PyTorch vs. TensorFlow、ディープラーニングフレームワークはどっちを使うべきか問題【2019-2020年】
連載目次 ※本稿には新バージョンがあります。2021年に向けてのアップデート記事（2020年12月16日公開）はこちらです。 本稿は、ディープラーニング（深層学習）に関心があるビジネスマンから、これから始めてみたいというエンジニア、既に取り組んでいる実務経験者まで、幅広い人に向けて書いた。よって、初歩的な内容も含めつつ説明していくのでご了承いただきたい。 ディープラーニングを実装する場合、フルスクラッチでゼロからコードを書くのは非効率なため、専用のライブラリ／フレームワークが用いられるのが一般的だ。ディープラーニングが流行してから直近4年ほどの間に、次々と新しいフレームワークが登場した。現在、主要なものを挙げると、 TensorFlow： 2015年登場、Google製。一番有名で、特に産業界で人気 PyTorch： 2016年登場、Facebook製。この中では新興だが、特に研究分野で人
グーグル47点、Siriは24点——本当に賢いAIアシスタントはどれ？
デジタル・アシスタントと人間を同列に評価する方法を、中国の研究者が開発した。その結果、グーグル・アシスタントは、人間の6歳児よりは劣るが、近いという結果になった。しかし、実験の詳細が公表されていないため、結果を手放しで評価はできないのが残念だ。 by Emerging Technology from the arXiv2017.10.18 119 95 19 0 人間の知能の本質とは何か？その定義をめぐって、心理学者の間に明確な合意はない。明確な合意なくして知能を測定することなど困難だ。だからこそ、最も有名な測定方法である知能指数（IQ）テストは、激烈な論議を引き起こしてきた。 マシンインテリジェンスの本質についても同じことが言える。知性を宿す機械がますます一般的かつ実用的になるにつれ、心理学者やコンピューター科学者は、問題に向き合わざるを得なくなってきている。 知性を宿す機械にはどれほど
音声アシスタントのAmazon AlexaとGoogle AssistantとLINE Clovaを比較した - Qiita
まずは開発者として気になる所は、日本語対応とサードパーティーへのSDKの提供です。 Clovaはスマートスピーカーの国内発売、日本語対応ともに一番はやいのですが、残念ながらサードパーティーの開発はまだ出来ません。 一方でAmazon Alexaは早い段階でサードパーティーの開発を開放しており、既にかなりの数のスキル（スマホで言う所のアプリ）が存在しています。 AmazonのEcho dotも招待制で発売が開始されました。現時点で日本語対応で開発が行えるスピーカーはAmazonとGoogleのみです。 Amazon Alexa サードパーティー開発 Alexa developer Alexaは早い時期から開発者向けにSDKを提供しています。その為、音声アシスタントに必要な外部サービスとの連携やSlotsによる言葉のゆらぎなどもサポートしていて開発が始めやすい印象です。 また、ソフトウェア開発
プログラミング言語の構文の複雑さについて考える 〜Java vs. Scala〜 - Qiita
プログラミング言語同士の比較をするとき、ある言語が別の言語より複雑であるということがよく批判の対象になります。たとえば、C++は複雑過ぎる、Scalaは複雑過ぎる（Javaと比較して）、といった意見をよく耳にします。 しかし、実際に客観的な指標に基いて比較してみたことがある人はあまり居ないのではないでしょうか。自分がみる限り、その人がこれまで学んできた言語と比較して、「難しく感じた」ことをもって「複雑だ」という主張をしていることが多いように思います。 しかし、複雑である <=> 難しい（と感じる）も必ずしも正しくありませんし、単純である <=> 簡単であるとも限りません。 このエントリでは、JavaとScalaの構文を比較して、よく言われる「Scalaは複雑である」という主張に反して、「Scalaの方が単純である」ということが言える（ただし、Scalaの方が簡単であることは意味しない）とい
Keras バックエンド速度比較 CNTK vs TensorFlow - Qiita
from __future__ import print_function import time start_time = time.time() import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import RMSprop batch_size = 128 num_classes = 10 epochs = 20 # the data, shuffled and split between train and test sets (x_train, y_train), (x_test, y_test) = mnist.load_data() x_tr
Comparison of Calibration of Classifiers
Note Go to the end to download the full example code. or to run this example in your browser via JupyterLite or Binder Comparison of Calibration of Classifiers# Well calibrated classifiers are probabilistic classifiers for which the output of predict_proba can be directly interpreted as a confidence level. For instance, a well calibrated (binary) classifier should classify the samples such that fo
Comparison of LDA and PCA 2D projection of Iris dataset
Note Go to the end to download the full example code. or to run this example in your browser via JupyterLite or Binder Comparison of LDA and PCA 2D projection of Iris dataset# The Iris dataset represents 3 kind of Iris flowers (Setosa, Versicolour and Virginica) with 4 attributes: sepal length, sepal width, petal length and petal width. Principal Component Analysis (PCA) applied to this data ident
SciPyとその仲間たち（NumPy, IPython など）の違いと関係 - 玉虫色に染まれ!!
python でちょっとした信号処理をしたくて、存在だけは以前から知っていた numpy に手を出したので、関連パッケージなどをまともに調べてまとめました。（ある程度素人の主観が入っているので、鵜呑みにしないように） SciPy 総本山： http://www.scipy.org/ 語源は Science + Python で、発音は "Sigh Pie(サイパイ)"。 今日の記事で挙げる各種ソフトの組み合わせによって実現されている、Python ベースの数学・科学技術計算用ソフトウェアエコシステムの名称。つまり、個別のソフトではなく、その集合体による計算環境のこと。乱暴にざっくり言ってしまえば、「Mathmatica や Matlab に代わる環境を Python でつくろうプロジェクト」 が SciPy。 なお、SciPy のコアパッケージの1つに、後述の SciPy library
主要クラウドサービス別 機械学習アルゴリズム機能比較 - Qiita
#はじめに AzureのMachineLearningで使用している機械学習アルゴリズムを調査するついでに、他の主要クラウドサービスで提供している機械学習についても調べてみたので、機能比較としてまとめてみました。 #対象クラウドサービス 以下ベンダーのクラウドサービスを対象としました。 Microsoft Azure Machine Learning Amazon Machine Learning Google Prediction API IBM Bluemix(Watson) #比較内容 １．機能有無 機械学習アルゴリズムを「学習分類」と「アルゴリズム分類」のカテゴリに分類し、その観点での機能有無の比較を行いました。 学習分類 アルゴリズム分類
画像認識対決 ~Microsoft VS Google VS IBM VS AWS~ - Qiita
はじめに この記事は、Life is Tech ! アドベントカレンダー2016 18日目の記事です。 はじめまして！iPhoneメンターのにっしーです。 「時間があるときに勉強しよう」と人工知能／機械学習／Deep Learning／認識技術といったトピックの記事の見つけてはストックしてきたものの、結局2016年は何一つやらずに終わろうとしているので、とにかく一歩でも足を踏み出すべく、 本質的な理解等はさておき、とにかく試してみる ということで画像認識技術に触れてみることにしました。 画像認識とは? 画像認識とは、画像データの画像内容を分析して、その形状を認識する技術のことである。 -- Weblio辞書 画像認識では、画像データから対象物となる輪郭を抽出して、背景から分離し、その対象物が何であるかを分析するのが基本になります。 しかし、人間なら無意識化に行われていることですが、コンピュ
What are advantages of Artificial Neural Networks over Support Vector Machines?
As it currently stands, this question is not a good fit for our Q&A format. We expect answers to be supported by facts, references, or expertise, but this question will likely solicit debate, arguments, polling, or extended discussion. If you feel that this question can be improved and possibly reopened, visit the help center for guidance. ANN (Artificial Neural Networks) and SVM (Support Vector M
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
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
1. Amazon AlexaとFire TVでHello Worldを試してみる - Qiita
Python vs Ruby 『ゼロから作るDeep Learning』 まとめ - Qiita
https://pandas.pydata.org/pandas-docs/stable/comparison_with_sql.html