【日本の新技術・謎技術】AI開発を加速する高速格安計算機（喜多充成のCEATEC JAPAN“虫の眼”レポート #13）- INTERNET Watch
論文まとめ：Gated Recurrent Convolutional Neural Network for OCR - Qiita
はじめに NIPS2017から、J. Wang らの Gated Recurrent Convolutional Neural Network for OCR をまとめてみた。 NIPS2017の論文ページはこちら。 http://papers.nips.cc/paper/6637-gated-recurrent-convolution-neural-network-for-ocr 著者らのコードはこちら。 https://github.com/Jianfeng1991/GRCNN-for-OCR 概要 OCRタスクのモデル RCNN(recurrent convolutional neural network)に gate を加えた GRCNN(Gated RCNN)を用いた この gate はRCL(recurrent convolution layer)における context mo
DLLAB Hackathon September (2018/09/08 13:00〜)
Deep Learning Labとは？ Deep Learning Labとは、Chainerを提供するPreferred Networksと、Azure クラウドを提供するMicrosoft による、深層学習に関する「最新技術をビジネスで活用している事例」や「最新の技術動向」を共有することで、深層学習技術者の裾野を広げ、実社会での利用拡大を図ることを目的としたコミュニティです。 Deep Learning Lab 第一回ハッカソン開催 あなたの深層学習プロジェクト、例題で止まっていませんか？ 実務課題に近いデータに対してのアプローチ方法、モデルのチューニング方法、精度をあげる方法が学べるハッカソンを9月8日(土) ,日本マイクロソフト本社(品川)にて開催。 テーマ：画像処理(CNN)で実務課題に挑戦 今回は「ポテトチップスの画像分類」です。 実務課題に近く、実力がつく比較的難易度が高め
Sadly, I must say goodbye to Leaf (my programming language) – Musing Mortoray
Sadly, I must say goodbye to Leaf (my programming language) This is hard to write, or rather, it’s a hard decision to make. After investing many years on Leaf — a programming language, a major life project — I need to take a break from it. It’s no longer fulfilling my goals, and it’s not as fun as it once was. It’s interfering with my other career priorities. Leaf has become part of my identity, a
DeepCluster 論文の紹介
Facebook AI Research による論文「Deep Clustering for Unsupervised Learning of Visual Features」の解説資料 https://arxiv.org/abs/1807.05520
SNSにディープラーニングを応用する方法
～ ニューラルネットを利用して、あなた個人の行動について、あなたよりも詳しく学習する方法 ～ SNSのインスピレーションの最たるものは、人間の脳だと言われています。 ニューラルネットで使用されている、データを収集しそれを別のものに応用するという作業は、人間の脳のニューロンが何かを学ぶ際に実際に行っていることです。 科学的な視点から言うと、ニューラルネットはそれほど大きなニュースではありません。 私は以前、既に観測されたデータ群から汚染されているデータを予測するためにニューラルネットを使用しました。 更に、ニューラルネットをスマートフォンの音声認識の精度を高めるために活用しました。 この分野の新しい技術的な挑戦は、我々の人格をデジタル化し、それを取りまとめて販売可能な状態に落とし込むことです。 好きなバンドに関することをSNSに投稿したり、アップロードしたりするような行為は、通常１０代を終え
AWS Deep Learning AMIs now Support Framework Interoperability Using ONNX - AWS
AWS Deep Learning AMIs now Support Framework Interoperability Using ONNX AWS Deep Learning AMIs now come pre-installed with Open Neural Network Exchange (ONNX), an open source format for neural network computational graph supported by popular deep learning frameworks, including Apache MXNet, TensorFlow, PyTorch, Chainer, and Cognitive Toolkit (CNTK). ONNX gives developers the flexibility to migrat
OpenStackだけじゃない「OpenStack Days Tokyo 2018」、8月2日・3日に開催
日本OpenStackユーザ会のOpenStack Days Tokyo 2018実行委員会は、2018年8月2日～3日、年次カンファレンス「OpenStack Days Tokyo 2018」をベルサール東京日本橋で開催する。今年はOpenStackの枠を越えて、様々なクラウドプラットフォームを横断するオープンフレームワークやミドルウェアに注目する「Cloud Native Days」を併催する。 日本のユーザ会から発祥しグローバルイベントに成長したOpenStack Daysは、今回で6回目の国内開催になる。今回のテーマは「Toward Cloud Native」。OpenStack Days Tokyo実行委員長の長谷川章博氏は、「クラウドでVMを動かすだけではなく、クラウドを“よりクラウドらしく”使うためには何が必要なのかについては、まだ議論がしつくされてない」と説明。今回は、クラ
集合データを学習するモデルの紹介 - ZOZO TECH BLOG
（Icon Credit *1） こんにちは。スタートトゥデイ研究所の後藤です。 今回は、集合を入力として扱うネットワークモデルの紹介をしたいと思います。機械学習の多くのモデルは、固定長の入出力や順序のある可変長の入出力を扱うように設計されます。画像データやテーブルデータは各サンプルの入出力の次元を合わせて学習しますし、自然言語処理のコーパスや時系列データは入出力の順序を保持して利用します。 その一方で、可変長で順序のない集合データを扱うモデルの研究は最近になって取り組み始められたばかりです。我々が研究しているファッションの領域において、入力データを集合として扱いたくなる状況がたびたびあるため、理解を深めておきたい問題設定です。 コーディネートをアイテムの集合とみなす コーディネートに使われたアイテムの例 コーディネートをアイテムの組み合わせとして捉えた場合、1つのコーディネートはアイテム
Image Colorization Using CNN With OpenCV
Sometimes technology enhances art. Sometimes it vandalizes it. Colorizing black and white films is an ancient idea dating back to 1902. For decades many movie creators opposed the idea of colorizing their black-and-white movies and considered it vandalism of their art. Today it is accepted as an enhancement to the Sometimes technology enhances art. Sometimes it vandalizes it. Colorizing black and
直感 Deep Learning
直感的かつ短いコードでアイデアを形にできるKerasはTensorFlowのラッパーとして大人気のライブラリです。本書でもTensorFlowをバックエンドとして使用し、自然言語処理、画像識別、画像生成、音声合成、テキスト生成、強化学習、AIゲームプレイなどさまざまなモデルをPythonとKerasで実装します。対象読者は、各種のディープラーニングを素早く実装したいプログラマー、データサイエンティスト。ディープラーニングを支える技術の速習にも好適です。数式はなるべく使わずにコードと図で説明します。ニューラルネットワークおよびPython 3の基本を理解している人であれば誰でも始めることができます。 目次 訳者まえがき まえがき 1章 ニューラルネットワークの基礎 1.1 パーセプトロン 1.1.1 最初のKerasのコードの例 1.2 多層パーセプトロン：最初のネットワークの例 1.2.1
VTA: An Open, Customizable Deep Learning Acceleration Stack
VTA: An Open, Customizable Deep Learning Acceleration Stack Thierry Moreau(VTA architect), Tianqi Chen(TVM stack), Ziheng Jiang†(graph compilation), Luis Vega(cloud deployment) Advisors: Luis Ceze, Carlos Guestrin, Arvind Krishnamurthy Paul G. Allen School of Computer Science & Engineering, University of Washington Hardware acceleration is an enabler for ubiquitous and efficient deep learning. Wit
Documenting Python Code: A Complete Guide – Real Python
Watch Now This tutorial has a related video course created by the Real Python team. Watch it together with the written tutorial to deepen your understanding: Documenting Code in Python Welcome to your complete guide to documenting Python code. Whether you’re documenting a small script or a large project, whether you’re a beginner or a seasoned Pythonista, this guide will cover everything you need
文字の図形的な埋め込み表現 Glyph-aware Character Embedding
「文字の図形的な埋め込み表現」は、文字の図形的な情報から埋め込み表現を学習したデータセットです。文字の意味や文章中の文脈などのセマンティクスから構成する分散表現とは違い、文字の形状という視覚的な特徴を学習しています。それぞれの文字に対する埋め込み表現の近さを計算することで、似た形の文字を推定することができます。 ダウンロード 下記のGitHubレポジトリからダウンロード可能です。以下のURLを開いて「Download」をクリックしてください。 convolutional_AE_300.tar.bz2 (解凍前:88MB, 解凍後:180MB) 以下の2つのファイルが入っています。フォーマットが異なるだけで、どちらも同じベクトルデータです。 convolutional_AE_300.bin convolutional_AE_300.txt その他サンプルコードなどのすべてのファイルは、以下の
[WIP] WSL で Movidius Neural Compute Stick 使いたい - Qiita
Movidius Neural Compute Stick とは Neural Compute Stick ( 以降、NCS ) は、USB で接続するだけで Deep Learning の高負荷演算のリソースとして利用できるという優れもの。Intel® 社製。 Myriad 2 という VPU ( Vision Processing Unit ) を搭載していて、たった 1W で 100 GFLOPS 以上の性能を持つ。( 凄いのかどうかよく分からんが ) NCS を利用できる Library TensorFlow Caffe NCS を利用できる Platform Ubuntu 16.04 Raspberry Pi 3 Model B MacOS ( Ubuntu 16.04 on VirtualBox ) Windows ( Ubuntu 16.04 on VirtualBox )
![[WIP] WSL で Movidius Neural Compute Stick 使いたい - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/8447fbb4d59bd8b84e4bd750a56495478ab1c279/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMjAxOTglMkZwcm9maWxlLWltYWdlcyUyRjE0NzM2ODI5NDI_aXhsaWI9cmItNC4wLjAmYXI9MSUzQTEmZml0PWNyb3AmbWFzaz1lbGxpcHNlJmJnPUZGRkZGRiZmbT1wbmczMiZzPWNmNmJhODRhMzRkOTdkNjY2ZGRiMmFmOGY1MTEzOWMy%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Da7df1482a57260982de2ae6a289ac2c6%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCV0lQJTVEJTIwV1NMJTIwJUUzJTgxJUE3JTIwTW92aWRpdXMlMjBOZXVyYWwlMjBDb21wdXRlJTIwU3RpY2slMjAlRTQlQkQlQkYlRTMlODElODQlRTMlODElOUYlRTMlODElODQmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz03YWQ4ZjNlYmE0NWM0MDI3OTc2OTBhM2M2ZTNjNGQ0NQ%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBraWt1Y2hpX2tlbnRhcm8mdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz0zZjEyZTg1MDVhNzgzYTUzOGNiZjMxYjEwYzBiNTAwOA%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Da6a6cb116fd53a24a0dee645967b56b3)
Docker環境でPyTorch 〜画像解析〜 #02 モデル訓練&保存編 - Qiita
はじめに 株式会社クリエイスCTOの志村です。 前回の続きです。 この記事に最初に行き着いた方は前回の記事を見ていただき、環境を作るところから始めてください。 Docker環境でPyTorch 〜画像解析〜 #01 環境構築編 今回は、自分がコードを作って上田先輩 にいっぱいコメントを書いてもらいました。 畳み込みってなんやねんって思うところもあると思いますが、ソースコードを分解して役割を明確にしているのでフレームワークに沿った動きの理解はしやすいのではないかと思います。 この記事でやること 前回同様CIFAR10のデータセットを利用し、サンプルコードを改変してモデルの訓練と保存をするところまで進めていきます。 ソースと関連するコメントはコードブロック内に記述します。 この記事でやらないこと Dockerfileを使って公式Imageを元にカスタムImageを作りません AWSのECS,
MITが開発した「Personalized Deep Learning」が自閉症児の意図を読む | Ledge.ai
相手の感情が理解できない…。1つのものに執拗に執着してしまう…。自分の感情を言葉で表現できない…。 このように社会性やコミュニケーション能力が低いという特性を持つという自閉症。ご存知でしょうか？ 主な特徴として、 があり、場合によっては正常に社会生活をおこなうことができないことが多々あります。 自閉症児に対しては、個々の特性を理解し、それに合った環境での療育が不可欠。現在は他人の表情を読み取ることが困難な自閉症児に対して、セラピストが絵や写真を用いてどの表情がどの感情に対応しているか教えており、セラピストと自閉症児の意思疎通は欠かせなくなっています。 一方で、セラピストが感じた自閉症児の気持ちと自閉症児の本人の気持ちの相関関係は5割程度という研究結果もあります。 そこでそのズレをなくそうと、MITが開発したのが「Personalized Deep Learning」。セラピストに代わり子供
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
AnandTech Forums: Technology, Hardware, Software, and Deals
Interview Loop
「機械学習で食生活を豊かにする」ことに挑む物理学博士が思い描く研究とサービスの良い関係（後編）－ クックパッド 菊田遥平氏 - Forkwell Press