はてなブックマーク

(目次はこちら) はじめに 3年ほど前に、Deep FeaturesとFaissというタイトルで画像検索に関して書いたが、2020年3月AWSから、Build k-Nearest Neighbor (k-NN) similarity search engine with Amazon Elasticsearch Serviceが発表されたことを教えてもらい飛びついた。しかもただただサポートされているだけじゃなくて、HNSWで実装されているとのこと。 Built using the lightweight and efficient Non-Metric Space Library (NMSLIB), k-NN enables high scale, low latency nearest neighbor search on billions of documents across tho

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

(目次はこちら) はじめに これまでの記事 で見てきた、Deep Neural Networks / Convolutional Neural Networks では、精度を高めるために中間層を増やすと、それに伴い、パラメータ数も多くなり、それを学習するためにさらに多くのデータが必要とされる。画像認識のコンペティションなどで上位に来るようなものは、複数のGPUを利用したとしても、当然のように学習に数週間以上かかっている。 正直、こんなに時間がかかるものなんて、頻繁に学習したくない。カテゴリ識別において、たとえば、カテゴリを1つ追加したくなった時、また数週間待つんだろうか？？ 嫌だ。こんなときに用いられるのが、転移学習 (transfer learning) / 深層特徴 (deep features)である。 転移学習 (transfer learning) / 深層特徴 (deep fe

TensorFlowでDeep Learning 目次 ニューラルネットワークをよく知らない人でも、ディープラーニングや畳み込みニューラルネットワークを利用できるようになるために。 ロジスティック回帰 まずはロジスティック回帰（2クラスの識別）からはじめてみる (tf 2.0: https://qiita.com/kumonkumon/items/46c1490706115de45a9c) 多項ロジスティック回帰 ロジスティック回帰（2クラスの識別）を多項ロジスティック回帰（多クラスの識別）へ (tf 2.0: https://qiita.com/kumonkumon/items/db63e8e95aa2a1c3d124) 多層パーセプトロン ロジスティック回帰に中間層を追加して多層パーセプトロンへ (tf 2.0: https://qiita.com/kumonkumon/items/3