こんにちは、CX事業本部の若槻です。 AWSのコラボレーションツールであるAmazon Chimeでは、2020/11現在のところ、ビデオ会議で人物の背景のみをぼかす「背景ぼかし機能」は提供されておらず、同様にAmazon Chime SDKでも標準の実装としては未提供となります。 そこで今回は、ない機能は自分で作っちゃおうということで、オープンソースの機械学習モデルであるBodyPixを使ってAmazon Chime SDKのビデオ会議の背景をぼかせることを簡単に確認してみました。 BodyPixとは BodyPixとは、ブラウザとTensorFlow.jsを使って人や体の部位が映っている領域を分割（セグメンテーション）できるGoogleのオープンソース機械学習モデルです。 BodyPix - Person Segmentation in the Browser ちなみに、このBodyP

以下の記事を参考に書いてます。 ・Introducing the WebAssembly backend for TensorFlow.js 1. はじめにTensorFlow.js が ブラウザ と Node.js の両方に WebAssembly（WASM）バックエンド を提供するされたことをお知らせいたします。 このバックエンドは WebGLバックエンド の代替であり、最小限のコード変更で高速なCPU実行をもたらします。幅広いデバイスセット、特にWebGLのサポートがないか、GPUが遅いローエンドのモバイルデバイスでのパフォーマンス向上に役立ちます。XNNPackライブラリ を使用して操作を高速化します。 2. インストール新しいWASMバックエンドを使用するには、2つの方法があります。 ◎ NPM // @tensorflow/tfjs または @tensorflow/tfjs-c

tensorflow.js は処理の重さ的に worker で動かしたいのだがまだ WebWorker で動かすと cpu backend に fallback してしまうので、この issue ずっとみてる https://t.co/KYGEQSFwq5— 無糖派層 (@mizchi) July 30, 2019 僕も以前にWebWorker上でTensorFlow.jsを使おうとして WebGL backendで動かないことに気付いて諦めていたのだった。 memo.sugyan.com …と思っていたのだけど、どうも先月くらいの @tensorflow/[email protected] あたりから ChromeではOffscreenCanvasというのを使ってWebWorker上でもWebGL backendで動くようになったようだ。 試してみたところでは 動くのはChromeのみで、Safari

需要予測のメカニズム AIタクシーでは、おもに以下のデータに基づいて需要予測を行っています。 ドコモの携帯電話ネットワークから得られる人口統計情報タクシーから集まる位置情報と乗車数気象情報 ドコモでは、携帯電話ネットワークから得られる情報を元に、日本全国の人口統計を収集しています（携帯電話の利用者個人を特定できる情報は除かれます）。ドコモは、この正確な人口統計情報によって、精度の高いタクシー需要予測が実現したと説明しています。 これらの元データには前処理が施され、およそ 120 次元の入力ベクトルが生成されます。これを以下の 2 つの機械学習モデルの入力データとして利用します。 ディープラーニング モデル統計モデル（特定のエリア向け） このサービスの研究段階で、大半のエリアについてディープラーニングモデルがよい精度を出せ、一方である特定のエリアでは統計モデル（多変量自己回帰）がより高精度を

メルペイSolution Team所属の@shuhei_fujiwaraです。 3月30日にMountain Viewで開催されたTensorFlow DevSummit 2018に参加してきました。 TensorFlow DevSummitとは 年に一度Googleが主催するTensorFlowのTech Conferenceです。 元々TensorFlowの最新情報はGoogle Cloud NextやGoogle I/Oなどのイベントで発表されることが多かったのですが、去年からTensorFlow DevSummitというTensorFlow専門のイベントが始まりました*1。 今年はComputer History Museumの2階を全面貸し切っての開催でした。 Computer History Museumは観光で行っても面白いのでおすすめです。 概要 肝心の内容の話をしましょう

* この投稿は米国時間 10 月 12 日に投稿されたもの（投稿はこちら）の抄訳です。 Postesd by Google Cloud デベロッパー アドボケイト 佐藤一憲 今年はまとまった夏休みが取れたので、息子といっしょに作れる自由研究のアイディアを探していました。結果、できあがったのが、TensorFlow で作った「じゃんけんマシン」です。 この動画の通り、手袋に付けたセンサーを使ってグー、チョキ、パーのいずれかを判定し、それに負けない手を出すマシンです。単純なおもちゃではありますが、隠し味としてTensorFlowを使いました。TensorFlowでとても簡単な機械学習（ML）のモデルを作成し、手袋につないだ Arduino マイクロコントローラでそれを利用して手の形を読み取る仕組みです。ML を便利なツールとして使うことで、面倒くさがりなプログラマーの私でも柔軟かつ正確でしっか

Google Cloud Platform (Google App Engine, Compute Engine, BigQuery や Container Engine など）の情報の日本公式ブログ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? DeepLearningは最近ブームであり,その有名なライブラリとしてTensorflowがあります． この記事ではDeepLearningの基本的な部分を数式を使って書き下すこととTensorflowの使い方を紹介します. 今更っていう気もしますが…，そこは気にしないでおくことにします 主な対象はベクトル空間やテンソル積等をある程度知っているけれど，DeepLearningは知らない人です. なので表記も大学の数学でよく出てくるものしています. なおニューラルネットワークの積分表現には触れません. 三層パーセプトロン ニューラルネット

Google Cloud の技術や製品に関して、活用方法やベストプラクティス、実践的なテクニックなどの共有や交流を目的として、さまざまなデベロッパー コミュニティが勉強会などのイベントを開催しています。このシリーズでは、Google Cloud Platform に関連するコミュニティの活動を定期的にご紹介します。 第 1 回目は、TensorFlow User Group Tokyo です。 TensorFlow User Group Tokyo とは 2015 年にオープンソース ソフトウェアである TensorFlow が初めて公開されてから 1 年が経過し、日本でも利用者が増えてきた状況を受けて、利用者の交流の場を作りたいという思いから 2016 年 10 月に TensorFlow UserGroup （TFUG）が発足しました。TFUG では、難しい、敷居が高いと思われがちな深

複雑なゲームの場合は人間が実際に打った棋譜などを膨大な量用意することになりますが、今回は○×ゲームという簡単なお題を使った練習なので、筆者が予め最善手を打った場合のデータを作成しておきました。 モデルの詳細 盤面のデータをニューラルネットに入力する際には、×は「-1」、○は「+1」、空いている場合は0として扱うことにします。○×ゲームの盤面は 9マスなので、ニューラルネットの最初の層のノード数は 9 個になります。 そして、全結合のネットワークを経て最終的には、×が勝つ確率・○が勝つ確率・引き分けの確率の3つの数値が出力されるというモデルです。 図3　学習モデルの概要 TensorFlow を使った実装 本稿で使用するサンプルコードのうち、TensorFlow で記述された学習用コード train.py の重要な部分について簡単に解説をしておきましょう。 TensorFlow にはニューラ

2017年5月17日（現地時刻）に開催されたGoogle I/OのKeynoteからAndroid関係のトピックを速報でお届けします。 Google KeynoteとDeveloper Keynoteの2部構成でしたが、Androidについては次のトピックが大きく取り上げられています。 Android O Previewのリリース（OTA配信） Android Go（Android Oneを推進してローエンド端末でも快適に使得る取り組み） Kotlinの公式サポート Android Studio 3.0のリリース サポートライブラリ Architecture Componentsのリリース InstantAppsの公開 それではGoogle Keynoteから時系列にそって紹介します。 Androidのアクティブ利用端末数が20億を突破 Androidの利用者数は20億デバイス（アクティブ

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

こんにちは。ぼへみあです。 機械学習がすっかりブームになって、仕事や趣味でディープラーニングを使ったことがある人が増えていると思います。 特に画像分野でディープラーニングは成果を上げているので、特定のものを判別・識別するといった事例が多いかと思います。 そうした画像系のディープラーニング経験者なら経験する現象があります。 それは、 「その分野について、作ったAIよりも自分が詳しくなる」 という現象です。 おそ松さん見分けの第一人者になってしまった 以前取り組んだおそ松さんの6つ子をディープラーニングで見分けるネタでは、学習用データセットの作成のために、自力で5000枚以上のおそ松さんたちを見分ける作業を行いました。その結果、アニメを見ても、これは何松だ、と判断できるようになってしまいました。当時はおそ松さんを見分ける能力は誰にも負けない自信がありました。 なぜか学会でおそ松さんの話をする機

INTRODUCTION 上の画像は，2014年のミスキャンパス立命館のものです．みんなとても美人ですね． その一方で，パッと見た感じ，どの方も同じような顔をしているように見えます．類は友を呼ぶのでしょうか．これを 立命館っぽい顔 と呼ぶことにします． また「青学っぽい」「学習院にいそう」みたいな言葉をよく耳にはさみますが，これもやはり 青学っぽい顔 や 学習院っぽい顔 というものがあるが故なように思います． そこで今回は，大学ごとの顔の傾向を Deep Learning させ，ある美女がどの大学にいそうかを判別できるモデルを作成してみました． APPROACH 1. 大学ごとの女性の画像収集 まず，各大学の女性の画像をひたすら取得します．ミスコンテストのポータルサイト に，各大学の過去のミスコンの写真が体系的にまとまっていたので，利用させていただきました． # -*- coding:ut

あ…ありのまま 今週末 起こった事を話すと 「おれは 趣味でアイドルの顔を識別し続けていたと思ったら いつのまにかシンガポールでのAPACのイベントに機械学習エキスパートとして参加していた」 色々な運と縁があり お声をかけていただき、シンガポールに行ってきました。 すべての日程を終え、チャンギ国際空港で帰りの飛行機までの時間でこのブログを書いています。 3 Mar: Machine Learning Expert Day APAC各国から集まった機械学習・TensorFlowのエキスパートたちが約30名集合 2月にMountain Viewで行われたTensorFlow Dev Summitの参加者によるRecap 各参加者による取り組み・事例紹介などのLT 交流 4 Mar: TensorFlow CodeLab GDG Singapore主催のワークショップで、チューターとしてお手伝い

Venue The TensorFlow Dev Summit will be hosted at Google’s Headquarters in Mountain View, California. See below for details about how to get there. Speakers We have an incredible lineup of talks from the TensorFlow team. The keynote will be delivered by Jeff Dean followed by technical talks and demos by the product and engineering team.

By Lee Yang, Jun Shi, Bobbie Chern, and Andy Feng (@afeng76), Yahoo Big ML team Introduction Today, we are pleased to offer TensorFlowOnSpark to the community, our latest open source framework for distributed deep learning on big-data clusters. Deep learning (DL) has evolved significantly in recent years. At Yahoo, we’ve found that in order to gain insight from massive amounts of data, we need to

結論から ChainerやTensorFlowなどの機械学習(特にDeepLearning)フレームワークでGPUを使うと、誤差程度ではあるものの演算結果が毎回変わってしまいます。(非決定的な演算) 「乱数使ってるから当たり前でしょ」って話ではなく、乱数種を指定してもGPU内部での演算順序が非決定的であるためGPU演算の結果は安定しません。 浮動小数点演算なので誤差が出るのは当然だが、その誤差が安定しない(非決定的)なのが気になるところです。 Chainerでは環境変数(CHAINER_CUDNN)の指定またはConvolution2Dなどへのパラメータ追加で本事象を回避可能。 TensorFlowについてはGoogle社曰く「EigenライブラリまたはcuDNNの仕様によるとのこと」であり現状では対応策無し。(詳細は次の記事に記載のIssuesを参照のこと) 尚、Caffeでも同様の事象

ニューラルネットワークを用いた機械学習の「ディープラーニング(深層学習)」は人工知能(AI)開発に欠かせない技術であり、AI以外にもGoogleフォトの画像の自動タグ付け機能やAmazonのレコメンド機能など、すでに実用化されている技術に活用されています。そんなディープラーニングを開発者が学習するためのとっておきの方法をGoogleのクラウド開発者がブログで紹介しています。 Learn TensorFlow and deep learning, without a Ph.D. | Google Cloud Big Data and Machine Learning Blog  |  Google Cloud Platform https://cloud.google.com/blog/big-data/2017/01/learn-tensorflow-and-deep-learning-w