KAMONOHASHIは、Deep Learningのモデル開発を効率的に行うためのAI開発プラットフォームです。 Deep Learningのモデル開発には、複雑な環境構築・計算リソースの確保・大量に発生するデータや学習履歴の管理といった、煩雑な作業が多く存在します。KAMONOHASHIはこれらの作業を削減し、AI開発者がモデル開発に集中できる環境を提供します。 また、Deep Learningを用いたシステムを実用化する上では、実データを管理・維持しているユーザとAIのモデル開発をするユーザが別になることがあります。KAMONOHASHIのアクアリウム機能を用いると、こうしたユーザを円滑に連携することができます。 KAMONOHASHIはOSSであり、どなたでも使用することができます。AI開発プロセスを最大限効率化した、最高のモデル開発を体験してみませんか。
OverviewClients, tools, and core libraries FeaturesClients, tools, and core libraries TrackingAutomatically track key model metrics, hyperparams, visualizations, artifacts and resources, and version control code and data OrchestrationMaximize the usage of your cluster by scheduling jobs and experiments via our CLI, dashboard, SDKs, or REST API Optimization Use our optimization algorithms to effect
ディープラーニングで畳込みニューラルネットに並ぶ重要な要素のであるLong Short-Term Memoryについて、その基本を解説します。 LSTMとは リカレントニューラルネットワーク LSTMの役割 LSTMの計算 Output Gate Input GateとForget Gate Forget Gate Input Gate LSTMの肝であるMemory Cell周辺 Forget Gate側の出来事 Input Gate側での出来事 Cellの手前での出来事 出力付近の話 LSTMの役割 セル付近の役割 Forget Gateが過去の情報をどれだけ保持するか決める 全体を通しての役割 最後に LSTMとは LSTMとはLong Short-Term Memoryの略です。 short-term memoryとは短期記憶のことであり、短期記憶を長期に渡って活用することを可能に
オーソドックス な アプローチ（一般的手法） まず は、以下 が よくまとまっている。 株式会社クロスコンパス・インテリジェンス（2016.10.5）「NVIDIA GPU TECHNOLOGY CONFERENCE JAPAN 2016 Industry Deep Learning」 異常値予測 を 行う アプローチ としては、以下 が 一般的な考え方 の ようだ。 （データ量の多い）正常時のデータ挙動の特徴パターンを学ばせて、 新規データが上記の特徴パターンから乖離している場合を、異常とみなす 上記のアプローチをとる理由 は、「異常発生時のデータ」の取得可能件数 は、「正常時のデータ」 に 比べて、取得できるデータの件数 が 圧倒的に少ない から である。 上記のスライド で 挙げられている AutoEncoderモデル や LSTMモデル を 採用し、 AutoEncoderモデル
2. l Preferred Networksの事業領領域は⼤大きく三つ – IoT + ⼈人⼯工知能が⼤大きくインパクトを与える領領域にまずフォーカス l 交通 – ⾃自動運転とそれがもたらす⼈人流流と物流流の⼤大きな変⾰革 – 事故の無い世界、好きな時に好きな場所へ l 製造業 – 知能化ロボットによる製造の⼤大きな変⾰革 – ⽌止まらない⼯工場、変わり続ける⼯工場 l バイオヘルスケア – ⽣生体センサ、ゲノムデータ、診療療データによる 診察、診断の個⼈人化、⾼高度度化 – 病気にならない、治せなかった病気を直す 2 3. AutomotiveHumanoid Robot Preferred Networks は Industrial IoT に向けたAIを進める 3 Consumer Industrial Cloud Device Ph
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? PFNのmattyaです。chainerを使ったイラスト自動生成をやってみました(上の画像もその一例です)。 20日目の@rezoolabさんの記事(Chainerを使ってコンピュータにイラストを描かせる)とネタが被っちゃったので、本記事ではさらに発展的なところを書いていきたいと思います。一緒に読んでいただくとよいかと。 概要 Chainerで画像を生成するニューラルネットであるDCGANを実装した→github safebooruから顔イラストを集めてきて学習させた 学習済みモデルをconvnetjsで読み込ませて、ブラウザ上で動くデ
もう絶望しない！ ディープラーニングによる画像認識のビジネス活用事例：いまさら聞けないDeep Learning超入門（3）（1/2 ページ） 最近注目を浴びることが多くなった「Deep Learning」と、それを用いた画像に関する施策周りの実装・事例について、リクルートグループにおける実際の開発経験を基に解説していく連載。今回は、Deep Learning／CNN（Convolutional Neural Net）をどうビジネスに活用しているかに焦点を当て、その試行錯誤の過程を紹介します。 連載目次 最近注目を浴びることが多くなった「Deep Learning（ディープラーニング）」と、それを用いた画像に関する施策周りの実装・事例について、リクルートグループにおける実際の開発経験を基に解説していく本連載。 第1回「ニューラルネットワーク、Deep Learning、Convolutio
ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources ニューラルネットワークに関して最も衝撃的な事実の1つは任意の関数を表現できることです。 例えば誰かから複雑で波打った関数$f(x)$を与えられたとします： この結果はニューラルネットワークが一種の普遍性を持っている事を示しています。 計算し
2015年現在、世間は第3次人工知能ブームの真っ只中にある。人工知能やその応用に関する記事がWebだけでなく一般紙にも連日のように取り上げられ、人工知能の発展がもたらす社会的変化や未来に関する懸念についても盛んに議論されている。 そこで中心的な役割を果たしているのが、機械学習であり、特に深層学習（ディープラーニング）に注目が集まっている。深層学習は大規模かつ複雑なニューラルネットワークモデルを効率的に構築するための一連の手法であり、その威力は様々な機械学習の応用分野に広がっている。 本稿では、Preferred Networks／Preferred Infrastructureが開発したディープラーニングの開発フレームワーク「Chainer」の概要と、Chainerを使ったディープラーニングの構築手法を説明する。 ニューラルネットワークの逆襲 ニューラルネットワークは第1次人工知能ブームか
Please make sure that this URL is an image (PNG or JPEG) and not a web page
こんにちは、得居です。最近は毎晩イカになって戦場を駆けまわっています。 本日、Deep Learning の新しいフレームワークである Chainer を公開しました。 Chainer 公式サイト GitHub – pfnet/chainer Chainer Documentation Chainer は、ニューラルネットを誤差逆伝播法で学習するためのフレームワークです。以下のような特徴を持っています。 Python のライブラリとして提供（要 Python 2.7+） あらゆるニューラルネットの構造に柔軟に対応 動的な計算グラフ構築による直感的なコード GPU をサポートし、複数 GPU をつかった学習も直感的に記述可能 ニューラルネットをどのように書けるか 次のコードは多層パーセプトロンの勾配を計算する例です。 from chainer import FunctionSet, Vari
2. アジェンダ l IoT時代の深層学習 – RNN – VAE – 深層強化学習 l PFNの取り組み – デモ：深層強化学習 + データ同化 + 転移学習 + 分散学習 – DiMO : Edge Heavy 分散ストリーム処理理プラットフォーム – Chainer : 新しい深層学習フレームワーク OSS 2 3. ディープラーニングとは l 層が深く、幅も広いニューラルネットワークを利利⽤用した 機械学習⼿手法 l 2012年年の⼤大ブレーク以来、研究コミュニティのみならず 産業界に多く使われてきた – 2014〜～2015年年中に出された関連論論⽂文数は1500を超える* l 画像認識識、⾳音声認識識などで劇的な精度度向上を果たし、その 多くが既に実⽤用化されている – Googleは47の⾃自社サービスで既に利利⽤
5月26日に開催されたNVIDIAの「ディープラーニングフォーラム2015」において、東京大学の松尾豊 准教授が「人工知能の未来-- ディープラーニングの先にあるもの--」と題して講演を行った。人工知能のこれまでの歴史から、最新のディープラーニングの研究状況、そして、その先に来るものについて分かりやすく説明されており、非常に参考になる講演であった。 これまでも2度、ブームが起こっていた人工知能研究 脳は電気＋化学変化で情報処理を行っているマシンである。とすれば、プログラムで脳の機能を実現できるはずという考えから、研究が始められ、1956年に「人工知能(Artificial Intelligence)」という言葉が作られた。 1960年代には第1次AIブームが起こり、推論と探索で人工知能を実現しようとした。このアプローチは、解きたい問題を推論・探索問題として記述できるおもちゃ的な小さな問題は
うまくできましたか？ ボヤけたり、ギザギザになったりしませんでしたか？ waifu2xをお試しください。 (ブラウザの処理に影響されないようクリックで拡大おねがいします) waifu2xは、二次元画像を2倍に拡大するソフトウェアです。多くの二次元画像についてスゴイ級のクオリティで拡大できます。 waifu2xは、最新鋭の人工知能技術 Deep Convolutional Neural Networks を使って開発されました。 waifu2xの人工知能は、次の問に答えます。 いまから与える画像はある画像を半分に縮小したものである。縮小される前の画像を求めよ。 画像を拡大するのではなく、縮小される前の状態に戻します。 縮小されてないオリジナル画像を与えた場合も、やはり縮小される前の画像を答えます。 その画像は本来存在しないものですが、waifu2xはそれを想像で創ります。 二次元画像のJPE
News 2019/03/31 【お知らせ】ドワンゴ人工知能研究所を閉所しました 2018/11/16 【出版】山川所長が著者として参加した本「AI時代の憲法論 人工知能に人権はあるか」が発売されました。 2018/10/07 【出演】山川所長が放送大学クロス討論「人工知能（AI）の未来は？」に出演しました。 2018/09/21 【出版】山川所長が著者として参加した本「宗教と生命 激動する世界と宗教」が発売されました。 2018/08/19 【採録】山川所長が共著の佐藤聖也さんの論文「Accelerated Equivalence Structure Extraction via Pairwise Incremental Search」がKDD2018にて採録されました。 2018/02/04 【出演】山川所長がNHK日曜討論「活用広がるAI 社会はどう変わるのか」に出演しました。 20
Update Dec. 2018: Mocha.jl is now deprecated. The latest version works with Julia v0.6. If you have existing legacy codebase with Mocha that you want to updates for Julia v1.0, the pull request 255 contains fixes for CPU backend only that have all the unit tests passed under Julia v1.0. The development of Mocha.jl happens in relative early days of Julia. Now that both Julia and the ecosystem has e
得居です。1月30日にリクルートGINZA8ビルで開催された第2回全脳アーキテクチャ勉強会にて、Deep Learningについて講演しました。 全脳アーキテクチャ勉強会は「人間のように柔軟汎用な人工知能の実現に興味のある研究者、脳に興味のあるエンジニア，関連分野(神経科学、認知科学等)の研究者間での交流をはかりつつ、こうした取組へ関わるきっかけ」作りが目的の勉強会です。今回は主催者の一人である産総研の一杉裕志先生、筑波大学の酒井宏先生、そして私が講演を行いました。最終的な来場者数は把握しておりませんが、200名超の大規模な勉強会となりました。 私の発表は Deep Learning の最近の進展について、できるだけ幅広い学習手法やモデルを紹介する内容です。各手法の実際の成果がどうかというよりは、今後の研究の種になりそうな面白そうな話題を詰め込みました。発表後にも多数の質問を頂き、その後の
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
