GitHub - hillbig/binary_net: experimental binary net implementation in chainer
load MNIST dataset epoch 1 graph generated train mean loss=0.573861178756, accuracy=0.92756666926 test mean loss=0.473955234885, accuracy=0.957400003672 epoch 2 train mean loss=0.456328810602, accuracy=0.963833337426 test mean loss=0.436628208458, accuracy=0.966100006104 epoch 3 train mean loss=0.431186137001, accuracy=0.970866675178 test mean loss=0.425710965991, accuracy=0.968000004292 epoch 4 t
Deep Learningの技術と未来
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う． Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 http
Deep Learning
Deep Learning is a new area of Machine Learning research, which has been introduced with the objective of moving Machine Learning closer to one of its original goals: Artificial Intelligence. This website is intended to host a variety of resources and pointers to information about Deep Learning. In these pages you will find a reading list, links to software, datasets, a list of deep learning resea
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
