なぜcuDNNのConvolutionは高速なのか | 射撃しつつ前転
cuDNNはNVIDIAが公開しているDeep Learning用のライブラリである。このライブラリを使うとCaffeやChainerなどのDeep Learning用のソフトウェアの速度が向上する。 この速度向上に寄与している最も大きな部分がConvolutionの高速化である。 個人的には、CPUでどこまで高速にConvolutionが実現できるのかに興味がある。本記事は、その準備段階として、どういう高速化戦略がありえるのかを調べたものである。 ConvolutionとはConvolutionは、日本語では畳み込みと呼ばれる操作である。畳み込み操作自体は何次元のデータ構造に対しても定義できるが、以下では、画像処理でよく使われる、二次元のConvolutionのみを考える。 何も考えずに普通にConvolutionを実装すると、以下の擬似コードのようになるだろう。ただし、簡単のため、境界
双対分解による構造学習 - Preferred Networks Research & Development
入力\(x\)から出力\(y\)への関数を学習する機械学習の中で、出力が構造を有している問題は構造学習（Structured Output Learning）と呼ばれ、自然言語処理をはじめ、検索のランキング学習、画像解析、行動分析など多くの分野でみられます。 今回はその中でも複数の構造情報を組み合わせても効率的に学習・推論ができる双対分解による構造学習について紹介をします。 # 構造学習についてよく知っているという方は双対分解による構造学習のところまで読み飛ばしてください。 構造学習の導入 構造を有した出力の例として、 ラベル列 （品詞、形態素列の推定、時系列におけるアクションの推定、センサ列） 木 （係り受け解析における係り受け木、構文解析木、談話分析、因果分析） グラフ （DAG:述語項構造による意味解析 二部グラフマッチング:機械翻訳の単語対応） 順位付集合（検索における順位
個人と社会をなめらかにつなぐ、新しいコンテンツのつくり方、届け方。（後編） | ウェブ電通報
鈴木健さんは日米を拠点としたニュースアプリ「SmartNews（スマートニュース）」の共同創設者。その著書『なめらかな社会とその敵』は、インターネット誕生後の複雑化する情報社会における人間や社会の生態学的進化の可能性を示し、「SmartNews」の急速な拡大、成功と共に注目を集めてきた。鈴木さんとtakramの田川欣哉さん、コルクの佐渡島庸平さんは、プログラミングとアート、コンテンツと新しい流通、ビジネス開発プロセスなど、大きなテーマでの関心が重なり、これまで対話を続けてきたという。後編では3人それぞれの「コンテンツの定義、つくり方」をめぐるトークをお届けする。 身体性、操作性が コンテンツの重要なファクターになる 佐渡島：一口に「コンテンツ」といっても、僕たち3人のイメージするものは全然違うかもしれません。お2人は、どんなコンテンツが重要で、これからコンテンツはどう変わっていくと思います
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
