Glow: Graph Lowering Compiler Techniques for Neural Networks
This paper presents the design of Glow, a machine learning compiler for heterogeneous hardware. It is a pragmatic approach to compilation that enables the generation of highly optimized code for multiple targets. Glow lowers the traditional neural network dataflow graph into a two-phase strongly-typed intermediate representation. The high-level intermediate representation allows the optimizer to p
Dive into Deep Learning — Dive into Deep Learning 1.0.3 documentation
Abasyn University, Islamabad Campus Alexandria University Amirkabir University of Technology Amity University Amrita Vishwa Vidyapeetham University Anna University Anna University Regional Campus Madurai Ateneo de Naga University Australian National University Bar-Ilan University Barnard College Beijing Foresty University Birla Institute of Technology and Science, Hyderabad Birla Institute of Tech
「fabcross」、「fabcross forエンジニア」サイト閉鎖のお知らせ
平素より株式会社メイテックが運営する「fabcross」、「fabcross forエンジニア」（以下、fabcross）をご愛顧いただき、誠にありがとうございます。 fabcrossは2013年より、ものづくりに携わる皆様にとって有益な情報をお届けすることをモットーに運営してまいりましたが、2025年3月31日（月）をもちましてサイトを閉鎖させていただきました。 メールマガジンの配信も2025年3月18日（火）をもって終了し、ご登録情報は3月24日（月）に削除させていただきました。 読者の皆様のご関心やご意見が、私たちの活動の大きな支えとなっておりました。長らくのご愛顧、誠にありがとうございました。 「fabcross」、「fabcross forエンジニア」に関するお問い合わせ ご不明な点がございましたら、下記のメールアドレスにお問い合わせいただけますようお願いします。 株式会社メイテ
Deep Learningの学習の様子を可視化する、fastprogressがすごく良さげ - Qiita
from fastprogress import master_bar, progress_bar n_epochs = 20 # エポック数 b_batches = 10 # 1エポックあたりのバッチ数 x_bounds = [0, n_epochs] # 表示させる学習曲線の図のx軸の範囲 y_bounds = [0, 1] # 表示させる学習曲線の図のy軸の範囲 mb = master_bar(range(n_epochs)) for i in mb: # エポックに関するイテレーション for j in progress_bar(range(n_batches), parent=mb): # バッチに関するイテレーション # バッチごとの学習処理を記述 train(x_batch, y_batch) graphs = ... # グラフに関する設定 mb.update_graph(
福井大学、ADHDの脳構造の特徴を人工知能により解明することに成功
福井大学子どものこころの発達研究センターの友田明美教授とジョンミンヨン特命教授らは、ADHD（注意欠如・多動症）児の脳構造の解析に人工知能（AI）を導入し、ADHD児には特定の脳部位に特徴があることを高い精度で明らかにした。 検討の結果、脳の148領域のうち眼窩前頭皮質外側など16領域の皮質の厚み、11領域の皮質の面積にADHDの特徴が現れることが判明し、74～79％の精度でADHDの識別が可能であることを見出した。 さらに、これらの脳部位のうち眼窩前頭皮質では、ADHDの要因の１つで、実行機能（作業記憶の苦手さ）に影響しているCOMT遺伝子の多型と脳構造との関連も確認できた。また、国際的なデータベースで検証したところ、米国・中国のADHD児でも73％の精度で農部位の特徴が確認され、国際的にも応用できる可能性が示唆された。 この検査手法は、測定時間が５分以内と短く、検査中に特定の課題遂行が
GCPとDockerでKaggle用計算環境構築 - Qiita
Kaggle Advent Calendar 13日目の投稿です。 初めまして、Lain（@lain_m21）と申します。Qiita初投稿です！ 今回はKaggle関連のトピックで何か短いのを一本書こうと思い、私が普段行なっているコンペ用の環境構築についていくつか良いなと思ったtipsをシェアしたいです。 先に結論からまとめておくと、 ローカルPCよりクラウドの計算資源をうまく使おう AWSもいいけど、GCPの方が目的に応じてインスタンススペックを細かくチューニングできるので良いぞ 今後のクラウドの環境構築をスムーズにするためにdockerを使おう といった感じです。昨今のコンペの規模を考えるとクラウドで計算することが増えると思うのですが、いちいちコンペごとに環境構築したりめんどくさいと思うので、できるだけdockerで自動化して楽しよう！というのが趣旨になります。 一応順を追って説明しま
プレスリリース - 深層学習によって「蛇の回転錯視」の知覚再現に成功
自然科学研究機構 基礎生物学研究所 立命館大学 自然科学研究機構 生理学研究所 基礎生物学研究所 神経生理学研究室の渡辺英治准教授は、同研究所の八杉公基研究員と立命館大学の北岡明佳教授、生理学研究所の坂本貴和子助教、サクラリサーチオフィスの田中健太博士との共同研究によって、深層学習機が「蛇の回転錯視注１」が引き起こす運動知覚を再現することを、新たに発見しました。深層学習機は、脳の神経ネットワーク構造や動作原理を参照して設計された人工知能のひとつであり、近年、画像分類や音声認識など、幅広い分野で画期的な成果を収めているだけでなく、脳の動作メカニズムを研究するためのツールとしても期待が高まっています。今回研究グループは、大脳皮質の動作原理として有力な仮説のひとつである「予測符号化理論注２」を組み込んだ深層学習機によって、錯視の再現ができるかどうかを検証しました。深層学習機に、我々の日常生活など
Autoencoding Variational Inference for Topic Modelsの解説スライド
ICLR2017読み会のスライド https://connpass.com/event/57631/
iOSのMetal Performance Shadersでニューラルネットを実行する際のモデルの渡し方 - Qiita
Metal Performance Shadersについて iOS10からiOSで畳み込みニューラルネットを作れるようになりました。畳み込み層、プーリング層、正規化層、活性化関数など基本的なツールは揃っています。ただし最適化アルゴリズムなどは揃っておらず、学習はできません。Pythonなどで学習したモデルをプロジェクト内に持ってきてその重みやバイアスを使用することになります。AppleのサンプルコードでもMNISTを学習したモデルをプロジェクト内に置いていますが、肝心のファイルの拡張子は.dataとなっており、どんな種類のファイルなのかわからなかったので調べてみました。 Pythonライブラリにおけるモデルの保存形式 Chainerのドキュメントを見てみるとsave_npzとsave_hdf5という二つのモデル保存用メソッドがあります。npzはNumPy配列を保存するファイル形式のようです
NNの予測根拠可視化をライブラリ化する - Qiita
左から：VGG16 による分類予測の根拠可視化、MLPによる iris データセットのFeature importance(もどき)の計算、Graph Convolution モデルによる水溶度の寄与可視化。 概要 「Deep Neural Networkはブラックボックス、中で何が行われて出力が出たのか知ることはできない」と思っていませんか？ 実際、多くの層からなるNNは複雑で数学的解析は難しいですが、全くわからないというわけではなく、上記のように予測根拠を可視化することによってモデルのデバッグや新たな知見の導出を試みようという研究があります。 今回、このSaliency mapの計算手法のいくつかを実装し、その可視化機能がChainer Chemistry でマージされましたので紹介します。 本記事少し長くなってしまいましたが、最後まで読んでいただければこのような可視化ができるようにな
画像認識の「Googleレンズ」、10億以上の製品を認識可能に
「Googleレンズ」の画像認識力が強化され、10億以上の製品を認識できるようになった。この数は1年前の4倍だ。 Googleは米国時間12月19日、人工知能（AI）を利用したこの画像認識アプリが大きな節目に達したことをブログで発表し、Googleの画像認識能力をどのようにトレーニングしているのかを説明した。それによると、同社は検索と「Knowledge Graph」による言語学習と、独自の光学文字認識（OCR）エンジンと組み合わせて利用しているという。 このOCRエンジンとトレーニングのおかげで、Googleレンズは製品ラベルなどの文字を読み取る機能が大幅に向上し、10億以上の製品を特定できるようになった。たとえば、アルファベットのo（オー）と数字の0（ゼロ）を区別するために、GoogleレンズはGoogle検索エンジンのスペル修正モデルを利用しているという。 GoogleレンズおよびA
ONNXがブラウザで動かせる「ONNX.js」誕生。Web×深層学習が一気に加速する | Ledge.ai
異なるディープラーニングフレームワーク間でモデルの相互運用を図る「ONNX（Open Neural Network Exchange Format） 」プロジェクトですが、この度ブラウザ、JavaScriptで動かせるONNX.jsが誕生しました。 ONNX（Open Neural Network Exchange Format） とは？これまでは、各フレームワークで使われるAIが学習したデータ形式（学習済みモデル）が異なるため、同じAIを使いまわしたい場合もフレームワークごとにデータを変換する必要がありました。それを解決しようというのがONNXプロジェクト。 ONNXプロジェクトは、MicrosoftとFacebookによる共同プロジェクトとして発足。その後日本のPreferrd Networksのフレームワーク「Chainer」もジョインするなど、注目を集めました。
2018年12月14日号 KubernetesとUbuntu、「1分以内に作れるKubernetes環境」、MicroK8s，“Linux-aws-edge”と“linx-aws-hwe”：Ubuntu Weekly Topics｜gihyo.jp … 技術評論社
Ubuntu Weekly Topics 2018年12月14日号KubernetesとUbuntu、「1分以内に作れるKubernetes環境」、MicroK8s、“Linux-aws-edge”と“linx-aws-hwe” KubernetesとUbuntu、「1分以内に作れるKubernetes環境」、MicroK8s Kubernetes（K8s）は、マイクロサービス主体の、あるいは「コンテナ主体の」環境において、大量のDockerホストを「束ねて」扱うための事実上の標準環境になりつつあります。 KubeCon/CloudNativeConが開催されたこともあり、UbuntuにとってもK8s関連のアナウンスが非常に多い一週間となりました。 最大の発表は、Snapを利用して「60秒以内に」ローカルにK8s環境を作れるMicroK8sです。これはSnapコマンドを実行することで構築さ
Pinscreenなど、1枚の顔画像からモバイル端末に写実的な3Dアバターを作成し、自身の顔を介して動かせるdeep learningモデル「paGAN」を発表 | Seamless
Pinscreenなど、1枚の顔画像からモバイル端末に写実的な3Dアバターを作成し、自身の顔を介して動かせるdeep learningモデル「paGAN」を発表 2018-11-26 Pinscreen、南カリフォルニア大学、USC Institute for Creative Technologiesの研究者らは、1枚の入力顔画像から、モバイル端末に3Dアバターを作成し、自身の表情を介して制御できるdeep learningモデル「paGAN（photoreal avatar GAN）」を発表しました。 論文：paGAN: Real-time Avatars Using Dynamic Textures 著者：Koki Nagano, Jaewoo Seo, Jun Xing, Lingyu Wei, Zimo Li, Shunsuke Saito, Aviral Agarwal, Je
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
fast.ai—Making neural nets uncool again – fast.ai
TPU.pdf
juggernaut.rs
読む機械──自然言語処理の新たな地平
自動微分を実装して理解する（前編） - Qiita
GitHub - japan-medical-ai/medical-ai-course-materials
