MobileNet(v1/2)、ShuffleNet等の高速なモデルの構成要素と何故高速なのかの解説 - Qiita
はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、カーネルサイズを$K \times K$、出力チャネル数を$M$とすると、一般的な畳み込み層の計算量は、$H W N K^2 M$となる。 これは、入力特徴マップの1箇所につき畳み込みのコストが$K^2 N$で、これを入力特徴マップの$H W$箇所に適用する
ディープラーニングの実装「基礎の基礎」 ～ディープラーニング入門｜第4回（最終回） - アイマガジン｜i Magazine｜IS magazine
本連載では過去3回にわたって、ニューラルネットワークおよびディープラーニングの理論的な側面を紹介してきた。最終回となる今回は、これまでの知識を前提に、ディープラーニングライブラリを使ったプログラム実装について解説する。 ディープラーニングの開発環境 実装の具体的な解説に入る前に、開発環境について簡単に触れておきたい。 現時点（2017年2月）では、NVIDIAのDIGITSなどGUIの開発環境もあるが、ディープラーニング開発用ライブラリを使ったカスタム開発が一般的である。プログラミング言語ごとにさまざまなライブラリが提供され、日々改善されている。新しいライブラリも継続的にリリースされており、ディープラーニングの進化の速さがうかがえる。 ライブラリが提供されている開発言語は、C++、Python、Javaなどであるが（図表1）、言語自体の人気もあってかPython用ライブラリが最も充実してお
再帰型ニューラルネットワークの「基礎の基礎」を理解する ～ディープラーニング入門｜第3回 - アイマガジン｜i Magazine｜IS magazine
前回は、ディープラーニングの中でも、とくに画像認識で利用される畳み込みネットワークを取り上げた。画像認識はディープラーニングの応用分野として、最も研究が盛んで、適用事例も多いエリアである。しかし、そのほかの分野でもさまざまな形での応用が進められており、そこでは畳み込みネットワーク以外の手法が利用されることも多い。 今回は、それらの中から「再帰型ニューラルネットワーク」と呼ばれる手法を取り上げて解説する。 ある時刻の値は、以前の 時刻の変化の延長上にある 再帰型ニューラルネットワーク（Recurrent Neural Network：以下、RNN）は、ニューラルネットワークを拡張して時系列データを扱えるようにしたものである。ここで言う時系列データとは、ある時間の経過とともに値が変化していくようなデータを指し、店舗の日次売上データやホームページのアクセス数履歴、工場設備のセンサデータなど、多種
畳み込みネットワークの「基礎の基礎」を理解する ～ディープラーニング入門｜第2回 - アイマガジン｜i Magazine｜IS magazine
ディープラーニングにはいくつかの手法が存在するが、そのなかで最も成功しているのが、畳み込みネットワークである。畳み込みネットワークは主に画像認識で用いられ、その圧倒的な精度ゆえにディープラーニングが注目される1つの要因を作り出した手法でもある。 畳み込みネットワークによる画像認識は応用範囲が広く、自動運転、監視カメラ、オンラインショッピングの商品検索など、さまざまな分野で活用が進んでいる。また少し変わったところでは、アルファ碁の碁盤の局面認識にも利用されており、その認識精度の高さがアルファ碁の強さの一因にもなっている。 連載第2回では、この畳み込みネットワークを取り上げる。 ImageNet 2012で注目を 集めた畳み込みネットワーク 世界中のコンピュータビジョン関連の研究者たちが集まる「ImageNet Large Scale Visual Recognition Challenge」
ニューラルネットワークの「基礎の基礎」を理解する ～ディープラーニング入門｜第1回 - アイマガジン｜i Magazine｜IS magazine
現在、自動運転、スマートフォン、新薬開発など、さまざまな領域で人工知能、コグニティブの応用が進められているが、それとともに「ディープラーニング」（深層学習）と呼ばれる技術が注目を浴びている。ディープラーニングは、ある意味で「人間のように考える」ことができ、昨今の人工知能・コグニティブ・ブームを作り出した1つの要因ともなった技術である。本連載では、このディープラーニングの技術的な概略と代表的な手法およびその実装方法を取り上げる。第1回は、ディープラーニングの基礎であるニューラルネットワークを中心に解説を進める。 思考するアルゴリズム 280手目、黒の投了。全5局で行われたチャンピオン イ・セドルvs人工知能の囲碁対決は、最終戦も人工知能の勝利で幕を閉じた。最終戦績は、人工知能側の4勝1敗で、完全勝利と言えるものだ。勝利した人工知能は、Google傘下のDeepMind社が開発した「アルファ碁
M5StickVでセグメンテーションモデルを動かしてみた - 忘れそうな内容をメモしています
前回、tensorflowのチュートリアルの「Image segmentation」をもとに作ったモデルをM5StickVに載せようとしたところ、モデルサイズが大きすぎて断念しましたが、どうしてもM5StickVで動かしたくて仕方がないのでモデルに手を入れてみました。 shintarof.hatenablog.com 手を入れたと言っても「Define the model」のエンコーダとデコーダの層を以下のように減らしただけです。 エンコーダ # Use the activations of these layers layer_names = [ 'block_1_expand_relu', # 32x32 'block_3_expand_relu', # 16x16 'block_6_expand_relu', # 8x8 'block_13_expand_relu', # 4x4 '
WiFiミニラジコンカー M5StickCar - 趣味TECHオンライン | 趣味のモノづくりを応援するオンラインメディア
M5StickCを用いて製作したWiFiミニラジコンカー「M5StickCar」を紹介いたします。 ＜投稿者：HomeMadeGarbage＞ 2児と夫婦の4人5脚。手作りを基調に生活しています。お父ちゃんは電子工作、お母ちゃんは音楽制作やweb周りを得意とする。子供たちは元気に成長することを得意とする。 twitter.com homemadegarbage.com welno.homemadegarbage.com はじめに このオレンジのにはいろんなものが詰まっているのでスマホで制御もおてのもの。#Blynk #M5StickC #M5stack #ESP32 pic.twitter.com/WZvzeURQDh — HomeMadeGarbage (@H0meMadeGarbage) June 15, 2019 はじめまして。HomeMadeGarbageのお父ちゃんと申します。早
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
A Simple Baseline for Fast and Accurate Depth Estimation on Mobile Devices
GitHub - AIWintermuteAI/aXeleRate: Keras-based framework for AI on the Edge
Micro FPV Boat From Drone Parts
Shinichi-Ohki’s gists