学習率の決め方 -LR range testとCyclical Learning Rate-
本記事について 本記事では、Deep Learningを用いた学習の要となる学習率の決め方、また学習率更新関数の決め方ご説明します。 これから説明する方法は、米国で数多の機械学習エンジニアを輩出している学習講座 fast.ai に取り入れられている手法で、その手法はDeep Learningフレームワークに導入、または導入検討されているものです。 この学習率決定法・更新関数は導入が簡単な割に、精度が数％上昇したり既存の精度までに到達する学習時間(Epoch数)が半分以下なるため、取り入れないのはもったいないと思いから記事にしました。 この記事は fast.ai 及び 論文『Cyclical Learning Rates for Training Neural Networks』を参考しにしています。 初期学習率の決め方: LR range test LR range testとは 初期学習
毎秒1万リクエストの負荷試験をした話 - pixiv inside
はじめまして。ピクシブで広告関連のプロダクトを開発しているeastです。今回は、社内で運用している広告配信サーバーの負荷テストを実施したので、その話をしたいと思います。 経緯 ピクシブの広告配信サーバーは、pixiv本体を中心に複数のサービスに対して広告配信を行なっています。現在私はこの広告配信サーバーの大規模改修を行なっているのですが、先日ついに広告配信サーバーの改修がほぼ完了したので、試しに負荷試験を行なってみたいと思い立ちました。 目標は毎秒1万リクエスト ピクシブの広告配信サーバーへのリクエスト数はDailyで 4〜6億req もあり、これは毎秒平均に直すと約 5,000RPS(Request Per Second) になります。さらに、ピークタイムである休日の深夜帯には 12,000RPS にも達します。つまり新しい広告配信サーバーにも、毎秒12,000のリクエストを捌く性能が必
GAN を使って音楽ジャンルを変換 – Symbolic Music Genre Transfer with CycleGAN
TOP PAPER GAN を使って音楽ジャンルを変換 – Symbolic Music Genre Transfer with CycleGAN GAN によるドメイン変換・スタイル変換の技術を使って，音楽のジャンルを変換する研究です．音楽でドメイン変換する研究は今までにも興味深い研究がありました (このサイトでも紹介された A Universal Music Translation Network など)．この研究では，MIDI 形式データを扱って音楽をシンボルレベルで操作し，楽曲を別のジャンルに自動的にアレンジすることを試みています． 早速，有名曲の1つとして，”Let It Be” のジャンル変換を聞いてみましょう (上が変換前，下が変換後)． これは Pop から Classic へのジャンル変換の一例です．変換結果の曲としての良し悪しは個々人それぞれかもしれませんが，”Let
Neural Best-Buddies (NBB) : 2枚の画像の中で「意味的に」似ている部分を探す
Powered by DLHacks 見た目がなんとなく似ている物体の画像を持っていると、無性に位置の対応をとりたくなってきます。 今回は、Convolutional Neural Network (CNN) を使って画像間の位置の対応付けを行った論文を紹介します。 はじめに 下図のように、2枚の画像を入力して「意味的に」似ている部分（座標と座標の対応）を出力します。 位置の対応は、全 pixel に渡って求めるのではなく、確信度の高い点のみを出力します。 このスパースな位置の対応を Neural Best-Buddies (NBB) と呼びます。 下図では、5つの NBB を出力していることになります。 種類が違う物体であっても、それっぽい対応が取れていることが分かります。 （引用：https://github.com/kfiraberman/neural_best_buddies ）
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
