Lighting the way to deep machine learning
Open source Torchnet helps researchers and developers build rapid and reusable prototypes of learning systems in Torch. Building rapid and clean prototypes for deep machine-learning operations can now take a big step forward with Torchnet, a new software toolkit that fosters rapid and collaborative development of deep learning experiments by the Torch community. Introduced and open-sourced this we
Kerasで学ぶ転移学習
前回記事では、KaggleのFacial Keypoints Detectionを題材にして、単純なニューラルネットワークから転移学習まで解説しました。 事前に学習した重みを読み込んだ後、全ての層で学習するのではなく、一部の層をフリーズさせることもできるという話を最後に少しだけしました。ちょうどその後、転移学習について詳細に解説しているKerasの公式ブログ記事が公開されましたこともあり、今回はこの記事を参考にしつつ、転移学習をメインに解説していきます。間違いがあれば指摘してください。今回もFacial Keypoints Detectionのデータを使って解説していくので、前回記事も是非合わせて読んでみてください。 また、Keras 1.0.4が公開されたのでまだの人はアップデートしておくと良いかと思います。 目次 転移学習 可視化 全結合層のみ学習（前回モデル） 全結合層+一部の畳み込
EC2 Spot Instanceの価格変動をターミナルでモニタリングする - すぎゃーんメモ
というものを作った。こんな感じの。 Repository : https://github.com/sugyan/spot-price-watcher 背景 TensorFlowを使ったDeep Learningでアイドルの顔識別なんかをずっとやってきたけど、やっぱりCPUマシンだけでやっていくのは厳しいな、と思い、 やっぱりPC自作は費用対効果を考えると無いなーってことで結局EC2のGPUインスタンスでTensorFlow動かせる環境を頑張って整えた。スポットインスタンスだけ使って節約してるつもりだけど、本当に10倍くらい早くなってサイコーに快適すぎてうっかりジャブジャブ課金してしまいそう…— すぎゃーん💯 (@sugyan) June 16, 2016 ということでAmazon EC2にてGPU instanceを使って動かすことにした。 g2.2xlargeインスタンスでTenso
Deep Learning 勉強会 Chapter 12
研究の方ではなかなか触る機会が無いのですが，知識だけは入れておきたいということで最近は社外の人達が主催しているDeep Learning勉強会に参加させてもらっています． こちらでは輪講資料として以下のサイトで公開されている書籍のドラフト版を使用しています． https://www.deeplearningbook.org/ なかなか知識不足という事もあって，細かい部分は分からなかったりするのですけど，12章は自然言語処理の話も含まれていることから私の担当となりました．広い内容をカバーしていることもあって私としても非常に勉強になりました． 勉強会の中では Chen and Goodman の資料は 1998 ではないかと書いたのですが，1999の物もありました．ということで，資料の方でのリファレンスの指摘は私の間違いです． http://www2.denizyuret.com/ref/go
投票: がっつり実装、Deep Learning | PyCon JP 2016 in TOKYO
ちまたで、「Deep Learningスゲー」という声をちらほら聞きます。「Deep Learningやりたい」という声も聞きます。しかしその次にでる言葉が「誰かやって」「誰かできる人いない？」という感じです。少なくとも私の周りには。 また、githubでDeep Learningのフレームワークtheano やChainerを使った実装を見かけますが、素敵な実装はあまり見かけません。で、思うのは、みんなどのくらいDeep LearningのPythonコードを作れているんだろう？ということです。 そこで、theanoのラッパークラスをかれこれ10回位、つくっては壊しを繰り返し、Chainerを最近使い始めた著者が、Chainerを使った実装について、がっつり語りたいと思います。 Deep Learningの研究動向は、とかのはしません。実装の話です。 GPU化する方法とその驚くべき効果も
プライベートブログ › ログイン
このサイトは、オーナーによりプライベートサイトとして設定されています。このサイトを見るには、次の2つが必要です。 WordPress.com のアカウント。アカウントをお持ちではありませんか ?メールアドレスとパスワードさえあれば、こちらでご登録いただけます。サイトオーナーの承認。アカウントを作成したら、ログインしてもう一度この画面を表示し、招待をリクエストしてください。いずれもすでにお持ちでしたら、すばらしい ! こちらでログインしてください
数学的基礎から学ぶ Deep Learning (with Python) Vol. 7【MPS 横浜 第7回】
さいとうさんによる第1回からのまとめ かんたんマークダウンを用いて、さいとうさんが第1回からの まとめ を作成してくださっています。是非ご覧ください！ HTMLバージョン PDFバージョン さいとうさん、ありがとうございます！ SNS 参加者がたくさんいらっしゃるので、ハンズオン中の個々の挙手での質問はすべてその場でお答えができないことなども想定されます。以下SNSご活用ください。 FB Group 参加申請を出していただければ、随時承認します。このグループ内で、自己紹介ですとか、ハンズオンで分からなかったところの質問や感想を書いていただいたりとか、これから学んでみたいことなどを投稿していただけたらと思います。 間違ってもいいので参加者どうしでどんどん質問に答えたり、意見を交わし合ったりして、学びとこれからの行動に繋がればと思います。 Twitter ハッシュタグ: #mpsamurai
Asynchronous Methods for Deep Reinforcement Learning: TORCS
The video shows an agent driving a racecar using only raw pixels as input. The agent was trained using the Asynchronous Advantage Actor-Critic (A3C) algorithm. During training, the agent was rewarded for maintaining high velocity along the center of the racetrack. Paper link - http://arxiv.org/pdf/1602.01783.pdf
【論文シリーズ】画像・文字混合データをボルツマンマシンで学習する - Qiita
原文 DBMを用いた多形態データの学習(Multimodal Learning with Deep Boltzmann Machines) Nitish Srivastava (2012) 1. 要約／背景 画像と文字の混合データにDBMを適用したら、良好な結果を得られた。 テキストと画像では抽出データの型が異なるため、もともと併用が難しい テキスト→語数カウントベクトルであり、成分は離散的かつスパースである。 画像→ピクセルに分割し、各点の輝度をベクトルにまとめる。 SVMとLDA→混合データの認識に使われるが、教師データがない場合、特徴抽出ができない… 混合データによる学習イメージを下に示す。 画像をインプットした時に、意味(タグ登録してある)を選択識別する感じ。 2. 骨子の理論 分析過程の模式図を以下に示す。 ポイントは、画像の特徴とテキストの特徴をそれぞれ別のDBMで学習させるこ
GitHub - gokceneraslan/awesome-deepbio: A curated list of awesome deep learning applications in the field of computational biology
A curated list of awesome deep learning applications in the field of computational biology 2007-08 | Fast model-based protein homology detection without alignment | Sepp Hochreiter, Martin Heusel, and Klaus Obermayer | Bioinformatics 2012-07 | Deep architectures for protein contact map prediction | Pietro Di Lena, Ken Nagata and Pierre Baldi Bioinformatics 2012-10 | Predicting protein residue–resi
TMLS#3 Applying Deep Learning, 2016年5月27日(金) 19:00 | Meetup
Hello everyone, We are very excited to announce the third TMLS event of 2016 is coming up on 5/27! Please leave your Friday night open, we have invited amazing speakers to discuss some of the latest deep learning technologies. The event sign-up opens from 5/19 Thursday @10am. Due to the capacity of the room, general admissions are limited to 100 people. Don't miss! みなさんこんにちは！2016年第3回目となるTMLSのイベントで
Get Programming with Haskell - Will Kurt
pro $24.99 per month access to all Manning books, MEAPs, liveVideos, liveProjects, and audiobooks! choose one free eBook per month to keep exclusive 50% discount on all purchases renews monthly, pause or cancel renewal anytime lite $19.99 per month access to all Manning books, including MEAPs! team 5, 10 or 20 seats+ for your team - learn more
A beginners guide to learning Swift and iOS development: Edition 2.2 | Manitoba Ninja
Manitoba Ninja A site about Swift, iOS development, and digital media Beginner Swift , DIY , Getting Started , iOS Development A beginners guide to learning Swift and iOS development: Edition 2.2 Posted on 19 Hours Ago by manitobaninja Some of the first posts I did on this site were on what I thought were, at the time, the best online resources for learning Swift. Since then I have come across n
Convolutional Sketch Inversion
In this paper, we use deep neural networks for inverting face sketches to synthesize photorealistic face images. We first construct a semi-simulated dataset containing a very large number of computer-generated face sketches with different styles and corresponding face images by expanding existing unconstrained face data sets. We then train models achieving state-of-the-art results on both computer
AI, Deep Learning, and Machine Learning: A Primer | Andreessen Horowitz
watch time: 45 minutes “One person, in a literal garage, building a self-driving car.” That happened in 2015. Now to put that fact in context, compare this to 2004, when DARPA sponsored the very first driverless car Grand Challenge. Of the 20 entries they received then, the winning entry went 7.2 miles; in 2007, in the Urban Challenge, the winning entries went 60 miles under city-like constraints.
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
GitHub - sindresorhus/emoj: Find relevant emoji from text on the command-line :sparkles: :horse: :see_no_evil:
GitHub - yohokuno/dl4nlp: Deep learning for natural language processing
Do I need to use deep learning to build a product recommandation engine in ecommerce?
GitHub - erikbern/deep-fonts: Generate fonts using deep learning
discord.engineering
