Differentiable Programming for Image Processing and Deep Learning in Halide
Abstract Gradient-based optimization has enabled dramatic advances in computational imaging through techniques like deep learning and nonlinear optimization. These methods require gradients not just of simple mathematical functions, but of general programs which encode complex transformations of images and graphical data. Unfortunately, practitioners have traditionally been limited to either hand-
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
UMAP (Uniform Manifold Approximation and Projection) is a novel manifold learning technique for dimension reduction. UMAP is constructed from a theoretical framework based in Riemannian geometry and algebraic topology. The result is a practical scalable algorithm that applies to real world data. The UMAP algorithm is competitive with t-SNE for visualization quality, and arguably preserves more of
while my_mcmc: gently(samples) - Hierarchical Bayesian Neural Networks with Informative Priors
Hierarchical Bayesian Neural Networks with Informative Priors Imagine you have a machine learning (ML) problem but only small data (gasp, yes, this does exist). This often happens when your data set is nested – you might have many data points, but only few per category. For example, in ad-tech you may want predict how likely a user will buy a certain product. There could be thousands of products b
Haar測度の構成 - phykmの日記
この記事は好きな証明AdventCalender 2018の10日目です。 adventar.org 次の定理があります。 （局所）コンパクト位相群の左（右）移動で不変な測度（Haar測度）は存在します。 この証明の、おおざっば（）な筋書きを、二通り紹介します。 この２つはほとんど同じことをやっており、まったく同じ飛び道具を使って測度をﾊﾞﾊﾞｰﾝと作ってしまいます。 このﾊﾞﾊﾞｰﾝ部分が無駄にCool（と僕は思った）なので、それをシェアしたいというものです。 １.まずそれは何 Haar測度が何で、それがあるとなぜうれしいかという話をします。 測度というのは（部分）集合の大きさを測るものです。 集合には論理演算ができて、特に排他的和があります。 集合から正実数の割当てでこの排他的和を和にうつす（可算個でもOKなもの）を測度といいます。 測度の定義域は、ある集合族で、集合の（可算個の）和積
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
