TOP › セミナー、ビジネス Deep Learning Tokyo 2016 2016/3/20(日) 13:20~2016/3/20(日) 19:00 イベント受付開始時間 2016/3/20(日) 12:50~ 東京ミッドタウンタワー11F(Yahoo! JAPAN本社) 2016/3/20 15:39 追加 14:30~17:00はミッドタウンタワー2F受付へのエスカレーターが停止しております。 遅れてご参加される場合は「ds-event-info@ml.yahoo-corp.jp」までご一報いただき、 ミッドタウンタワー1F、総合受付付近でお待ちください。係の者が伺います。 2016/2/25 20:04 追加 イベント概要 ======================================== Deep Learningに携わる実務者の方々、日頃からCaffeやCh
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは。システム統括本部 データソリューション本部の宮崎です。 最近ディープラーニングと呼ばれる技術の話題を耳にすることが増えてきました。 この記事ではディープラーニングの手法を実装し画像認識系の用途で便利に使えるCaffeというツールの使い方を紹介します。 Caffeの概要 Caffeは、C++で実装されGPUに対応した高速なディープラーニングのライブラリです。 大規模画像認識のコンテストILSVRCで2012年にトップとなった畳込みニューラルネットワークの画像分類モデル[1]がすぐに利用できるようになっています。 Caffeは、カリフォルニア大学バークレー校のコンピュータビジョンおよび機械学習に関する研究センターであるBV
今回は下記の記事で導入したCaffeを用いて、ImageNetを学習してみる。 【メモ書き】Ubuntu 14.04 CUDA6.5 GTX970 Caffeインストール - 下丸子のコネクショニスト ImageNet(イメージネット)は大規模画像認識のコンペティションを毎年開催している組織で、 Stanford大のFei-Feiなどが監修している。 コンペの正式名称をLarge scale visual recognition challengeというのだが、 ここでは単にImageNetと呼ぶことにする。 トロント大のHintonらとともにAlexが提案し、 今ではDeep Convolutional Neural Networkのベースモデルとして扱われている通称AlexNetは、 2012年のImageNetにて発表されたものだ。 AlexNetはCaffeのZoo(様々なニューラ
こんにちは、PyData.Tokyoオーガナイザーのシバタアキラです。先日公開され大きな反響を呼んだGoogle社の深層学習(ディープラーニング)フレームワーク、TensorFlow(テンソルフロー)。今回はPyData.Tokyoのハッカソンイベントで、参加者の皆さんとTensorFlowについて学び、コーディングし、ディスカッションした内容から得た所感を共有したいと思います。深層学習のネットワーク設計という非常に高度な課題は、一般のエンジニアやデータサイエンティストにはとっつきにくいものですが、既存のさまざまな手法やツールがTensorFlowに移植されつつあり、今後ここが深層学習開発の拠点になる予感がしました。 シバタアキラ PyData.Tokyoのハッカソンイベント 前置き~今回のハッカソンを行うに至った経緯 PyData.Tokyoは昨年秋に開始し、第1回のテーマとして深層学習
こんにちは、シバタアキラです。この度PyDataの本家であるアメリカのコミュニティーで半年に一度開催されているPyDataカンファレンスに出席するため、NYCに行って来ました。11/22-11/23の二日間の日程で行われ、延べ250人ほどが参加したイベントです。その時の模様は、先日のPyData Tokyo第二回ミートアップでもご説明させていただき、また後日記事化されると思いますので、そちらをぜひご覧いただければと思います。 今回はそのPyData NYCカンファレンスで私が発表してきたミニプロジェクトについてお話します。最近各所で話題に上がるディープラーニングですが、これを使った応用を「カメリオ」のサービス向上のために使えないか、というのがそもそものプロジェクトの着想でした。今回PyData Tokyoオーガナイザーとして、またディープラーニングで色々と面白い実験をしている田中さん(@a
連載目次 本連載では、最近注目を浴びることが多くなった「Deep Learning」と、それを用いた画像に関する施策周りの実装・事例について、リクルートグループにおける実際の開発経験を基に解説していきます。 第1回では、Deep Learningと、それを用いた背景に関して、第2回では、Deep Learningを実装する際に用いたフレームワークである「Caffe」に関して、その構築手法や使い方に関して解説し、第3回では、リクルートグループにおける施策事例に関して、より詳細に述べていきます。第4回では、判別精度のチューニングや、「Active Learning」を用いた継続的精度向上など独自の開発ポイントなどを記載していく予定です。 ニューラルネットワークとは、ディープラーニングとは ここに一枚の画像があります。この画像を見たとき、あなたはとっさにどう判断したでしょうか。 このように脳内の
A Practical Introduction to Deep Learning with Caffe and Python // tags deep learning machine learning python caffe Deep learning is the new big trend in machine learning. It had many recent successes in computer vision, automatic speech recognition and natural language processing. The goal of this blog post is to give you a hands-on introduction to deep learning. To do this, we will build a Cat/D
Fine-tuning CaffeNet for Style Recognition on “Flickr Style” Data Fine-tuning takes an already learned model, adapts the architecture, and resumes training from the already learned model weights. Let’s fine-tune the BAIR-distributed CaffeNet model on a different dataset, Flickr Style, to predict image style instead of object category. Explanation The Flickr-sourced images of the Style dataset are
By Jay Mahadeokar and Gerry Pesavento Automatically identifying that an image is not suitable/safe for work (NSFW), including offensive and adult images, is an important problem which researchers have been trying to tackle for decades. Since images and user-generated content dominate the Internet today, filtering NSFW images becomes an essential component of Web and mobile applications. With the e
curl -X PUT 'http://localhost:8080/services/ilsvrc_googlenet' -d '{ "description": "image classification service", "model": { "repository": "/opt/models/ilsvrc_googlenet", "init": "https://deepdetect.com/models/init/desktop/images/classification/ilsvrc_googlenet.tar.gz", "create_repository": true }, "mllib": "caffe", "type": "supervised", "parameters": { "input": { "connector": "image" } } }' curl
Faces from the Adience benchmark for age and gender classification. These images represent some of the challenges of age and gender estimation from real-world, unconstrained images. Most notably, extreme blur (low-resolution), occlusions, out-of-plane pose variations, expressions and more.. AbstractAutomatic age and gender classification has become relevant to an increasing amount of applications,
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