はてなブックマーク

ABEJAアドベントカレンダー2020の19日目の記事です。 この記事は何？ 結局AIって何個データ必要なの？ってよく聞かれると思います。 そんなん知るか この記事では、ある程度精度が出ている既存のタスクにおいて、どんなデータを、どのくらいの量与えているかを調べた結果です。ちなみに、僕自身、すべてのタスクを扱ったことがあるわけでは無いので、ほぼ一部適当な部分もあるかと思いますが、ご容赦ください。あと、このデータが入ってないよ！ってツッコミも歓迎です。 あと、技術は常に進んでいるので、ちゃんと最新技術を追っておけば、より少ないデータで良い結果を出すことが出来ないこともない。が、最新技術とはいえ銀の弾丸ではないのが通常で、例えlightweightGANがでたからと言って、100枚で学習できます！とか勝手に広がると困っちゃう。色んなタスクにおいて、まぁ大体どんなタスクも一般的にはこんなもんよっ

はじめに さてさて、Advent Calendarもひとしきり盛り上がり、個人的にもVIPとか株AIとかバズったし楽しめた１ヶ月でした。全然バズらなかったけど、本当は社員2vecが一番気に入ってるんだけどね。仕事も収まったので、一人ハイボールを飲みながら次のネタを考えつつ、記事を書いています。 いつもは機械学習とかコンピュータビジョンを中心に活動しているけど、たまにはこういったプログラミングを始めたときの純粋なノリで、好きなものを作るのは良いものだ。 ・ ・ ・ そんな綺麗にはAdvent Calendarを終わらせない、最後に禍根を残すスタイルで行ってみようと思います。 Advent Calenarでは「いいね」の順位が付いており、やはり上位の企業は嬉しいものだし目立つもの。でも、皆思わない？ 「ていうか、自分でいいね押し合ってない？」 本日は、そんな「いいね」押し合いをしている会社を探

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ABEJA Advent Calendarの10日目です。 はじめにのはじめに 以下は、あくまでテストデータで上手く行ってるよという話で、本当にこれをやったら儲かるかというと、まだまだわかりませんのであしからず！あとネタがネタだけに、今回のはあくまで個人のやってみた記録であり、組織の取り組みとは関係ありません。 はじめに お金が欲しい！無限に寿司が食いたい！株で儲けたい！ 研究やエンジニアリングをしながら生きてく上で、将来のキャリアや技術スタックについて日々考えてるんですが、よくよく原点に立ち返るとそもそも技術スタックとかどうでもよくて

ABEJA Advent Calendarの1日目です。 はじめに 昨年はABEJA Platformに関するAdvent Calendarでしたが、今年はプラットフォームに限らず幅広い技術を扱おう、ということで縛りを作らずに様々な技術を紹介していきます。 さて、皆さん、社内でのコミュニケーションツールは何をお使いでしょうか。色々なツールがあると思いますが、Slackを使っている所が多いのではないかと思います。Slackはとても良いツールなのですが、使いこなす会社側にその運用ルールが委ねられています。中でも、DMやプライベートチャンネルでの秘密の会話による情報格差などが発生することが問題になり、オープンチャンネルに限定している会社も多いのではないでしょうか。しかしながら、オープンに会話をすれば、皆が平等かつ平和に会話ができるか？というと、全くそんなことはありません。オープンにすると下記のよ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 概要 ドメイン変換を行う際に、見た目を変えずにスタイルを変換する手法。既存手法でもドメインを変換するものはあったが、one-to-oneのマッピングであった。すなわち、犬を猫に変換しようとした時に、猫の種類は犬種に応じて決定的であった。これに対して、Multimodal Unsupervised Image-to-image Translation (MUNIT) を提案。MUNITでは、画像をdomain-invariantなコンテンツと、domain-specificなスタイルに分解する。コンテンツをキープしたまま、任意のスタイルを

Chainer Advent Calendar 2017の17日目です。 はじめに 枠に空きができたので、最近の実装して見た論文の簡単な解説と結果を紹介します。今日も今日とて、人の褌で相撲を取っていこうと思います。 今日紹介する論文は「Deep Image Prior」というものです。画像処理の基本タスクとして、ノイズ除去・超解像・インペインティングなど、色々な手法が研究されていますが、Deep Image Priorは、これらのタスクに汎用的に使える中々便利なテクニックです。 以下の図が著者の論文で扱われているタスク群です。色々使えてすごいですね。 ということで、本日はこれを実装していきましょう。 前提知識 上記に挙げた画像処理群は、基本的には以下の式を最小化することで行われます。 $x_0$は元の画像であり、例えばノイズなどを含む画像、$x$は生成画像とします。$E$は元の画像と処理後

if(BUILD_opencv_python3) status("") status(" Python 3:") status(" Interpreter:" PYTHON3INTERP_FOUND THEN "${PYTHON3_EXECUTABLE} (ver ${PYTHON3_VERSION_STRING})" ELSE NO) if(PYTHON3LIBS_VERSION_STRING) status(" Libraries:" HAVE_opencv_python3 THEN "${PYTHON3_LIBRARIES} (ver ${PYTHON3LIBS_VERSION_STRING})" ELSE NO) else() status(" Libraries:" HAVE_opencv_python3 THEN "${PYTHON3_LIBRARIES}" ELSE NO)

Chainer Advent Calendar 2017の7日目です。 はじめに みなさん、Deep Learningしてますか？正直Deep Learningって疲れますよね。パラメータチューニングの毎日、下がらないLoss、過学習するモデル、スタープラチナに殴られたようなGANで生成された大量の顔。 そんな鬱憤を晴らすべく、今日はChainerでDeep Learningをしない、という記事を書きます。 Computer Visionの多くの問題は、何らかの最小化問題として定式化されます。最小化する際は、殆どの場合は式を立て、微分し、最適なパラメータを求めます。そこには大きな問題があります。 微分めんどい 微分が複雑・・・式が複雑だと計算間違える・・・手法を変更するたびに微分しなくてはいけない。そんな問題を解決する凄いライブラリがあるのです。そう、Chainerです。Chainerでは

※注意・・・寝不足でうつらうつらしながら書いたので支離滅裂な部分あるかも・・・明日直す。 はじめに 前回は世界で一番はじめにMovidius NCSの記事を書くがために、取り急ぎって感じでサンプルだけ動かしました。実は幾つか問題点がありまして、その修正とサンプルのもう少し細かな動作確認までしようと思います。 前回の課題 下記２つが挙げられます。 ネットワークのコンパイルをラズパイ上で行っている setup.shしているだけで、何をやっているか見えない 本来はサーバマシンなどでネットワークをコンパイルしてからラズパイに送るのが筋となっています。何故ならば、ネットワークのコンパイルにはそれなりのメモリが必要で、ラズパイ上だとAlexNetがコンパイルできません。前回はGoogLeNetのみ確認しましたが、今回はAlexNetも動かします。また、setup.shで何をインストールしているかが不明

概要 AI流行っていますね。そんな中、IntelがUSBで動くDeep Learningスティック、Movidius Neural Compute Stickの販売を開始しました(以下、Movidius NCS)。このスティックは、Caffeのネットワークモデルの計算だけスティックで高速に実行するというものです。今年度のCVPR2017で先行販売されたので、早速購入してきました。ちなみに余談ですが、僕が先頭に並んでいたので、世界で最も最初にこの製品を手にしたというのが、ちょっとした自慢です。 追記：Movidiusは製品名ではなく開発している会社名で、製品名はNeural Compute Stickなんですね。ただ、NCSだとよくわからないので、Movidius NCSと記載することにします。 本記事では、取り敢えずMovidius NCSをRaspberrypi3で動かすまでの手順につい

OpenCV Advent Calendarの21日目です。遅ればせながら投稿します。 本記事の概要 OpenCVを使った様々なC++コードをpythonで使いたい人は多いのではないでしょうか（少ない）。僕もその一人です。そこで本記事では、cv::Matであったり、std::vector<>みたいなデータをpythonにnumpy形式で渡せるようにします。もちろん単にC++のコードを呼び出すだけならば何も問題はありません。今回の肝は、普段OpenCVをPythonで使っているのと同じように、Matやvectorをnumpyに変換して渡す点です。 C++で書いたライブラリをpythonで呼べるようにする仕組みとしてはBoost.Pythonが有名ですが、Boost.PythonでC++のMatのような複雑なクラスを独自に変換しようとすると、かなり大変です。それに加え、Matだけではなく、Po

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Chainer Advent Calendar 2016の12日目です。 現在、11日の午後6時、ようやく実装を終えAWSで学習を回し始めたら、あと14時間かかるとの事＼(^o^)／ NEW コード公開しました！（注：いろいろリファクタリングしたので、動かなかったらごめんなさい。隙を見て動作確認予定。ドキュメントが無いです、すみません。） https://github.com/peisuke/vin 記事について 本記事では、機械学習のTop-ConferenceであるNIPSの2016年開催分（先週！）において、Best Paper