松尾・岩澤研究室主催の公開講座「スプリングセミナー 2024」では3講座を開講します. 受講を希望される方は下記ページを参考にしてください. 深層生成モデル 深層強化学習 more
The rise of artificial intelligence in recent years is grounded in the success of deep learning. Three major drivers caused the breakthrough of (deep) neural networks: the availability of huge amounts of training data, powerful computational infrastructure, and advances in academia. Thereby deep learning systems start to outperform not only classical methods, but also human benchmarks in various t
What is Torch? Torch is a scientific computing framework with wide support for machine learning algorithms that puts GPUs first. It is easy to use and efficient, thanks to an easy and fast scripting language, LuaJIT, and an underlying C/CUDA implementation. A summary of core features: a powerful N-dimensional array lots of routines for indexing, slicing, transposing, … amazing interface to C, via
Chainerによる多層パーセプトロンの実装(2015/10/5)のつづき。今回はChainerで畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)を実装した。Theanoによる畳み込みニューラルネットワークの実装 (1)(2015/6/26)で書いたのと同じ構造をChainerで試しただけ。タスクは前回と同じくMNIST。 今回は、MNISTデータの取得や訓練/テストの分割にscikit-learnの関数を使ってみた。 Chainerで畳み込みをするためには、訓練データの画像セットを(ミニバッチサイズ、チャンネル数、高さ、幅)の4次元テンソルに変換する必要がある(ここに書いてある)。今回はチャンネル数が1なので単純にreshapeで変形できる。 3チャンネルのカラー画像だとnumpyのtranspose()で4次元テンソルに変換できるみたい
from xchainer import NNmanager import numpy as np from chainer import FunctionSet, Variable, optimizers import chainer.functions as F from sklearn.base import ClassifierMixin # NNmanager NNmanager model optimizer lossFunction model chainer.FunctionSetoptimizer chainer.optimizerslossFunction chainer.functions chainer paramsparams epoch batchsize logging forward trimOutput forward trimOutput chain
全脳アーキテクチャ・イニシアティブ副代表の高橋です。 巷で話題のTensorFlow(TF)のwhite paperとソース見ました。ソースも見ましたが、whitepaperがとてもよく書けてるのでこれだけで大体設計が理解できるようになってます。 で、結論からですが、これさすがというかすごくよく出来てます。 ただ、ロボットミドルウェアのROSなどよりかはデータ解析ソフトウエアに近く、これと比べるとBriCAはかなりROSに近いです。 何が違うかですが; TFは多次元配列(テンソル)に対する操作を定義するカーネル(正確に言うと抽象操作のoperationにパラメータを与えて具体的な計算手順にしたのがカーネル)を有向グラフで表して、グラフ全体でなんらかのデータ処理パイプラインを表現、実行します。 この場合のグラフはBriCAやROSでいうところのノードやモジュールを結合した認知アーキやロボット
本書の概要 深層学習は,2012年に行われた画像認識のコンペティションで優れた成績を収め,急速に注目されるようになった機械学習の技術です. 本書は,2013年5月〜2014年7月の7回にわたる人工知能学会誌での連載解説「DeepLearning(深層学習)」に大幅な加筆を行い,索引などを追加して書籍としてまとめたものです.2015年時点での深層学習についてのほとんどの話題について解説しています. 各章は独立した読み物となっており,それぞれの話題について個別に知ることができます.一方で,索引を充実させて,深層学習に関する様々なキーワードについて調べることができるようにもしました. 一方で,多数ある深層学習のソフトウェアを用いる方法については述べていません.本書はこれらのソフトウェアを誤用しないために,深層学習の動作原理を紹介し,各手法の適用可能範囲を知っていただくためのものです. 関連情報
乗るしかないこのビッグウェーブに Deep Learning(深層学習)に関連するまとめページとして使用する予定です。Deep Learningに関する記事・スライド・論文・動画・書籍へのリンクをまとめています。最新の研究動向は全然把握できていないので今後研究を進めるなかで記録していきたいと思います。読んだ論文の概要も簡単にまとめていく予定です。本ブログでは、当面の間、Theanoを使って各種Deep Learningアルゴリズムを実装していきたいと思います。 関連ニュースなどはTwitterでも流しているので興味があったらフォローしてください。 すべてに目が通せず更新が追いついていません。私のはてなブックマークで[Deep Learning]というタグを付けて登録しています。まったく整理できていませんがご参考まで。 Theano編 TheanoをWindowsにインストール(2015/1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く