t-SNE-CUDAで大規模データの超速次元圧縮&可視化 - Qiita
概要 以前t-SNEの説明記事を書きましたが，t-SNE-CUDAなるパッケージが出ていました． 名前の通りt-SNEをCUDAで高速化するものですが，HPML2018(High Performance Machine Learning 2018 Workshop)で発表されました． 論文 スライド 単にGPU実装がんばりました，だけではなくアルゴリズム上の工夫もしていて， SGDの更新式を物理の知見を用いてAttractive ForcesとRepulsive Forcesの項に分けた上で， 以下の各ステップの計算をCUDAで高速化しているようです． $P_{ij}$の計算 $P_{ij}$と$Q_{ij}$の積 Attractive forcesの計算 Repulsive forcesにおけるBarnes-Hut treeの構築 Replusive forcesのtree走査 低次元空
Installation
Pip binaries are available for Python >=3.6 and CUDA 10.1, 10.2, 11.0, 11.1, 11.2 and 11.3 To install tsne-cuda with pip, run pip3 install tsnecuda. This installs tsnecuda with a CUDA version of 10.2. For this to work, you MUST have both FAISS and intel MKL installed already on your machine - see installation instructions for FAISS: here and installation instructions for MKL on Ubuntu/debian here
最新の次元圧縮法"UMAP"について - Qiita
はじめに こんにちは！ 皆さん次元圧縮手法といえばどのようなものを思いつきますか？ PCA,Isomap,t-SNEなどでしょう。 こちらの記事が大変よくまとめられています。 高次元データの次元削減および2次元プロット手法 今日ご紹介したいのはUMAPという次元削減手法です。 論文がarXivに2018年2月9日に上がったばかりの手法です。 なんと、t-SNEと同程度の次元削減を数倍の速さでできてしまいます。 論文については、リーマン幾何学と代数トポロジーを背景にされているようなのでじっくり読み込んで後日まとめたいと思います。 興味のある方はこちらからどうぞ UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction 使ってみよう なんと早くもライブラリが公開されています。 ひとまず使ってみましょう
高次元データの次元削減および2次元プロット手法 - Qiita
はじめに 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) SklearnのManifold learningの記事を参考にしています． 多様体学習と言われる手法について，sklearnのdigitsサンプルを用いて説明します． 特にt-SNEはKaggleなどでもたまに使用されている，多次元データの可視化に適した手法です． また可視化だけでなく，元のデータと圧縮されたデータを結合することで，単純な分類問題の精度を向上することができます． 目次 データの生成 線形要素に注目した次元削減 Random Proj
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
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
Basic Usage: Python