TVMのバックエンド開発に参加した話 ～ AMDGPU で PyTorch のモデルを動かす ～ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 先月、ひょんなことがきっかけで、TVM のバックエンド開発に関わっていました。 そのときの成果をブログとしてまとめて、TVM のウェブサイト上に載せました。ぜひご覧ください。 開発の成果の例として、PyTorchで学習したモデルをAMDGPU 向けにコンパイルし、推論を実行、ということができるようになりました。 ここでは、上のブログの内容や、開発に参加するにいたった経緯、開発中のこぼれ話などを紹介したいと思います。 TVM AMDGPUバックエンドの紹介 TVMは、様々なハードウェア向けに Deep Learning 推論用の最適化コー
アレでアレをアレしてみた（自然言語処理で固有名詞をマスキングしてみた） - Qiita
import os import urllib.request import json import configparser import codecs # 解析対象文（input） sentence = "弊社が来年リリースする新製品のmasahiko-012の発表会を東京qiita会館で行いたい" DEVELOPER_API_BASE_URL = "https://api.ce-cotoha.com/api/dev/nlp/" ACCESS_TOKEN_PUBLISH_URL = "https://api.ce-cotoha.com/v1/oauth/accesstokens" CLIENT_ID = "XXXXXX" CLIENT_SECRET = "XXXXXXX" artifact = "アレ" person = "あの人" location = "あそこ" # COTOHA
Gradient Tree Boostingの理論を読み解く - Qiita
はじめに 今回は、XGBoostなどの機械学習において根幹を成している理論、Gradient Tree Boostingについて理解してみる。 XGBoostはKaggleなどのコンペで愛用されている手法だが、その理論を知らずに頼るのはなんか気持ち悪いし、サイエンスではない。また、理論を知ってこそ、それを活用することができると信じているので、一度ここでまとめて見たい。急がば回れである。 ただし、あくまでこれは私が理解している限りを記述したメモ書きであることに注意していただきたい。 なお、以下の内容は、XGBoostの論文のSection2を参考にしている。 Gradient Tree Boosting Gradient Tree Boostingはアンサンブル学習の一つである。 そもそも機械学習の目標は、汎化能力が高い学習器をデータから構築することであるが、その汎化能力を高めるためには以下
1
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
処理を実行中です
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
fuelPHPでPHPUnitを使ったユニット・コントローラーテストをするには - Qiita
