はてなブックマーク

はじめに 今回は、近年のDeep Metric Learning (深層距離学習)の発展を再評価して、論文で論じられている程のパフォーマンス向上が実際にはなかったことを実験的に示した論文を紹介しつつ、Deep Metric Learningについて紹介しようと思います。 [2003.08505] A Metric Learning Reality Check この論文は2020/03/18にarXiv上に上がった論文で、この記事執筆段階では採録情報は確認できていません(ただし、フォーマットはECCV的雰囲気)。 実験は、著者のベンチマークツールを使って行っているとのこと。 github.com Deep Metric Learningとは 概要 Deep Metric Learningとは、意味の近い入力画像同士の距離が近く、逆に、意味の遠い入力画像同士の距離が遠くになるような空間に埋め込

はじめに 最近では、Deep LearningのライブラリとしてPyTorchが利用される機会が多くなっています。私自身も以前はTensorflow/Kerasを利用していましたが、現状はPyTorchを使うことがほとんどです。 しかし、PyTorchは実装がしやすいものの、モバイルやエッジデバイスへのデプロイを考える上では不安な点が残ります。今回は、PyTorchを様々なプラットフォーム上で利用することを考えたときにどのような方法があるかを整理します。 モバイル 選択肢の整理 現在、モバイル (iOS/Android)へのデプロイを考えるときにメジャーな選択肢が3つあります。 Core ML (Apple) PyTorchをonnxに変換し、onnxをcoreMLに変換する Tensorflow Lite (Google) PyTorchをonnxに変換し、Tensorflow/Kera

はじめに 先月、YOLOv4が公開されました。位置づけとしては、物体認識のポピュラーなモデルの1つであるYOLO系統の最新版となります。結果がすごいのはぱっと見分かりましたし、内容も既存の手法をサーベイ・実験頑張って、精度上げていったんだなあくらいのさら読みはしていましたが、もう少しちゃんと読んでおこうと思い、読んでみたので紹介します。 私自身は物体認識の研究者というわけではないですが、なんだかんだ物体認識周りの記事をいくつか書いているので興味のある方は以下もご参照下さい。 note.com note.com [DL輪読会]Objects as Points from Deep Learning JP www.slideshare.net さて、このYOLOv4ですが、元々のYOLOの作者であるJoseph Redmon氏は著者ではありません。Jeseph Redmon氏は研究の軍事利用や

ディープラーニングをするときは処理速度を上げるためにGPUを使いたいです。GPUを使わないとなれば、大きなデータセットは扱いたくはないです。この前、CPUでやろうとして3日くらいかかった（途中で諦めた笑）やつもGPUだったらどれだけ楽になったことか。 ところで最近、新しいMacbook Pro(2016 late, 13 inch)を買いました。こいつにはGPUがあるとのことで使う気満々でした。 よし、使ってみよう ひとまず、Tensorflowでやろうと思って調べたら以下のような感じで記事が出てきて、やっぱり出来るんだと嬉しくなりました。 qiita.com qiita.com さて、Tensorflowのドキュメントにもご丁寧にMacのGPUのセットアップ方法が書いてあったので指示通りにやりました。ほんとにちゃんとやりました。 出来ない。なんかエラーが出てうまくいかないのです。 CUD

記事のPV数ランキングを実装したかったので、Redisを利用して実装してみたいと思います。 ちなみに、Redisを使うに至った経緯は、 MySQLにPVテーブルを持たせると負荷上がりそうだから避けたい。 とはいっても簡単にランキング機能を実装したい。 じゃあ、Google AnarithicsのAPIかRedisが良さそう。 Redisで作ったことないしちょっと触ってみるか！ といった感じです。 オススメの実装方法等ランキング機能実装の知見がある方はコメントにてご教示頂けますと幸いです。 というわけで、実装します。今回はlocal環境までしかやっていません。AWSのElasticCacheでproductionは用意しようと思っています。 準備 Rails + Redis + AWSでPV数を保存 こちらの記事が今回方針を立てる上で役立ちました。 $ brew install redis