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

Posted by André Susano Pinto (Technical Lead for TensorFlow Hub) and Clemens Mewald (Product Manager) In a previous post we announced TensorFlow Hub, a platform to publish, discover, and reuse parts of machine learning modules in TensorFlow. An important part of this platform is its web experience, which allows developers to discover TensorFlow modules for their use cases. Today we are launching a

最近、Semantic Segmentationについて調べる機会がありました。 せっかくなので、公開します。 例に挙げた研究は、まだarXivのみに発表されたようなのは(Pix2Pixを除いて)あまりカバーされてません。（この後もう少し調べる予定） Semantic segmentation from Takuya Minagawa また、資料をアップロードしようしたまさに今日、PFNさんがDeep Learningを使った最新のセグメンテーション方法についての素晴らしいセミナーがあったので、この資料と合わせて見ると参考になると思います。この資料でカバーしていないUnet、SegNet、RefineNetなどについても解説されています。

導入 物体検出アルゴリズムを用いたかった為、現在までに提案されている手法を勉強しようと思ったのですが、思いの他多く何を用いればいいのかわかりませんでした。論文内で精度の比較もされているのですが、結局自分の問題に何を使えばいいんじゃってなった為、調べた限りのアルゴリズム間の性能比較を行ってみました。 物体検出アルゴリズムとは、以下の図のように、画像内の指定された物体の位置 (localization) と分類の確率 (confidence) を出力するアルゴリズムを指します。 ここでは、物体検出アルゴリズムの中でもCNN (Convolutional Neural Network) を用いたもののみを対象としています。 物体検出分野における背景 物体検出 (Object Detection) は画像認識タスクの中の一つで、一般的に画像認識のタスクは以下のように大きく3つに分類されます。 Cl

Deep Learning bookとは？ Deep Learning bookは2016年末にMIT Pressより発売予定の書籍（英語）で、深層学習御三家の一人Bengio先生や画像生成のGANで有名なGoodfellow先生らによって書かれており、現時点で深層学習の決定版と言える教科書です。太っ腹なことに本の内容はウェブサイトで公開されており無料で読むことができます。 Deep Learning; Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016. 私は以前の記事に書いた通り自然言語処理の分野で深層学習が浸透してきてから勉強を始めたため、機械学習はもちろん画像や音声が専門の人と比べて基礎的な知識が足りていないように感じたためこの本を読むことにしました。読み始めてみると機械学習の教科書として有名なPRM

おつかれさまです． 僕はあまり深層学習に関して記事を書くことはないのですが，ちょっと気になった論文があったので紹介します． [1711.00165] Deep Neural Networks as Gaussian Processes 論文はGoogle Brainの研究者らによるもので，NIPS2017 Bayesian Deep Learning WorkshopICLR2018にacceptされています．実は深層学習をガウス過程（Gaussian process）で構築するのはこの論文が初出ではないのですが，論文ではベイズ学習，深層学習，カーネル法を簡略かつ包括的に説明している内容になっているので非常に参考になります． さて，「深層学習はガウス過程」というのはちょっぴり宣伝的なタイトルにし過ぎてしまったのですが，もう少しだけ正確に論文の要点をまとめると次のようになります． 背景 単一

動機 回帰モデル構築の際、特徴量とデータの関係によってはうまく機能しない（解けない）ことがあります。たとえば、考えているデータ数に対して特徴量の数が非常に多い場合や、特徴量間に強い相関（多重共線性）がある場合です。このような場合に、正則化項と呼ばれる項を通常の回帰モデル構築の際に用いられる2乗誤差などの目的関数に加えることで、先程の問題を解消することができます。こういった正則化項を加えた上でモデルの最適化をおこなう（ = パラメータを推定する）方法を、正則化法といいます。 上記の解けない場合が正則化によってどうして解けるようになるのか、数式で説明している資料があまりないと思ったので、メモとして残しておこうと思います。厳密でない部分もありますが、線形代数をそれなりに知っていればわかった気にはなれるかな、という感じの説明です。 記法と準備 データ数を, 説明変数の数を, 計画行列を, 正則化パ

#はじめに Team AIでは隔週に渋谷で機械学習・深層学習論文輪読会を行なっています。 www.team-ai.com 英語や数学が苦手な方も多数いらっしゃるので、 その様な方に向けた補助ツールやノウハウ集を作り、 論文を読むという文化と裾野をもっと広げたいと思いました。 随時更新していきますので、もっと良い情報やご意見がありましたら是非コメントください。 #英語が苦手な方へ ArxivのAbstractの部分だけGoogle Translate for Chromeでワンクリック翻訳 Arxiv Vanityで論文のPDFをWebsite化し、Google Translate for Chromeでワンクリック翻訳 https://chrome.google.com/webstore/detail/google-translate/aapbdbdomjkkjkaonfhkkikfgjl

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ※2018年06月23日追記 PyTorchを使用した最新版の内容を次の書籍にまとめました。 つくりながら学ぶ! 深層強化学習 ~PyTorchによる実践プログラミング~ 18年6月28日発売 これから強化学習を勉強したい人に向けて、「どんなアルゴリズムがあるのか」、「どの順番で勉強すれば良いのか」を示した強化学習アルゴリズムの「学習マップ」を作成しました。 さらに、各手法を実際にどう実装すれば良いのかを、簡単な例題を対象に実装しました。 本記事では、ひとつずつ解説します。 オレンジ枠の手法は、実装例を紹介します。 ※今回マップを作るに

一般物体検出アルゴリズムの紹介 今回CNNを用いた一般物体検出アルゴリズムの有名な論文を順を追って説明します。 コンピュータビジョンの分野において、一般物体検出とは下記の図のように、ある画像の中から定められた物体の位置とカテゴリー(クラス)を検出することを指します。 [6]より引用 Deep Learningアルゴリズムの発展によって、一般物体認識の精度は目まぐるしい勢いで進歩しております。 そこで今回はDeep Learning(CNN)を応用した、一般物体検出アルゴリズムの有名な論文を説明したいと思います。 R-CNN (Regions with CNN features) (CVPR 2014) [1] かの有名なCNNの論文[8]で、ILSVRC 2012の物体認識チャレンジで大差をつけて1位になりました。 このチャレンジでは1枚の画像が1000クラスのうちどれに属するかを推定する

darknetによる人工知能の続きです。 darknetは、既に学習済みのYOLOというファイルも提供されています。 下準備がされたものまで込みで、提供されているってことですね。 今回はそのファイルの導入と、画像認識機能を試していきます！ darknet自体の下準備はコチラ。 www.lisz-works.com ニューラルネットのダウンロード ファイルをセット yoloの実行 結果 ほかのサンプル あとがき ニューラルネットのダウンロード まずここにアクセス。「yolo.weights」というファイルをダウンロードしましょう。 http://pjreddie.com/media/files/yolo.weights 他サイト様の例を見ていると $ wget http://pjreddie.com/media/files/yolo.weights という方法を取っていますが、wgetはLi

ちなみに僕の実行環境ではGPUは使えないためCPU版で行なっていきます。 #リアルタイムオブジェクト認識YOLO ###モデルダウンロード Darknetのインストールが完了したら早速YOLOを使ってみましょう。 まずは学習済みのモデル(.weights)ファイル(258 MB)をダウンロードします。 またはターミナルから以下を実行してもokです。 wget http://pjreddie.com/media/files/yolo.weights ###実行 ./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg モデルをダウンロードし、上記の実行コマンドを入力するとpredictions.pngという画像が生成されオブジェクト認識されていることがわかります。 #TensorflowでYOLO Darknetのチュートリアルが終わった

『ゼロから作るDeep Learning』を読む会です。 機械学習の基礎を勉強しましょう。 お気軽にご参加ください。 【注】 主催者は機械学習の専門家ではありません。 あまり凄いことは期待しないでください。 会場について 入場開始は19:30です。 建物の入口に低いチェーンが張られていることがありますが、そのままお入りください。 株式会社ヴァル研究所様のご厚意で会場をご提供いただいております。 ※ 勉強会の運営とは無関係ですので、本件に関してヴァル研究所様へのお問い合わせはご遠慮ください。お問い合わせは@7shiまでお願い致します。 進め方 本文を読みながら、出て来たトピックスについて議論します。 事前にスライド等は用意しません。 正誤表 https://github.com/oreilly-japan/deep-learning-from-scratch/wiki/errata ※ 電子

2019 Caillon, Antoine, and Philippe Esling. 2021. “RAVE: A Variational Autoencoder for Fast and High-Quality Neural Audio Synthesis.” arXiv [cs.LG]. arXiv. http://arxiv.org/abs/2111.05011.

本稿ではニューラルネットワーク，誤差逆伝播法，言語モデル，RNN，LSTM，ニューラル機械翻訳の一連の手法について数理的に解説する． 前編の目次 ニューラルネットワーク 順伝播 (Forwardpropagation) 逆伝播 (Backpropagation) リカレントニューラルネットワーク (RNN) Recurrent Neural Network Language Model (RNNLM) Backpropagation Through Time (BPTT) Long Short-Term Memory (LSTM) Gated Recurrent Unit (GRU) RNN のドロップアウトとバッチ正規化 ニューラル機械翻訳 (NMT) Sequence to Sequence (seq2seq) 注意 (Attention) 双方向エンコーダー・多層LSTM 評価手法

この続きでTheanoの使い方について簡単に書きました：http://qiita.com/items/3fbf6af714c1f66f99e9Read less