/SURF features from each image into a histogram that counts the number of times each “visual word” appears.

Classification with Bag of Visual Words

What is BOVW?

Visual Words

Prepare our classifier

• py
• py
• py

Training

python  detector_K_gridsearch.py –train_path images/train

Python App on Azure Web App with Flask

1. Look this doc: https://docs.microsoft.com/es-es/visualstudio/python/publishing-python-web-applications-to-azure-from-visual-studio
2. Look this doc: https://docs.microsoft.com/es-es/visualstudio/python/managing-python-on-azure-app-service

python-3.4

<add key="WSGI_HANDLER" value="runserver.app"/>

<?xml version="1.0" encoding="utf-8"?>
<!--This template is configured to use Python 3.5 on Azure App Service. To use a different version of Python,or to use a hosting service other than Azure, replace the scriptProcessor path below with the path givento you by wfastcgi-enable or your provider. 
For Python 2.7 on Azure App Service, the path is "D:\home\Python27\python.exe|D:\home\Python27\wfastcgi.py" 
The WSGI_HANDLER variable should be an importable variable or function (if followed by '()') that returnsyour WSGI object. 
See https://aka.ms/PythonOnAppService for more information.
-->
<configuration>
  <appSettings>
    <add key="PYTHONPATH" value="D:\home\site\wwwroot"/>
    <!-- The handler here is specific to Bottle; other frameworks vary. -->
    <add key="WSGI_HANDLER" value="runserver.app"/>
    <add key="WSGI_LOG" value="D:\home\LogFiles\wfastcgi.log"/>
  </appSettings>
  <system.webServer>
    <httpErrors errorMode="Detailed">
</httpErrors> 
   <handlers>
      <add name="PythonHandler" path="*" verb="*" modules="FastCgiModule"           scriptProcessor="D:\home\Python362x64\python.exe|D:\home\Python362x64\wfastcgi.py"           resourceType="Unspecified" requireAccess="Script"/>
    </handlers>
  </system.webServer>
</configuration>

<?xml version="1.0" encoding="utf-8"?>
<!--This template removes any existing handler so that the default handlers will be used for this directory.Only handlers added by the other web.config templates, or with the name set to PythonHandler, are removed. 
See https://aka.ms/PythonOnAppService for more information.
-->
<configuration>
  <system.webServer>
    <handlers>
      <remove name="PythonHandler"/>
    </handlers>
  </system.webServer>
</configuration>

D:\home\Python362x64\python.exe

from flask import Flask, request, render_template, jsonify
from werkzeug import secure_filename
import logging
import sysimport cv2
import numpy as np
from sklearn.externals import joblib
import os
import pickle
import json

app.logger.info('\n\n* * *\n\nOpenCV version is %s. should be at least 3.1.0, with nonfree installed.' % cv2.__version__) 
app = Flask(__name__)
ALLOWED_EXTENSIONS = ['png', 'jpg', 'jpeg'] 
APP_DIR = os.path.dirname(os.path.realpath(__file__)) 
MAX_PIXEL_DIM = 2000 
PICKLE_DIR = os.path.abspath(    os.path.join(    APP_DIR,    './pickles/')) 
LOG_PATH = os.path.abspath(os.path.join(APP_DIR,'../art_app.log')) 
logging.basicConfig(filename=LOG_PATH,level=logging.DEBUG,    format='%(asctime)s %(levelname)s: %(message)s [in %(pathname)s:%(lineno)d]') 
app.logger.setLevel(logging.DEBUG)

# TODO: make pickles for kmeans and single best classifier.
filename = os.path.join(PICKLE_DIR, 'svc\\svc.pickle')
model_svc = pickle.load(open(filename, 'rb'), encoding='latin1') 
filename = os.path.join(PICKLE_DIR, 'cluster_model\\cluster_model.pickle')
clust_model = pickle.load(open(filename, 'rb'), encoding='latin1') 
cluster_model = clust_model
clf = model_svc

def allowed_file(filename):
    return '.' in filename and \
           filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS
 # upload image with curl using:
# curl -F 'file=@/home/' 'https://127.0.0.1:5000/'

def img_resize(img):
    height, width, _ = img.shape
    if height > width:
        # too tall
        resize_ratio = float(MAX_PIXEL_DIM)/height
    else:
        # too wide, or a square which is too big
        resize_ratio = float(MAX_PIXEL_DIM)/width
     dim = (int(resize_ratio*width), int(resize_ratio*height))
     resized = cv2.resize(img, dim, interpolation=cv2.INTER_AREA)
    app.logger.debug('resized to %s' % str(resized.shape))
     return resized

"""
Given an image path and a trained clustering model (eg KMeans),    generates a feature vector representing that image.    Useful for processing new images for a classifier prediction.    
"""    
# img = read_image(img_path)
    height, width, _ = img_np.shape
    app.logger.debug('Color image size - H:%i, W:%i' % (height, width))
    if height > MAX_PIXEL_DIM or width > MAX_PIXEL_DIM:
        img_np = img_resize(img_np)
    gray = cv2.cvtColor(img_np, cv2.COLOR_BGR2GRAY)
    sift = cv2.xfeatures2d.SIFT_create()
    kp, desc = sift.detectAndCompute(gray, None)
     clustered_desc = cluster_model.predict(desc)
    img_bow_hist = np.bincount(clustered_desc, minlength=cluster_model.n_clusters)
     # reshape to an array containing 1 array: array[[1,2,3]]
    # to make sklearn happy (it doesn't like 1d arrays as data!)
    return img_bow_hist.reshape(1,-1)

def prediction(img_str):
    nparr = np.fromstring(img_str, np.uint8)
    img_np = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    # convert to K-vector of codeword frequencies
    img_vect = img_to_vect(img_np)
    prediction = clf.predict(img_vect)
    return prediction[0]

 @app.route('/predict', methods=['POST'])
def home():
    if request.method == 'POST':
        f = request.files['file'] 
       if f and allowed_file(f.filename):
            filename = secure_filename(f.filename)
            app.logger.debug('got file called %s' % filename)
            lb = prediction(f.read())
            print (lb)
            json_result = json.dumps(lb.decode("utf-8"))
            return json_result
        return 'Error. Something went wrong.'
    else:
        return render_template('img_upload.jnj')
  if __name__=="__main__":
    app.run(debug=True)

Demo with Postman (Azure Web App and local):

Create the mobile app on Azure Mobile App with Xamarin

<?xml version="1.0" encoding="utf-8" ?>
<ContentPage xmlns="https://xamarin.com/schemas/2014/forms"             xmlns:x="https://schemas.microsoft.com/winfx/2009/xaml"             xmlns:local="clr-namespace:CustomVision"             x:Class="CustomVision.MainPage">
    <StackLayout Padding="20">
        <Image x:Name="Img" Source="ic_launcher.png" MinimumHeightRequest="100" MinimumWidthRequest="100">
</Image>
        <Button Text="Elegir imagen" Clicked="ElegirImage">
</Button>
        <Button Text="Sacar foto" Clicked="TomarFoto">
</Button>
        <Button Text="Clasificar" Clicked="Clasificar">
</Button>
        <Label x:Name="ResponseLabel">
</Label>
        <ProgressBar x:Name="Accuracy" HeightRequest="20"/>
    </StackLayout>
</ContentPage>

using Newtonsoft.Json;
using Plugin.Media;
using Plugin.Media.Abstractions;
using System;
using System.IO;
using System.Linq;
using System.Net.Http;
using System.Net.Http.Headers;
using Xamarin.Forms;

namespace CustomVision
{
    public partial class MainPage : ContentPage
    {
        public const string ServiceApiUrl = "https://YOUR_WEB_APP_URL ";
        private MediaFile _foto = null;
        public MainPage()
        {
            InitializeComponent();
        }
         private async void ElegirImage(object sender, EventArgs e)
        {
            await CrossMedia.Current.Initialize(); 
            _foto = await Plugin.Media.CrossMedia.Current.PickPhotoAsync(new PickMediaOptions());
            Img.Source = FileImageSource.FromFile(_foto.Path);
        }
         private async void TomarFoto(object sender, EventArgs e)
        {
            await CrossMedia.Current.Initialize();
             if (!CrossMedia.Current.IsCameraAvailable || !CrossMedia.Current.IsTakePhotoSupported)
            {
                return;
            }
             var foto = await CrossMedia.Current.TakePhotoAsync(new StoreCameraMediaOptions()
            {
                PhotoSize = PhotoSize.Custom,                CustomPhotoSize = 10,                CompressionQuality = 92,                Name = "image.jpg"
            }); 
            _foto = foto;
             if (_foto == null)
                return;
             Img.Source = FileImageSource.FromFile(_foto.Path);
        }
         private async void Clasificar(object sender, EventArgs e)
        {
            using (Acr.UserDialogs.UserDialogs.Instance.Loading("Clasificando..."))
            {
                if (_foto == null) return;
                 var httpClient = new HttpClient();
                var url = ServiceApiUrl;
                var requestContent = new MultipartFormDataContent();
                var content = new StreamContent(_foto.GetStream());
                 content.Headers.ContentType =                    MediaTypeHeaderValue.Parse("image/jpg");
                 requestContent.Add(content, "file", "image.jpg");
                 var response = await httpClient.PostAsync(url, requestContent);
                 if (!response.IsSuccessStatusCode)
                {
                    Acr.UserDialogs.UserDialogs.Instance.Toast("Hubo un error en la deteccion...");
                    return;
                }
                 var json = await response.Content.ReadAsStringAsync();
                 var prediction = JsonConvert.DeserializeObject<string>(json); 
               if (prediction == null)
                {
                    Acr.UserDialogs.UserDialogs.Instance.Toast("Image no reconocida.");
                    return;
               }
                ResponseLabel.Text = $"{prediction}";
                //Accuracy.Progress = p.Probability;
            }
             Acr.UserDialogs.UserDialogs.Instance.Toast("Clasificacion terminada...");
        }
    }

Demo Xamarin Forms App

Next Post!

Installing TensorFlow-GPU

Setting up the Object Detection directory structure and Anaconda Virtual Environment

Download TensorFlow Object Detection API repository from GitHub

Download the Faster-RCNN and SSD-Mobilenet models

Download this tutorial's repository from GitHub

• All files in \object_detection\images\train and \object_detection\images\test
• The “test_labels.csv” and “train_labels.csv” files in \object_detection\images
• All files in \object_detection\training
• All files in \object_detection\inference_graph

Set up new Anaconda virtual environment

C:\> activate tensorflow

(tensorflow) C:\> conda install -c anaconda protobuf
(tensorflow) C:\> pip install pillow
(tensorflow) C:\> pip install lxml
(tensorflow) C:\> pip install jupyter
(tensorflow) C:\> pip install matplotlib
(tensorflow) C:\> pip install pandas
(tensorflow) C:\> pip install opencv-python

Configure PATH and PYTHONPATH environment variables

(tensorflow) C:\> set PYTHONPATH=C:\tensorflow1\models; C:\tensorflow1\models\research;C:\tensorflow1\models\research\slim
(tensorflow1) C:\> set PATH=%PATH%; PYTHONPATH

Compile Protobufs and run setup.py

• https://www.tensorflow.org/extend/tool_developers/
• https://developers.google.com/protocol-buffers/?hl=en

protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\train.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\multiscale_anchor_generator.proto

(tensorflow) C:\tensorflow1\models\research> python setup.py build
(tensorflow) C:\tensorflow1\models\research> python setup.py install

Labelling pictures

Gather Pictures

Label Pictures

 

Generating training data

(tensorflow) C:\tensorflow1\models\research\object_detection> python xml_to_csv.py

# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == 'Diego Velazquez':
        return 1
    elif row_label == 'Maria Agustina':
        return 2
    elif row_label == 'Infanta Margarita':
        return 3
    elif row_label == 'Isabel de Velasco':
        return 4
    elif row_label == 'Mari Barbola':
        return 5
    elif row_label == 'Platon':
        return 6
    elif row_label == 'Aristoteles':
        return 7
    elif row_label == 'Heraclito':
        return 8
    elif row_label == 'Gioconda':
        return 9
    elif row_label == 'Jesucristo':
        return 10
    elif row_label == 'Judas':
        return 11
    elif row_label == 'Mateo':
        return 12
    else:
        None

python generate_tfrecord.py --csv_input=images\train_labels.csv --image_dir=images\train --output_path=train.record
python generate_tfrecord.py --csv_input=images\test_labels.csv --image_dir=images\test --output_path=test.record

Creating a label map and configuring training

Label map

item {
  id: 1
  name:
 'Diego Velazquez'
} 
item {
  id: 2
  name: 'Maria Agustina'
}
 item {
  id: 3
  name: 'Infanta Margarita'
}
 item {
  id: 4
  name: 'Isabel de Velasco'
}
 item {
  id: 5
  name: 'Mari Barbola'
}
 item {
  id: 6
  name: 'Platon'
}
 item {
  id: 7
  name: 'Aristoteles'
}
 item {
  id: 8
  name: 'Heraclito'
}
 item {
  id: 9
  name: 'Gioconda'
}
  item {
  id: 10
  name:
 'Jesucristo'
}
 item {
  id: 11
  name: 'Judas'
}
 item {
  id: 12
  name: 'Mateo'
}

Configure training

• Line 9. Change num_classes to the number of different objects you want the classifier to detect. For the above basketball, shirt, and shoe detector, it would be num_classes : 3 .
• Line 110. Change fine_tune_checkpoint to:

• • fine_tune_checkpoint : "C:/tensorflow1/models/research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt"

• Lines 126 and 128. In the train_input_reader section, change input_path and label_map_path to:

• • input_path : "C:/tensorflow1/models/research/object_detection/train.record"
  • label_map_path: "C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt"

• Line 132. Change num_examples to the number of images you have in the \images\test directory.
• Lines 140 and 142. In the eval_input_reader section, change input_path and label_map_path to:

• • input_path : "C:/tensorflow1/models/research/object_detection/test.record"
  • label_map_path: "C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt"

Training

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/faster_rcnn_inception_v2_pets.config

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v1_pets.config

(tensorflow) C:\tensorflow1\models\research\object_detection>tensorboard --logdir=training

Create and exporting the frozen inference graph

python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph

Testing and using your newly trained object detection classifier

Common errors throughout the Project

1. Google may add more .proto files to the object_detection/protos folder, so it may be necessary to add more files to the "protoc" command at 13:13. You can do this by adding ".\object_detection\protos\FILENAME.proto" to the end of the long command string for each new file.
2. When running the "python train.py" command, if you get an error that says "TypeError: __init__() got an unexpected keyword argument 'dct_method'.", then remove the "dct_method=dct_method" argument from line 110 of the object_detection/data_decoders/tf_example_decoder.py file.
3. When running "python train.py", if you get an error saying "google.protobuf.text_format.ParseError: 110:25 : Expected string but found: '“' ", try re-typing the quotation marks around each of the filepaths. If you copied the filepaths over from my GitHub tutorial, the quotation marks sometimes copy over as a different character type, and TensorFlow doesn't like that.
4. For train.py, if you get an error saying "TypeError: Expected int32, got rang e(0, 3) of type 'range' instead.", it is likely an issue with the learning_schedules.py file. In the \object_detection\utils\learning_schedules.py file, change line 153
5. from "tf.constant(range(num_boundaries), dtype=tf.int32)," to "tf.constant(list(range(num_boundaries)), dtype=tf.int32),".

Next post!

1. How to install Tensorflow 1.5 on Windows 10 with CUDA and CudaDNN

Prerequisites

Download CUDA 9.0

Set your environment Variables:

Download CUDNN 8.0

Update GPU Driver

Install Anaconda 3.6

Install Tensorflow GPU on Windows 10

pip install –ignore-installed –upgrade tensorflow-gpu

import tensorflow as tf
hello= tf.constant('Hello, Tensorflow!') 
Sess = tf.session() 
print(sess.run(hello))

1. Registrando la aplicación

2. Creación de un conjunto de datos

3. Añadiendo información al conjunto de datos

4. Explotando la información

5. Conclusión

Objetivo

Información de contacto y enlaces de interés

Cómo ejecutar un ejemplo simple

Paso 1: clona o descarga el repositorio

git clone https://github.com/Azure-Samples/active-directory-b2c-xamarin-native.git

[OPCIONAL] Paso 2: consigue tu propio tenant Azure B2C

[OPCIONAL] Paso 3: crea tus propias políticas

[OPCIONAL] Paso 4: Crea tu propia Web API

• Habilitar la configuración de la aplicación web / Web API para la aplicación.
• Establecer la URL de respuesta en el valor apropiado indicado en el ejemplo o proporcionar cualquier URL si sólo está realizando el registro de api web, por ejemplo https: // myapi.
• Asegúrate de proporcionar también una URI de AppID, por ejemplo demoapi, que se utiliza para construir los scopes que están configurados en el código de la aplicación de una sola página.
• (Opcional) Una vez que se haya creado la aplicación, abre Scopes públicos de la aplicación y agrega los scopes adicionales que desees.
• Copia los valores de URI de AppID y Scopes públicos, para poder ingresarlos en el código de tu aplicación.

[OPCIONAL] Paso 5: Crea tu propia app nativa

• Activa la configuración Native Client para tu aplicación.
• Una vez que se haya creado la aplicación, abre la pestaña de Propiedades de la aplicación y configura la URI de redirección para tu aplicación en msal <Id de aplicación>: // auth.
• Una vez que se haya creado la aplicación, abre la pestaña de acceso a la API y agrega la API que creaste en el paso anterior.
• Copia el ID de aplicación generado para su aplicación, de modo que puedas utilizarlo en el paso siguiente.

[OPCIONAL] Paso 6: Configura el proyecto de Visual Studio con los datos de tu aplicación

1. Abre la solución en Visual Studio.
2. Abre el archivo UserDetailsClient \ App.cs.
3. Busca la asignación para public static string Tenant y reemplaza el valor por su nombre de tenant.
4. Busca la asignación de ClientID de cadena estática pública y reemplaza el valor por el ID de aplicación del paso 2.
5. Busca la asignación para cada una de las políticas public static string PolicyX y reemplaza los nombres de las políticas que creaste en el paso 3.
6. Busca la asignación para los ámbitos public static string [] Scopes y reemplázalos con los que creaste en el Paso 4.

[OPCIONAL] Paso 6a: Configura el proyecto en iOS con la URI de retorno de la API

1. Abre el archivo UserDetailsClient.iOS \ info.plist en un editor de texto (abrirlo en Visual Studio no funcionará para este paso, ya que necesitas editar el texto)
2. En los tipos de URL, sección, agrega una entrada para el esquema de autorización utilizado en su redirectUri. Xml <key> CFBundleURLSchemes </ key> <array> <string> msal [APPLICATIONID] </ string> </ array> donde [APPLICATIONID] es el identificador que copiaste en el paso 2. Guarda el archivo.

[OPCIONAL] Paso 6b: Configura el proyecto Android con la URI de retorno de la API

1. Abre el UserDetailsClient.Droid \ Properties \ AndroidManifest.xml
2. Agrega o modifica el elemento <application> como en el siguiente xml <application> <activity android: name = "microsoft.identity.client.BrowserTabActivity"> <action android: name = "android.intent.action. VIEW "/> <categoría android: name =" android.intent.category.DEFAULT "/> <android: name =" android.intent.category.BROWSABLE "/> <data android: scheme =" msal [APPLICATIONID] Android: host = "auth" /> </ intent-filter> </ activity> </ application> donde [APPLICATIONID] es el identificador que copiaste en el paso 2. Guarda el archivo.

Paso 7: Ejecutar el ejemplo

1. Elige la plataforma en la que deseas trabajar estableciendo el proyecto de inicio en el Explorador de soluciones. Asegúrate de que la plataforma elegida esté marcada para la creación y la implementación en el Configuration Manager.
2. Limpia la solución, hazle un rebuild y ejecútala.
3. Haz clic en el botón de inicio de sesión en la parte inferior de la pantalla de la aplicación. El ejemplo funciona exactamente de la misma manera, independientemente del tipo de cuenta que elijas, y contará con algunas diferencias visuales en la experiencia de autenticación y consentimiento. Al acceder con éxito, la pantalla de la aplicación mostrará una información de perfil básica para el usuario autenticado y podrás ver botones que te permitirán editar tu perfil, llamar a una API y cerrar sesión.
4. Cierra la aplicación y vuelve a abrirla. Verás que la aplicación conserva el acceso a la API y recupera la información de usuario de inmediato, sin necesidad de volver a iniciar sesión.
5. Para salir, haz clic en el botón Cerrar sesión y confirma que pierde el acceso a la API hasta que se cierre la sesión.

Corriendo la app en el emulador

Acerca del código

protected override async void OnAppearing()
{
    UpdateSignInState(false);

    // Check to see if we have a User in the cache already.
    try
    {
        AuthenticationResult ar = await App.PCA.AcquireTokenSilentAsync(App.Scopes, GetUserByPolicy(App.PCA.Users, App.PolicySignUpSignIn), App.Authority, false);
        UpdateUserInfo(ar);
        UpdateSignInState(true);
    }
    catch (Exception)
    {
        // Doesn't matter, we go in interactive mode
        UpdateSignInState(false);
    }
}

AuthenticationResult ar = await App.PCA.AcquireTokenAsync(App.Scopes, GetUserByPolicy(App.PCA.Users, App.PolicySignUpSignIn), App.UiParent);

Consideraciones especiales para Android

AuthenticationContinuationHelper.SetAuthenticationContinuationEventArgs(requestCode, resultCode, data);

Consideraciones específicas para iOS

Más información

Más ejemplos de Jean-Marc Prieur

Nueva opción en la visualización de cascada - desglose

Actualizaciones de visualizaciones personalizadas

Drilldown Choropleth

Drilldown Cartogram

Drilldown Player

• Histograma con puntos
• Gráfico rotativo
• Cuadrante gráfico

Visualizaciones personalizadas certificadas

• Bullet Chart
• Chiclet slicer
• Dual KPI
• Timeline slicer

Analítica y modelado

Medidas rápidas propuestas por la comunidad

Puntuación de estrellas

Lista de valores concatenados

Ya está disponible Cross Filtering Bidireccional para DirectQuery

• "Asumir integridad referencial" está ya establecido. Obten más información sobre esta función en nuestra documentación.
• Sólo los agregados simples se utilizan cuando se filtran por tales relaciones. Por ejemplo, DistinctCount o medidas más complejas que no son agregables, no deben utilizarse.

Conectividad de datos

Conector Snowflake

Editor de Queries

Añadir columnas desde ejemplos

• Regla del 80/20: la preparación y limpieza de los datos es CLAVE en cualquier experimento de Machine Learning, y se lleva la mayor parte del tiempo empleado en ello.
• Probar diferentes enfoques y ajustes suele mejorar bastante el rendimiento del modelo, y se trata de un proceso de prueba-error (lo de llamarse "experimentos" no es casualidad) en el que cada detalle cuenta...sigue probando hasta que consigas los resultados deseados!
• El conocimiento que se tenga sobre el dominio de los datos a estudiar es crucial para determinar el éxito de una solución de Machine Learning, y no es suficiente con dominar las habilidades técnicas necesarias para crear soluciones de este estilo. Este conocimiento sobre el dominio nos ayudará a entender mejor las posibles correlaciones entre features y el impacto de los ajustes que hagamos, así como la importancia de filtrar los datos acorde a ciertos criterios, con el fin de mejorar la calidad de nuestro dataset.

• Azure Machine Learning Studio tool (https://studio.azureml.net/) y documentación sobre el servicio (https://docs.microsoft.com/en-us/azure/machine-learning/)
• Microsoft Professional Program for Data Science - https://academy.microsoft.com/en-us/professional-program/data-science/
• Basketball reference (fuente de los datasets) - https://www.basketball-reference.com/leagues/NBA_2017_advanced.html
• Kaggle (otra fuente gratuita de datasets) - https://www.kaggle.com/datasets