DeepMind just published a mind blowing paper: PathNet.
Potentially describing what general artificial intelligence will look like. Sign up for our newsletter here. Since scientists started building and training neural networks, Transfer Learning has been the main bottleneck. Transfer Learning is the ability of an AI to learn from different tasks and apply its pre-learned knowledge to a completely new task. It is implicit that with this precedent knowl
Demitasse〜DNN高速化ライブラリを公開しました – Tech.D-ITlab | Denso IT Laboratory researcher's blog sites
どうも吉田悠一です． 弊社の近藤がNIPS2016のWorkshopで発表したDemitasseをオープンソースで公開します． “Satoshi Kondo, “Demitasse: SPMD Programing Implementation of Deep Neural Network Library for Mobile Devices”, ML Systems Workshop NIPS 2016 PDF” https://github.com/DensoITLab/Demitasse llvmとispcを使い，Deep Learningの計算を高速化します． Demitasseによれば，iOSデバイス上でもGPUを使わずに数百msecの時間で，Caffe Model Zooによる画像認識を実行することができます． ビルド方法は，githubのリポジトリのドキュメントに書いてありま
Chainerを用いた対話システムの実装【seq2seq】 - Qiita
はじめに 昨今，DNNs(Deep Neural Networks)の進歩が目覚ましくあらゆる分野で成功を収めています． 良く耳にするのは，画像分類や音声認識の分野ですが，対話システムも例外ではなくなりました． Pythonのライブラリ環境が充実しつつある今，DNNsを用いた対話システムの構築について簡単に紹介したいと思います． 対話システムのためのDNNsモデル 対話システムを構築するためのDNNsのモデルは大きく分けて2つあります． 大量の応答候補に対するランキング学習 -> 入力に対して応答候補文をそのまま選択 発話と応答のペアから，Encoder-Decoderモデルを学習．-> 入力に対して単語単位で応答発話生成 本記事では，後者のEncoder-Decoderモデルについて扱います． Chainerなどのライブラリが充実したおかげで，発話と応答のペアとなるデータさえあれば，誰で
Semantic Segmentationのサーベイ - takminの書きっぱなし備忘録 @はてなブログ
最近、Semantic Segmentationについて調べる機会がありました。 せっかくなので、公開します。 例に挙げた研究は、まだarXivのみに発表されたようなのは(Pix2Pixを除いて)あまりカバーされてません。（この後もう少し調べる予定） Semantic segmentation from Takuya Minagawa また、資料をアップロードしようしたまさに今日、PFNさんがDeep Learningを使った最新のセグメンテーション方法についての素晴らしいセミナーがあったので、この資料と合わせて見ると参考になると思います。この資料でカバーしていないUnet、SegNet、RefineNetなどについても解説されています。
Deep learning and the Schr\"odinger equation
We have trained a deep (convolutional) neural network to predict the ground-state energy of an electron in four classes of confining two-dimensional electrostatic potentials. On randomly generated potentials, for which there is no analytic form for either the potential or the ground-state energy, the neural network model was able to predict the ground-state energy to within chemical accuracy, with
Octopus genome holds clues to uncanny intelligence - Nature
Thank you for visiting nature.com. You are using a browser version with limited support for CSS. To obtain the best experience, we recommend you use a more up to date browser (or turn off compatibility mode in Internet Explorer). In the meantime, to ensure continued support, we are displaying the site without styles and JavaScript.
ディープラーニング研究の第一人者が語る最新のAI技術、最終目標は単一モデルでさまざまな質問に答えるAIの実現
セールスフォース・ドットコムは昨年12月、年次イベント「Salesforce World Tour 2016 Tokyo」を開催。その基調講演などに登壇するため、Salesforce.com, Inc. チーフサイエンティスト 兼 Salesforce Research所長のリチャード・ソーチャー氏が来日した。本稿では、同社のAI機能「Salesforce Einstein」の開発を主導し、自身もディープラーニング研究の第一人者である同氏に、最先端のAI研究やSalesforceでの研究活動について話を聞いた。なお、聞き手は、東京大学の学生時代にキュレーションサービス「グノシー」を開発した1人で、ディープラーニングに関する著書もある、株式会社情報医療 CTOの巣籠悠輔氏にお願いした。 リチャード・ソーチャー氏は、ディープラーニングの研究開発を行うMetaMind社の設立者 兼 CEO/CT
Use Chainer from R with reticulate package - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? #------------------------------------------------------------------------------- # Use Chainer (http://chainer.org/) from R # with reticulate package (https://github.com/rstudio/reticulate) # # original code in Python: # https://github.com/pfnet/chainer/blob/master/examp
なぜ機械学習にPythonが選ばれるのか - Qiita
教育言語として Pythonは「同じインデントレベルの文は同じ塊」というルールを採用しており、見掛け上のPythonプログラムの最大の特徴となっています。 Python作者のGuido van Rossum氏(オランダ人でアムステルダム大学卒)はPythonを開発する以前に、オランダで教育向けの「ABC言語」の開発に関わっており、Python自体はRAD(迅速なアプリケーション開発)がメインで教育用を念頭に開発してはいなかったものの、ルーツとなったABC言語では文法に関してさまざまな研究が行われ、インデントを使うのが初心者にとってもっとも間違いにくいブロックの表現として採用していたのです。(Donald Knuth氏が推進していた。) Rubyist のための他言語探訪 【第 1 回】 Python Pythonがプログラミングの学習に向いているたった一つの理由 From ABC to P
Video Frame Synthesis using Deep Voxel Flow
International Conference on Computer Vision (ICCV) 2017, Oral Presentation Abstract We address the problem of synthesizing new video frames in an existing video, either in-between existing frames (interpolation), or subsequent to them (extrapolation). This problem is challenging because video appearance and motion can be highly complex. Traditional optical-flow-based solutions often fail where flo
Visualizing output of convolutional layer in tensorflow
I'm trying to visualize the output of a convolutional layer in tensorflow using the function tf.image_summary. I'm already using it successfully in other instances (e. g. visualizing the input image), but have some difficulties reshaping the output here correctly. I have the following conv layer: img_size = 256 x_image = tf.reshape(x, [-1,img_size, img_size,1], "sketch_image") W_conv1 = weight_var
Deep Learning with FPGA – Amund Tveit's Blog
This chapter presents recent papers for using FPGAs (Field Programmable Gate Arrays) for Deep Learning. FPGAs can roughly be seen as a Software-configurable Hardware, i.e you in some cases get close to dedicated hardware speed (although typically at lower clock frequency than chips, but typically with strong on-FPGA parallelism), this can be a potential good fit for e.g. Convolutional Neural Netwo
Weight Normalization [arXiv:1602.07868]
概要 Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networksを読んだ Chainer 1.17で実装した（→GitHub） はじめに Weight Normalizationは、ニューラルネットの重みベクトル$\boldsymbol w$を \[\begin{align} \boldsymbol w=\frac{g}{\mid\mid \boldsymbol v \mid\mid}\boldsymbol v \end{align}\\] のように、ベクトル$\boldsymbol v$とスカラー$g$に分解します。 また、これらのパラメータで誤差関数$L$を微分した時の勾配はそれぞれ \[\begin{align} \nabla_gL &= \frac{
人工知能のトップ会議AAAI-17で深層学習実装のチュートリアルを行いました - 株式会社Preferred Networks
現地時間2月5日、サンフランシスコで開催中の国際会議AAAI-17において、PFNメンバーの得居と大野が深層学習の実装とフレームワークに関し”Deep Learning Implementations and Frameworks (DLIF)”と題したチュートリアルを行いました。 深層学習の応用においてソフトウェアフレームワークの利用は欠かせなくなっていますが、本チュートリアルはその実装の基礎や設計における選択肢、およびChainerを含む現存するフレームワークの特徴比較を行い、ユーザーが用途に合ったフレームワークを選択できるようになることを目的としています。 当日の発表資料とサンプルコードはこちらからダウンロード頂けます。 AAAIは30年以上の歴史を持つ人工知能分野におけるトップ会議であり、今年は機械学習の理論から、IoTやロボティクスにおける応用など計24のチュートリアルが企画され
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
Implement word2vec in Keras
Site unavailable
Amazon.co.jp: DeepLearningによる画像認識！: クラウドコンピューティングとオープンソースソフトウェアによるDeep Learningの実践: 電子書籍初心者の会: Digital Ebook Purchas
Colormind - the AI powered color palette generator
GitHub - udacity/self-driving-car-sim: A self-driving car simulator built with Unity
https://www.mathgram.xyz/entry/keras/tips/freeze
