こちらの方へ 「給料月約107万の控除合計と手取り」 http://anond.hatelabo.jp/20161222124531 自分はアメリカ西海岸で働いてて、給料は月あたりにすると170万円ほど(118円換算)。ボーナスとストックオプションいれると年収は二千万円をかるく超えるけど、実感的な豊かさとしては日本で年収一千万円くらいだったときとかわらない。この増田はそれより多い(1500万円くらいかな?)から、もし移住先としてアメリカの大都市圏を考えているんなら、3000万円以上の年収が無いと実感として豊かさは感じられないと思う。少なくとも今の段階で、自分よりは豊かな生活してそうだ。 ちなみに給与から引かれるのは、ざっくりというと(手元の給与明細が適当なのでざっくり) 税引き前控除(保険と401K)...7万円 税金(連邦税+州税、社会保障税)...40万7千円(!!!!) 社員割引株の
デープラーニングはコモディティ化していてハンダ付けの方が付加価値高いといわれるピ-FNで主に工作担当のtai2anです。 NHKで全国放送されたAmazon Picking Challengeでガムテべったべたのハンドやロボコン感満載の滑り台とかを工作してました。 とはいえ、やっぱりちょっとディープラーニングしてみたいので1,2か月前からchainerを勉強し始めました。 せっかくなので線画の着色をしたいなーと思って色々試してみました。 線画の着色は教師あり学習なので線画と着色済みの画像のデータセットが(できれば大量に)必要です。 今回はOpenCVでカラーの画像から線画を適当に抽出しています。 抽出例 → カラーの画像を集めて線画を作ればデータセットの完成です。(今回は60万枚くらい使っています) ネットワークの形ですが、U-netという最初の方でコンボリューションする時の層の出
Helping you stream... Movies| TV Shows| Sports | Gaming| Search for Movies, TV Shows, Sports Events, Gaming, Channels, and Streaming Services, Apps, and Devices. Welcome to StreamTipz.com: Your Ultimate Home for Streaming Tips for BeginnersWelcome to StreamTipz.com, your reliable source for "streaming tips for beginners" and much more. This personal blog is dedicated to sharing news, reviews, and
(前回記事はこちら) GPUインフラの特性や使いこなしのノウハウを明らかにする特集。今回は、GPUインフラにおけるバスやネットワークの構成について、PFN チーフアーキテクトの奥田遼介氏と、さくらインターネット代表取締役社長の田中邦裕氏、同社で高火力コンピューティングを担当する須藤武文氏に聞いた。 さくらインターネットがPFN向けに提供しているGPUインフラのネットワークには、一般的なEthernet(イーサネット)でなく、より高速なInfiniband(インフィニバンド)を採用していると聞きました。ディープラーニングにおいて、Infinibandのようなサーバー間接続のネットワークの性能はどれくらい重要なんですか。 PFNの奥田氏 実は、本当にInfinibandを採用するかは、最後まで悩んだところなんですけどね。 Infinibandがいい面は2つあります。1つは帯域、つまり通信速度の
TensorFlowにもRNN(Reccurent Neural Network) が実装されており,Tutorialもあるものの,例題自体が言語モデルを扱った少し複雑なもので,初学者にはとっつきにくいなと感じました. 今回は言語モデルでない,より単純なモデルを扱う問題を例に挙げ,TensorFlowでのRNN実装を試します. 注意 TensorFlowのバージョンがあがり,動かなくなっている部分があるので,こちら(TensorFlow RNN関連のimportやBasicLSTMCellでエラーが出た場合の対処(v 0.11r~)) もみてみてください. 環境 OSX python 2.7.11 TensorFlow r0.8 SimpleなRNN SimpleなRNNのモデルや,その実装方法としてはPeter's noteというブログが大変参考になるので,初めての場合はそちらをまず読ん
May 21, 2015 There’s something magical about Recurrent Neural Networks (RNNs). I still remember when I trained my first recurrent network for Image Captioning. Within a few dozen minutes of training my first baby model (with rather arbitrarily-chosen hyperparameters) started to generate very nice looking descriptions of images that were on the edge of making sense. Sometimes the ratio of how simpl
Recurrent Neural Network(再帰型ニューラルネット)に関心はあるが,なかなかコード作成に手がつかない,このようなケースが多くないだろうか?理由はいくつかあるが,私の場合は次のようなものが思い当たる. 単純にネットワークの構成が複雑.MLP(Multi-layer Perceptron)から入門してCNN(Convolutional-NN)に進むまでは,特殊なLayerがあるにせよ,信号の流れは順方向のみであった.(誤差の計算は除く.) MLPやCNNにおいては分かりやすい例題,(Deep Learningの’Hello World'と称される)"MNIST" があったが,そのような標準的な(スタンダードな)例題がRNNにはない. 因みにTheanoのDeep LearningやTensorFlowのTutorialは,言語モデルを扱ったものである.言語モデルに精通され
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
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