Demitasse〜DNN高速化ライブラリを公開しました – Tech.D-ITlab | Denso IT Laboratory researcher's blog sites
どうも吉田悠一です． 弊社の近藤がNIPS2016のWorkshopで発表したDemitasseをオープンソースで公開します． “Satoshi Kondo, “Demitasse: SPMD Programing Implementation of Deep Neural Network Library for Mobile Devices”, ML Systems Workshop NIPS 2016 PDF” https://github.com/DensoITLab/Demitasse llvmとispcを使い，Deep Learningの計算を高速化します． Demitasseによれば，iOSデバイス上でもGPUを使わずに数百msecの時間で，Caffe Model Zooによる画像認識を実行することができます． ビルド方法は，githubのリポジトリのドキュメントに書いてありま
「変分ベイズ学習」の学習
機械学習プロフェッショナルシリーズの変分ベイズ学習を読んでいる時に，もっとも引っかかった変分ベイズの停留条件の導出の式展開を真面目にやってみました． 汎関数微分や試験関数の厳密性は勘弁してください・・・・・・． 間違っているところがあれば，指摘いただけるとうれしいです． 自由エネルギー$F$が停留する条件を考えると，それがベイズ事後分布の条件になるよ・・・というところです． ## 自由エネルギー$F$を$r_s$で微分し，汎関数微分の値が常に0となる停留条件を考える． $r_s$の関数として，自由エネルギー$F$を整理する． $\scriptsize{ \begin{eqnarray} F({r_s}) &=& \int {\prod\limits_{m = 1}^S {{r_m}({\omega _m}) \cdot \log \frac{{\prod\limits_{m = 1}^S
CNNのチュートリアル
デンソーアイティーラボラトリの佐藤です。 12/3-4にパシフィコ横浜で開催された、ViEW2015（ビジョン技術の実利用ワークショップ）において、CNN (Convolutional Neural Network) のチュートリアル講演を行いました。その時に使用したスライドを掲載します。 国内における画像系のDeep Learningのチュートリアルは、東京大学の中山英樹先生（スライド）や、中部大学の山下隆義先生（スライド）らによるものが有名です。網羅的かつ分かりやすいため、入門者の方々にはとても参考になると思います。 ぼくのチュートリアル講演では、入門者と中級者のあいだくらいの方々をターゲットにしました。誤差逆伝搬法や活性化関数などは一通り知っているけど、バリバリ使いこなしているとは言えないなあ、といった方々に役立つ知見を盛り込んだつもりです。参考になれば幸いです。
1
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
