【機械学習】ChainerでGoogLeNetから画像をファインチューニングでお手軽学習【わずか22行で】:電脳ヒッチハイクガイド:電脳空間カウボーイズZZ(電脳空間カウボーイズ) - ニコニコチャンネル:生活
みんな深層学習してるかな? さて、GoogLeNetとか、みんな好きかな?オレはわりと好き。 なにしろプリトレインドモデルがあるからお手軽なんだよね。そこが好き。 あと、なにしろalexnetはデカすぎる。 なんでこんなにデカイんだ、という感じ。まあ1GBくらいなんだけど、Raspberry Piだと普通に読み込めないほど巨大なのよね。 しかし自分で作ったニューラル・ネットワークにImageNetのILSVRC2012を学習させようとするとやばいことになる。 なんということでしょう。 この圧倒的絶望感 SSDonlyでこのスピードですからね。 9日経っても1エポックすら進んでいないとは 一説によると、GoogleのGPU(TPU?)ファームは3万GPU(Maxwell世代だと合計約1億2千万コア)あるらしく、1000GPU(300万コア)でILSVRC2012の学習に1日かかるらしい。 火
Deep Leaningを使った検索エンジン - にほんごのれんしゅう
■ Deep Leaningを使った検索エンジン - 無職になり数ヶ月が過ぎました。 - 働くということに関していろいろ疑問に思っています。 ■モチベーション： 時間に余裕ができたので、キンドル書籍のランキング・検索サイトをずっとコーディングしていました。検索機能を実装するにあたって、かつての大手の検索エンジンが実装していた単語クエリをキーとしてURLとTFIDFの重みをバリューとした巨大なKVSを構築中です。 key:単語 -> val: [ {URL: http://foo.bar.com, WEIGHT:0.8}, {URL: http://alice.bob, WEIGHT:0.2},…] みたいなデータ構造です。 ランキングは単純でTFIDFが重い順にランキングされます。次の段階として星の数、センチメント分析の結果を考慮したランキングを行いたいと思っています。 この方法は検索時の
Java と Scala の mutable/immutable Map パフォーマンス比較
Java と Scala で標準で用意されている Map 型コレクションに対して要素数に対する CRUD 操作の性能を調べてみました。そもそもの動機は: immutable なコレクションに対して mutable はどれほど優位性があるのか? 要素数による性能の劣化はあるのか? あるなら immutable/mutable のどちらが最適かの選択基準となる規模はどの程度か? という疑問からです。内部実装については Hashtable 時代にソースを読んで理解している程度ですのでそれほど詳しくはないです。 実行環境は以下の通り。 CPUIntel® Xeon® E31230 @ 3.20GHz OSCentOS 5.10 Kernel 2.6.18 JavaOracle Java 8u05 ScalaScala 2.11.1 O(1) 操作の Map 比較 Hash ベースの Map 実装で
Ruby 2.4.0 preview3 での pico_http_parser のベンチマーク - Hateburo: kazeburo hatenablog
Ruby 2.4.0-preview3 で Hash まわりの改善があったということで、pico_http_parser のベンチマークを取ってみた Ruby 2.4.0-preview3 リリース GitHub - kazeburo/pico_http_parser: Fast HTTP Parser using picohttpparser ベンチマークは。pico_http_parser/benchmark 以下のscript。結果としては1.5倍程度パフォーマンスが上がっていることが観測できました。リアルなアプリケーションでも速度アップが見込めるんじゃないかなと思います。素晴らしい ヘッダが0個の時だけパフォーマンスが悪くなるのは、Hashの要素数が少ないときの最適化が変わったのかなと予想
ELVM Compiler Infrastructure - 兼雑記
最近作ってたオモチャがだいたいまとまってきました。 https://github.com/shinh/elvm 第12回 kernel/vm 勉強会で発表した時のスライド: http://shinh.skr.jp/slide/elvm/000.html これは何かというと、前作った bflisp を改良したり整理したりしたもので、 C 言語をシンプルな中間言語 (EIR) に変換する改造 8cc と、その中間言語を Brainfuck をはじめとした他言語に変換するバックエンドから成り立っています。 bflisp との差分は、 Brainfuck 以外のバックエンドを追加しやすくしたり、バックエンドを C で書いて、完全に Brainfuck だけで 8cc.bf を再現することができるようにしたり、という感じです。 特に興味深いであろうバックエンドとしては、 Brainfuck, Unl
【c++】文字列中に含まれる漢字の文字コード取得 - Qiita
漢字の判別 文字列中に含まれている漢字を1つ1つ区別したかったので 文字コードを利用してやってみた. やったこと忘れないための自分用メモ. 文字列に含まれる漢字の文字コードを取得・表示 #include "stdafx.h" #include <stdio.h> #include <iostream> #include <string> #include <vector> using namespace std; //s_jisの全角文字の1バイト目かどうかを判定する関数 int check_s_jis_zenkaku(unsigned char c){ if(((c>=0x81)&&(c<=0x9f))||((c>=0xe0)&&(c<=0xfc)))return 1; else return 0; } //入力された文字列に漢字が含まれているか調べる関数 // 引数 ［charへのポイ
C++シリアライザTheolizerをインストールして使ってみる - Qiita
1.はじめに こんにちは。 つい先日、ここでご紹介させて頂いたTheolizer（セオライザ）をオープンβとしてGitHubで公開しました。 Theolizerはクラスやポインタを含む複雑なデータ構造をファイルへ保存したり、TCP/IP等で通信したりするプログラムの開発を容易にするC++用開発ツール（シリアライザ）です。 C#にはリフレクションがあり、メンバ変数を自動的に列挙できます。だから、クラスのメンバ変数を追加／削除してもシリアライズ用のソース・コードを修正することなく自動的にシリアライズできます。 しかし、残念なことに我らがC++にはリフレクションがなく、クラスのメンバ変数の列挙を自動化できません。そのため、クラスをシリライズするにはboost::serializationのように、メンバ変数を列挙するコードをプログラマ自身が書く必要があります。 そのため、クラス定義を修正した時、
C++用マイクロフレームワーク作ってみた - Qiita
需要は多分ない。 ヘッダオンリーなのでインクルードすれば使えます。 https://github.com/nocotan/otus 依存 Boost cpp-netlib Hello World #include "otus.h" int main() { ots::otus app = ots::otus(); app.route("/", "GET", [](ots::request req){ return "Hello, World!"; }); app.run("localhost", "8080"); return 0; } #include "otus.h" int main() { ots::otus app = ots::otus(); app.route("/", "GET", [](ots::request req){ return ots::render_templ
seq2seqで利用可能な日本語対話データセットをダウンロードするツール - Qiita
knok/make-meidai-dialogue: Get Japanese dialogue corpus というものを作りました。 背景 seq2seq実装をいくつか触ってみて、何かしらの知見を共有したいと思っているのですが、あまり具体例に踏み込んだ話題をなかなか見かけません。 その要因の一つに「日本語」で「対話」の「自由に利用できる」データセットがないことがあるのではないかと考えています。 個人的にTwitterから適度に対話を取得してくるスクリプトを一度作ったことがあったのですが、ノイズが多くかなり手作業でデータをクレンジングする必要がありました。 LSTMで自然な受け答えができるボットをつくったという記事を書かれた人は、ask.fmからデータをクローリングしていますが、やはり苦労はされているようです。 今回作ったもの githubのREADMEにも書きましたが、このツールは日本
何でもSSHでやってしまいませんか？ | POSTD
私はかつて、 ssh-chat というプログラムを書きました。 ssh http://t.co/E7Ilc0B0BC pic.twitter.com/CqYBR1WYO4 — Andrey ???? Petrov (@shazow) December 13, 2014 アイデアは単純なもので、ターミナルを開いてこのようにタイプするだけのことです。 $ ssh chat.shazow.net たいていの人はこの後に続けてlsコマンドをタイプするのでしょうが、ちょっと待って。よく見てください。そこにあるのはシェルではなく、なんとチャットルームですよ！ 詳しいことはわからないけど、何かすごいことが起こっているようですね。 SSHはユーザー名を認識する sshでサーバーに接続するときに、sshクライアントはいくつかの環境変数をサーバーへの入力として渡します。その中のひとつが環境変数$USERです。
Deep Learning の次は、TDA 「トポロジカル・データ・アナリシス」 (Topological data analysis) が来る ? ～ その概要と、R言語 / Python言語 実装ライブラリ をちらっと調べてみた - Qiita
人工知能やデータ解析の領域で、膨大な量のデータから、物体概念（物体識別）や音声・体の運動スキーマ概念を自動的・自律的に獲得できる可能性をもった手法として、Deep Learning（ディープ・ラーニング、「深層学習」）と総称される手法が注目を集めています。 こうした中、一部の研究者やベンチャー企業の経営者・エンジニアの中には、このDeep Learningのさらに先をいくデータ解析手法として、TDA：トポロジカル・データ・アナリシス (Topological data analysis) と呼ばれる手法に着目している方たちがいるようです。 Deep Learningと同じく、人間が脳を使って、五感で得た周囲や自分の体についての感覚情報から、どのようにして周囲の環境空間に対する認識イメージや、物体概念、みずからの身体概念を得ているのか？という「問い」に対して、統計学や確率論のアプローチではな
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
データマイニング・機械学習分野の概要
Index of /event/
活性化関数ReLUについてとReLU一族【追記あり】 - Qiita
masaf.me - Registered at Namecheap.com
20分でおさらいするサーバレスアーキテクチャ 「サーバレスの薄い本ダイジェスト」 #serverlesstokyo
【やじうまWatch】人工知能と機械学習、ディープラーニング、それぞれの違いを紹介したエントリーが有益だと評判