GoogleのAutoML Visionをラーメン二郎データセットを使って試しました、学習時間に対する識別精度や推論の処理時間等を含め詳しく紹介します。 (Google Developers ML Summit Tokyo vol 3 発表資料) https://events.withgoogle.com/mlsummit-tokyo-vol3/Read less
![「AutoML Vision 事例 〜 AutoML Visionでラーメン二郎全店舗識別を試す 〜」](https://cdn-ak-scissors.b.st-hatena.com/image/square/94a84367f172188bec081d0b4fc7079ca798e2ac/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fimgautomlvisionknjcode-190711015817-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 http
【2019/09/12 追記】 この資料は旧版であり、最新版が存在します。 2019/09/12 にアップロードしたものをご参照ください 最新版 → https://www.slideshare.net/AmazonWebServicesJapan/db-20190905 --------(元の文)------------------- 2019/05/09 に #AWSLoft Tokyo で開催されたイベント、「イチから理解するサーバーレスアプリ開発」における講演資料の一つです。 ・サーバーレスアプリケーションにおいて Amazon DynamoDB が利用しやすい理由 ・RDB と DynamoDB の設計プロセス・考え方の対比・明文化 ・実例に沿った DynamoDB の設計プロセス解説とサンプル例題 などを含みます。 イベント: https://understandingbasi
- The ABEJA platform provides an AI platform that allows for faster circulation of high-volume data through its capabilities in data collection, storage, training, deployment, inference, and retraining. - It offers AI-Ops solutions for businesses through machine learning to efficiently annotate large datasets and achieve high-performance pattern recognition. - ABEJA aims to advance the state-of-th
This document discusses deep learning approaches for video object tracking, including using fully convolutional networks to learn discriminative features for localization (conv4-3 vs conv5-3), multi-domain convolutional neural networks, correlation filter based tracking using end-to-end representation learning, recurrent neural networks for tracking, spatially supervised recurrent convolutional ne
2017年12月に開催されたパターン認識・メディア理解研究会(PRMU)にて発表した畳み込みニューラルネットワークのサーベイ 「2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.ILSVRCでは毎年のように新たなCNNのモデルが提案され,一貫して認識精度の向上に寄与してきた.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている. 本稿では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,代表的なモデルについて複数のデータセットを用いて学習および網
3. 何をすれば死なずに済むか 1. 公式ページをざっと眺める 2. 初心者向けの解説ページ・紹介ページを見る 3. 構成のイメージを掴む 4. 公式のドキュメントを読む 5. 「最小構成」で構築をしてみる その他 1. 書籍を読む 2. Twitterを監視する 3. ソースコードを押さえる 4. メーリングリストを購読する 4. 公式ページをざっと眺める(ゴールを知れ) • 担当しなければならない製品の公式ページを見る • 公式ページでは製品を利用してもらうために様々な情報を公開している • そういった情報の中から以下を押さえる • 何ができるのか • どういう目的で作られたのか • など • 製品と利用目的が一致しているかどうかを確認する • 公式ページを見ても何がしたいかわからない場合はその公式が悪い • 力不足でわからない場合は前提知識不足の可能性がある。 • スクリーンショット
【16-E-4】残業ゼロで開発スピードが10倍に!もう元の開発体制には戻れないデンソー流のアジャイル開発
2. 自己紹介 • 修士: 東大情報理工 • 博士: 京大情報学 • 現在: 科学技術振興機構(JST) 研究員 – 日中・中日機械翻訳実用化プロジェクト (2013-2017年度) • NLP若手の会2017年委員長 http://yans.anlp.jp • NLP2018大会プログラム委員 2 3. 目次 • NMTの基礎 – SMTとNMTとの比較 – Encoder-decoderモデル – Attention-based NMT – NMTの特徴と短所 • NMTの課題 – 扱える語彙数が少ない – 訳抜けと重複 – 何を学習しているのかわ からない • NMTのその他の話題 – 多言語翻訳 – Low/Zero-resource翻訳 – モデルの軽量化 – 特殊タグの埋め込み – RNN以外のNMTモデル • まとめ 3 4. 目次 • NMTの基礎 – SMTとNMTとの比
3. サーバーレスアーキテクチャ #とは • 視点1:3種類の「サーバ」を捨てていく 1. 自分で管理する物理的・仮想的な「サーバ」を捨てて、 上の「機能」だけを利用する 2. プロビジョニング単位としての「サーバ」を捨てて、 確保サーバ数から消費したリソース量への転換 3. 処理全体に責任を持つ「指揮者としてのサーバ」を捨てて、 リアクティブな非同期メッセージングでシステムを構成 • 視点2:クラウドが提供する「ありもの」を最大限に活用する 4. 続きは書籍で! • SoftwareDesign 2016/04号 • 電子版が技評で買えます https://gihyo.jp/dp/ebook/2017/978-4-7741-8409-8 • サーバーレスの薄い本 • 電子書籍版 https://gumroad.com/l/memotr201608 • ダイジェスト https://www
2. 自己紹介 • 鍋島 公章 (なべしま まさあき) • 国産CDN (J-Stream CDNext)やってます • 大抵の機能(HTTP/2、動的ファイルのキャッシュ、CDN API、…)は実装 • 値段はCloudFrontの半額程度 • 代理店募集中 • 無料アカウントの発行 • エンジニア向けCDN教育(1日コース) • 担当SEのアサイン • WordCampにブースも出しています • セキュリティCDN(Incapsula)も売ってます • DDoS対策+WAF+CDN+セキュリティオペレーションセンタ © 2016 J-Stream Inc. All Rights Reserved. 2 3. はじめに • WordPressのCDN化 • イメージのみのCDN化(CDNオブジェクト配信) • プラグインで簡単に設定できる • html生成ボトルネックが残る(同時接続X百
1. SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient Lantao Yu† , Weinan Zhang† , Jun Wang‡ , Yong Yu† †Shanghai Jiao Tong University, ‡University College London {yulantao,wnzhang,yyu}@apex.sjtu.edu.cn, j.wang@cs.ucl.ac.ukd 第35回 強化学習勉強会 2016/10/05 関根 嵩之 2. 概要 • GAN(Generative Adversarial Nets)は生成モデルの学習にそれを支 援する識別モデルを用いたもの • 画像などの現実のデータの生成において大きな成功を収めた • しかしGANは離散トークンの系列に対しては上手く働かない
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