サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
ノーベル賞
mktozk.hateblo.jp
お久しぶりです、@mktozkです。 2ヶ月くらいブログの更新をしてませんでした。 おちこんだりもしたけれど、私はげんきです。 さて、今日はディープラーニングのフレームワークであるChainerに含まれているCupyというライブラリについて話します。 ChainerはCupyを使って様々な計算をGPU (CUDA) で行っています。 今回はこのCupyを使って楽に色んな計算をGPUに投げることを目指します。 ディープラーニングの話は全くしません。 chainer.org この記事を読んだらわかること Cupyの使い方 CupyとNumpyの両方に対応したコードの簡単な書き方 この記事には書いてないこと CUDAカーネルの書き方と使い方 この記事で使用したコードはここかここから取得できます。 ちなみに、Chainerはv1.5.1です。 GPUは速い Cupyとは Cupyの導入 Cupyの
おはようございます、@mktozkです。 先日、Macの新しいOSであるEl Capitanが発表されました。それを受けてちょっとした騒ぎが。 El Capitan では sudo でも /usr に書き込みができなくなる(/usr/local 以下は可)とのことで,ちょっと騒ぎになっている。/usr/texbin というシンボリックリンクを作成して利用していた MacTeX は影響甚大。— Yusuke Terada (@doraTeX) 2015, 6月 10 ということで、正式リリース時に再インストールするかもしれないので、Texの導入方法をまとめておきます。 LuaTex-jaでpdfを出力するところまで行います。 今回はHomebrewでサクッとTex環境を入れます。HomebrewはMacのパッケージマネージャーです。 まず、Homebrewを入れてない人は以下のコマンドをター
追記 (2015-12-13) コードを修正してv1.5に対応しました。さらに、chainer.optimizersを使うようにしました。 deep-goggle-chainer (port https://github.com/aravindhm/deep-goggle to python) · GitHub 追記ここまで こんにちは、@mktozkです。 Chainerでやってみた第2弾です。 chainer.org 今回は入力画像の最適化を行ってみます。 具体的には、Mahendran et al., Understanding Deep Image Representations by Inverting Them, CVPR 2015 をCaffeの学習済みモデルを使ってChainerで実装します。 はじめに 実装にあたって コードなど 実装してみた感想 最後に ちなみに、第1弾
こんにちは、@mktozkです。 ディープラーニングの新しいフレームワークであるChainerが先日リリースされました。 少し遊んでみると、うたい文句通りモデル定義がとても簡単にできると感じました。 ネットワークの学習にはかなり重点が置かれているようです。 が、他がちょっと弱いような... ということで、Chainerのサンプルコードをちょこっと変更して、特徴抽出が簡単にできるようにしてみました。 元にしたコードはMNISTの学習サンプルです。 モデル定義 特徴抽出 まとめ おわりに モデル定義 構造自体はサンプルと同じです。これをsmall_model.pyという名前で保存します。 from collections import OrderedDict from chainer import Variable, FunctionSet import chainer.functions a
このページを最初にブックマークしてみませんか?
『mktozk.hateblo.jp』の新着エントリーを見る
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