DeLTA-Family サービス終了のお知らせ | LeapMind inc.
LeapMindは、2018年より本サービス群を提供して参りましたが、新たなサービスへの移行などにより、今後も安定的にサービスを提供する事が難しく、ご利用状況を鑑みサービスを終了させていただきます。 記 提供終了サービス: DeLTA-Family (DeLTA-Lite, DeLTA-Mark, DeLTA-Kit, Modelite※) サービス終了日: 2020年5月31日 本件お問い合わせ先: 電話番号: 03-6696-6267 メール: info+delta@leapmind.io ※ DeLTA-Kitと一緒にModeliteをご購入頂いたお客様向けに関しましては、Modelite (https://modelite.leapmind.io )上で、サービス終了の2020年5月31日までDeep Learning学習済みモデルファイルのダウンロードをしていただけます。 ご利用
MobileNet(v1/2)、ShuffleNet等の高速なモデルの構成要素と何故高速なのかの解説 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、
DLL: A Blazing Fast Deep Neural Network Library
Deep Learning Library (DLL) is a new library for machine learning with deep neural networks that focuses on speed. It supports feed-forward neural networks such as fully-connected Artificial Neural Networks (ANNs) and Convolutional Neural Networks (CNNs). It also has very comprehensive support for Restricted Boltzmann Machines (RBMs) and Convolutional RBMs. Our main motivation for this work was to
A Survey on Neural Network-Based Summarization Methods
Automatic text summarization, the automated process of shortening a text while reserving the main ideas of the document(s), is a critical research area in natural language processing. The aim of this literature review is to survey the recent work on neural-based models in automatic text summarization. We examine in detail ten state-of-the-art neural-based summarizers: five abstractive models and f
香港城市大学ら、手書きスケッチからリアルタイムに法線マップを自動生成する敵対生成学習GANを用いたインタラクティブシステムを発表
香港城市大学ら、手書きスケッチからリアルタイムに法線マップを自動生成する敵対生成学習GANを用いたインタラクティブシステムを発表 2018-04-14 香港城市大学、中国科学技術大学、大連理工大学、湖南大学の研究者らは、ニューラルネットワークを用いて、2D手書きスケッチからリアルタイムに法線マッピング（ノーマルマッピング）を生成するインタラクティブシステムを発表しました。 論文：Interactive Sketch-Based Normal Map Generation with Deep Neural Networks 著者：Wanchao Su, Dong Du, Xin Yang, Shizhe Zhou, Hongbo Fu 本稿は、手書きスケッチからリアルタイムに法線マップを自動的に推論するニューラルネットワークを用いた手法を提案します。提案手法では、入力スケッチを法線マップに変
SIGGRAPH 2018: DeepMimic paper (main video)
Main video accompanying the SIGGRAPH 2018 paper: "DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills". Supplementary video: https://youtu.be/8KdDwRLtNHQ Project page: https://xbpeng.github.io/projects/DeepMimic/index.html Blog: http://bair.berkeley.edu/blog/2018/04/10/virtual-stuntman/
深層学習で脳細胞解析を自動化、グーグルがオープンソースで公開
「原子物理学の父」と呼ばれるアーネスト・ラザフォードはかつて、「すべての科学は、物理学か、切手収集かのどちらかです」と語った。もしそうであれば、現在の科学者は幸運だろう。切手収集に相当する部分の作業を、人工知能（AI）がますます担ってくれるようになっているからだ。 深層学習アルゴリズムでは訓練のために大量のデータが必要となる。神経科学の分野では、データは山ほどある。細胞培養により、脳の組織は途方もない数になっている。これらを仕分けし、ラベル付けをする作業はこれまでたいてい、かわいそうなインターンシップや下っ端の研究者に押し付けられているが、限界を超えている。そこで、カリフォルニア大学サンフランシスコ校の神経科学者とグーグルの研究者はチームを組んで、培養された組織を用いてシステムを訓練し、退屈な作業の一部を自動化できるようにした。 ワイアード（Wired）によると、訓練されたアルゴリズムによ
DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills
DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills Transactions on Graphics (Proc. ACM SIGGRAPH 2018) Xue Bin Peng (1) Pieter Abbeel (1) Sergey Levine (1) Michiel van de Panne (2) (1) University of California, Berkeley (2) University of British Columbia Abstract A longstanding goal in character animation is to combine data-driven specification of be
python 動かしていて、コンピュータがうるさくなってきたら(mac, linux編) - Qiita
$ ps -ax 14158 ttys000 0:00.09 python 14676 ttys000 0:02.63 python train.py 14712 ttys000 0:01.44 python train_custom_loop.py 14746 ttys000 0:00.95 python show_spiral_dataset.py 14777 ttys000 0:00.96 python count_method_small.py 14865 ttys000 0:01.41 python train.py 26590 ttys000 0:00.01 ps -ax 90666 ttys000 0:00.06 login -pf kaizen_nagoya 90667 ttys000 0:01.14 -bash 1009 ttys001 0:00.03 login -pf
UCバークレーら、仮想キャラクタのアクロバットな動きをよりリアルに再現する強化学習を用いた手法「DeepMimic」発表
UCバークレーら、仮想キャラクタのアクロバットな動きをよりリアルに再現する強化学習を用いた手法「DeepMimic」発表 2018-04-12 カリフォルニア大学バークレー校とブリティッシュコロンビア大学の研究者らは、コンピューターアニメーションキャラクタのアクロバットな動きも、よりリアルなものにする強化学習を用いた手法「DeepMimic」を発表しました。 論文：DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills 著者：Xue Bin Peng,Pieter Abbeel,Sergey Levine,Michiel van de Panne 提案手法は、強化学習フレームワークを用いて、ブレイクダンスや武道のようなアクロバットな動きもコンピュータアニメーションで自然な
Google Research、複数音から特定の発話者だけの声を聞こえるようにするDeep learningを用いた視聴覚音声分離モデル発表
Google Research、複数音から特定の発話者だけの声を聞こえるようにするDeep learningを用いた視聴覚音声分離モデル発表 2018-04-12 Google Researchは、Deep learningを用いて、複数の音から1人の音声だけを抜き出す視聴覚音声分離モデル「Looking to Listen at the Cocktail Party」を発表しました。 論文：Looking to Listen at the Cocktail Party: A Speaker-Independent Audio-Visual Model for Speech Separation 著者：Ariel Ephrat, Inbar Mosseri, Oran Lang, Tali Dekel, Kevin Wilson, Avinatan Hassidim, William T.
AWS Deep Learning AMI に、最適化された TensorFlow 1.7 が追加され、Amazon EC2 C5 および P3 での高速トレーニングが可能に
Ubuntu および Amazon Linux 用の AWS Deep Learning AMI に、TensorFlow 1.7 に合わせた高度な最適化が提供され、Amazon EC2 C5 および P3 インスタンス全体で高性能なトレーニングを提供できるようになりました。 CPU ベースのトレーニングシナリオの場合、AMI には、ベクトルおよび浮動小数点計算を高速化するためにインテルの Advanced Vector Instructions (AVX)、SSE、FMA 命令セットで構築された TensorFlow 1.7 が含まれています。また、Intel Xeon Platinum プロセッサで動作する Amazon EC2 C5 インスタンスでのニューラルネットワークトレーニングで使用される数学ルーチンを高速化するため、AMI はインテルの MKL-DNN でも完全に設定されてい
実践 Deep Learning
2000年代にニューラルネットワークの研究が再び活発になりました。現在、ディープラーニングは近代的な機械学習の道を切り開いている非常に活発な研究領域となっています。Google、Microsoft、Facebookなどの企業では、社内のディープラーニングチームが急成長しています。しかし、多くの人にとってディープラーニングはまだまだとても複雑で困難な課題です。本書ではサンプルのPython 3プログラムと簡潔な説明を通してこの複雑な分野の主要な概念を紹介します。微積分、行列演算、Pythonの基礎があれば誰でも本書を始めることができます。 監訳者まえがき まえがき 1章 ニューラルネットワーク 1.1 知的な機械を作るということ 1.2 従来のプログラムの限界 1.3 機械学習のしくみ 1.4 ニューロン 1.5 線形パーセプトロンをニューロンとして表現する 1.6 フィードフォワードニュー
Lessons Learned Reproducing a Deep Reinforcement Learning Paper
There are a lot of neat things going on in deep reinforcement learning. One of the coolest things from last year was OpenAI and DeepMind’s work on training an agent using feedback from a human rather than a classical reward signal. There’s a great blog post about it at Learning from Human Preferences, and the original paper is at Deep Reinforcement Learning from Human Preferences. Learn some deep
ReBNet: Residual Binarized Neural Network
This paper proposes ReBNet, an end-to-end framework for training reconfigurable binary neural networks on software and developing efficient accelerators for execution on FPGA. Binary neural networks offer an intriguing opportunity for deploying large-scale deep learning models on resource-constrained devices. Binarization reduces the memory footprint and replaces the power-hungry matrix-multiplica
Linux Foundation、機械学習をアプリケーションに簡単に組み込めるオープンソース「Acumos AI」発表。新団体「LF Deep Learning Foundation」が開発
Linux Foundation、機械学習をアプリケーションに簡単に組み込めるオープンソース「Acumos AI」発表。新団体「LF Deep Learning Foundation」が開発 Acumos AIプロジェクトはおもに「Acumosフレームワーク」と「Acumosマーケットプレイス」から構成され、これらによってAIや機械学習の開発、利用、共有という3つのメリットをもたらすとしています。 以下はAcumos AIプロジェクトのブログに投稿された記事「What is Acumos? - Acumos」から。 Acumosは、AIモデルの開発者に対しては容易な開発とパッケージングを実現するソフトウェアだと説明されています。 For creators of AI models – data scientists and others – Acumos empowers them to
AWS Summit 2018 San Franciscoで発表されたサービスやアップデートのまとめ | DevelopersIO
2018年4月4日(水)に開催されたAWS Summit 2018 San Franciscoで、多くのサービスやアップデートに関する発表がありました。 当ブログもAWSの記事で賑わっていますが、今回はそれらを簡単にまとめてみたいと思います。 新しく発表されたサービス AWS Secrets Manager: Store, Distribute, and Rotate Credentials Securely ライフサイクルを通じてデータベース認証情報、API キー、その他のシークレットを簡単に更新、管理、取得します。基盤技術の低レベルな KMS や特定用途に特化した AWS Systems Manager Parameter Store のようなサービスはありましたが、より汎用的な秘密管理サービスです。 AWS Secrets Managerは、アプリケーション、サービス、ITリソースへ
Hyper-parameters in action!
IntroductionThis is the first of a series of posts aiming at presenting visually, in a clear and concise way, some of the fundamental moving parts of training a neural network: the hyper-parameters. MotivationDeep Learning is all about hyper-parameters! Maybe this is an exaggeration, but having a sound understanding of the effects of different hyper-parameters on training a deep neural network is
深層学習のモデル圧縮・高速化に関する論文80本ノック - そうだね
こんにちは.無事に3年生に進級できてホッとしています. 昨年度から深層学習のモデル改変による高速化手法について調べていました.そんなわけで本稿では深層学習モデルのパラメータ容量の削減や高速化を目的とした手法に関する論文を80本紹介します. 一部, ハイパーパラメータ探索(Neural Architecture Search等)の論文を「高速なモデルの探索に使えないかな〜」というきもちで含めました. また, 蒸留に関する論文は必ずしも高速化を狙ったものだけではなく, 蒸留そのものの派生論文についても含めています. 全ての論文について詳解ではなく雑な概要のみ記載しています. サーベイする際のガイドにでも使っていただければ幸いです. サクッと読んだだけの論文も多々ありますので間違い等ございましたらご指摘ください. では参りましょう. 高速なモデルアーキテクチャ より良い速度と精度のトレードオフを
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
Deep Insider - ＠IT