MSと協業拡大、PFNが深層学習モデル相互運用プロジェクト「ONNX」参加
日本マイクロソフト 執行役員 最高技術責任者（CTO）の榊原彰氏は、2018年1月18日開催のプレスラウンドテーブルの場で、マイクロソフトとPreferred Networks（PFN）の戦略協業の進展について説明した。 マイクロソフトとPFNは2017年5月に、Microsoft AzureとPFNの深層学習フレームワーク「Chainer」との親和性を高めるための技術協力、2社共同で深層学習分野の人材育成を行うことなどを柱とした戦略協業を発表していた。 その後、具体的な取り組みとして、（1）Chainerを搭載したデータサイエンス仮想マシン（DSVM、深層学習ツールを構築済みのAzure仮想マシンイメージ）の提供、（2）Azure上のGPU搭載仮想マシンとInfiniBandの環境に「ChainerMN」をセットアップ済みの仮想マシン「ChainerMN on Azure」の提供、（3）
知財訴訟保護プログラム「Azure IP Advantage」がAzure Stackもカバー
こんにちは、さとうなおきです。「週刊アジュール」では、先週の1週間に発表されたMicrosoft Azureの新機能から、筆者の独断と偏見で選んだトピックについて紹介していきます。 深層学習分野におけるPFNとの協業の進展 2017年5月のde:code 2017カンファレンスで、深層学習（ディープラーニング）分野におけるMicrosoftとPreferred Networks（PFN）の協業が発表されていました（関連記事1、2）。 今回、この協業の進展についての発表があり、PFNの深層学習フレームワーク「Chainer」が、MicorsoftとFacebookの共同プロジェクト「ONNX（Open Neural Network Exchange）」をサポートすることが発表されました。詳細は、次のリソースをご覧ください。 プレスリリース「深層学習分野における Preferred Netwo
チューリッヒ大学ら、車と自転車で収集したデータを学習し歩行者や障害物を安全に回避する自律飛行ドローンを構築できるCNNを発表。屋内にも適応可能
チューリッヒ大学ら、車と自転車で収集したデータを学習し歩行者や障害物を安全に回避する自律飛行ドローンを構築できるCNNを発表。屋内にも適応可能 2018-01-25 チューリッヒ大学とNCCR（National Centre of Competence in Research）の研究者らは、車や自転車を模倣するように歩行者や障害物を回避したりする自律飛行ドローン（UAV）を構築できる機械学習システム「DroNet」を発表しました。 論文：DroNet: Learning to Fly by Driving 著者：Antonio Loquercio, Ana I. Maqueda, Carlos R. del-Blanco, Davide Scaramuzza 本稿は、操舵角と衝突確率を予測することにより、都市環境で安全な飛行を行うことができるCNN（Convolutional Neural
Intuitive RL: Intro to Advantage-Actor-Critic (A2C) | HackerNoon
Too Long; Didn't ReadReinforcement learning (RL) practitioners have produced a number of excellent tutorials. Most, however, describe RL in terms of mathematical equations and abstract diagrams. We like to think of the field from a different perspective. RL itself is inspired by how animals learn, so why not translate the underlying RL machinery back into the natural phenomena they’re designed to
Facebook、リアルタイムで体のポーズを検出し、人を背景から分離させる新しい機械学習フレームワーク「Mask R-CNN2Go」を発表。モバイル使用も可能
Facebook、リアルタイムで体のポーズを検出し、人を背景から分離させる新しい機械学習フレームワーク「Mask R-CNN2Go」を発表。モバイル使用も可能 2018-01-26 Facebookは、リアルタイムで体のポーズを正確に検出し、人を背景から分離させる新しい技術「Mask R-CNN2Go」を発表しました。 本技術は、ResNetに基づいたMask R-CNNフレームワークを用いており、画像内のオブジェクトを検出すると同時に、キーポイントを予測し、オブジェクトごとにセグメンテーションマスクを生成します。 また、NNPack、SNPE、MetalなどのモバイルCPUとGPUライブラリを利用することで、モバイル計算速度を大幅に向上させ、スマートフォンでの実行も可能にします。 現在は研究段階ですが、将来的にはボディマスクの作成、ジェスチャゲームの制御などの新しいアプリケーションで使用
AWS Deep Learning AMIs now come with TensorFlow 1.5.0 and new Model Serving Capabilities
The AWS Deep Learning AMIs are a quick and easy way to get started with machine learning. The AMIs with Source Code now come with TensorFlow 1.5.0-rc1 which supports NVidia CUDA 9 and cuDNN 7 drivers that take advantage of the V100 Volta GPUs powering the EC2 P3 instances. The Conda-based Deep Learning AMIs now come with the latest framework versions of Caffe, Keras 2.1.3, Microsoft Cognitive Tool
ソニー開発のNeural Network Console入門--販売終了
AIシステムの構築案件が急増しています。近い将来、AIなしのビジネスも生活も、考えられなくなるでしょう。データサイエンティストや先進プログラマに限らず、一般SEや理工系の学生層にまで、ディープラーニングに対する学習意欲が広がっているのは当然のことです。そうした方々にとって最初のハードルは、手法（理論）を説明する数式が難解なこと。もう1つは、実装のためのコーディングです。 そこで本書では、知っておくべき3つの手法だけを、気鋭のデータサイエンティストが丁寧に解説します。数式を一切使わず、①全結合型・②畳み込み型・③再帰型のニューラルネットワークの手法を図で紹介します。そして、ソニーが開発した注目のディープラーニングツール「Neural Network Console」を使用し、ドラッグ＆ドロップ操作でニューラルネットワークを構築し、ボタン１つで処理を実行、結果を評価できます。 本書ではこの究極
Resources - AI at Meta
Cutting-edge open source frameworks, tools, libraries, datasets and models for research exploration to large-scale production deployment.
Facebook、Deep learningベースのコンピュータビジョン物体検出アルゴリズム「Detectron」をオープンソース化。活用した研究論文も多数公開済み
Facebook、Deep learningベースのコンピュータビジョン物体検出アルゴリズム「Detectron」をオープンソース化。活用した研究論文も多数公開済み 2018-01-24 Facebook AI Research（FAIR）は、Deep learningを用いたコンピュータビジョン・オブジェクト検出アルゴリズム「Detectron」をオープンソースにて公開しました。 Detectronは、Facebookが開発したDeep learningフレームワーク「Caffe2」上に構築した物体検出を可能にするプラットフォームです。GitHubにてApache License 2.0下で提供されます。 また、FAIRでは、Detectronを活用した研究もすでに進められており、論文も多数公開されています。 [1612.03144] Feature Pyramid Networks f
松尾 豊 on Twitter: "東京大学のDeep Learning基礎講座の演習コンテンツを無償公開しました。主に研究者向けに松尾研で作成したもので、GPUを利用してモデルを学習するような実践的な内容になっています。ご興味ある方はぜひ。 https://t.co/PGy8D5DlXa"
東京大学のDeep Learning基礎講座の演習コンテンツを無償公開しました。主に研究者向けに松尾研で作成したもので、GPUを利用してモデルを学習するような実践的な内容になっています。ご興味ある方はぜひ。 https://t.co/PGy8D5DlXa
Deep Learning for Sentiment Analysis : A Survey
Deep learning has emerged as a powerful machine learning technique that learns multiple layers of representations or features of the data and produces state-of-the-art prediction results. Along with the success of deep learning in many other application domains, deep learning is also popularly used in sentiment analysis in recent years. This paper first gives an overview of deep learning and then
東大松尾研が「Deep Learning基礎講座演習コンテンツ」を無償公開 | Ledge.ai
東京大学の松尾研究室が、東大で行われているDeep Learning基礎講座演習コンテンツを無償公開しました。 公開されたのは、演習パートのコンテンツ。講義パートはどうやら別途公開されるそう。 コンテンツの内容はざっくり下記。 演習中心での学習GPUを利用したモデル学習を学ぶ実際にモデルを学習させながら技術を習得研究者向けコンテンツJupyter notebook形式での配布コードは全てTensorFlow (TM)と標準的なライブラリ（Numpy, Scipy, Scikit-learn等）で構成 松尾教授のツイッターによれば、主に研究者向けに作成したもので、GPUを利用してモデルを学習するような実践的な内容となっているとのこと。 東京大学のDeep Learning基礎講座の演習コンテンツを無償公開しました。主に研究者向けに松尾研で作成したもので、GPUを利用してモデルを学習するような
Lectures | Deep Learning JP
Deep Learningや最新の人工知能技術について学びませんか？ Deep Learning技術の登場により、人工知能技術が飛躍的に向上し、ありとあらゆる産業と社会のあり方に大きな影響を与えています。これからの社会では、どんな産業でどんな業種に携わるとしても、人工知能技術の影響を受けることになるでしょう。Deep Learning JPでは、そのような人工知能技術が重要な役割を果たす社会の到来に備え、以下の活動を行っています。 Lectures 2015/10 2016/01 2016/04 2016/10 2017/01 2017/04 2017/10 2018/01 2018/04 2018/07 2018/10 2019/03 2019/04 2019/10 2020/04
Neural Network と決定木の融合 - Qiita
はじめに 最近、決定木とNeural Networkを融合した研究をちょくちょく見かけます。 その多くが、2つの手法を融合することで、決定木のわかりやすさとNeural Networkの表現力の高さを両立させることを目指しています。 今回はその中でも最近発表された、End-to-end Learning of Deterministic Decision Trees という論文の手法を実装したので紹介してみたいと思います。 アルゴリズムの実装および実験で使用したコードは僕のgithubに上げてあります。 決定木の確率モデル 以下、分類問題を想定します。この論文では決定木の各ノードの分岐関数にNeural Networkを用います。 各Neural Networkはそのノードにたどり着いたデータを入力とし、決定木を右に進むか、左に進むかという確率値を出力します。各リーフにはそのリーフに辿りつ
TopicRNN: A Recurrent Neural Network with Long-Range Semantic Dependency
In this paper, we propose TopicRNN, a recurrent neural network (RNN)-based language model designed to directly capture the global semantic meaning relating words in a document via latent topics. Because of their sequential nature, RNNs are good at capturing the local structure of a word sequence - both semantic and syntactic - but might face difficulty remembering long-range dependencies. Intuitiv
NIPS 2017 Workshop: Deep Learning At Supercomputer Scale
NIPS 2017 Workshop: Deep Learning At Supercomputer Scale Five years ago, it took more than a month to train a state-of-the-art image recognition model on the ImageNet dataset. Earlier this year, Facebook demonstrated that such a model could be trained in an hour. However, if we could parallelize this training problem across the world’s fastest supercomputers (~100 PFlops), it would be possible to
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
このページを見るには、ログインまたは登録してください
GitHub - HirokiNakahara/GUINNESS: GUINNESS: A GUI-based binarized deep Neural NEtwork SyntheSizer toward an FPGA
GitHub - facebookresearch/Detectron: FAIR's research platform for object detection research, implementing popular algorithms like Mask R-CNN and RetinaNet.
FloydHub Blog
