Chainer を振り返って
2015 年 4 月 12 日に Chainer の最初のコードをコミットしてから，およそ 4 年半と少しが経ちました．はじめのはじめは軽い気持ちで書きはじめたコードでしたが，今では一線級の研究を立派に支えるまでになりました．深層学習フレームワークの世界も当時とは様変わりして（当時は TensorFlow も PyTorch もなかったわけですから，本当に変わりました），思えば遠くにきたものです． 今日，PFN は社内の研究開発に用いる主なフレームワークを PyTorch に移行すると発表しました．会社にとってももちろんですが，業務としてはこの 4 年半，Chainer 一筋でやってきた自分にとっては特に，大きな転換点です． まず率直な感想として，Chainer の開発は本当に楽しかったです．書きはじめた頃は，深層学習フレームワーク競争の真っ只中で，Theano の上に乗っかるフレームワー
Preferred Networks、深層学習の研究開発基盤をPyTorchに移行 - 株式会社Preferred Networks
PyTorch開発チームおよびオープンソースコミュニティと連携し、フレームワーク開発、MN-CoreプロセッサのPyTorchサポートなどを推進 株式会社Preferred Networks（本社：東京都千代田区、代表取締役社長：西川徹、プリファードネットワークス、以下、PFN）は、研究開発の基盤技術である深層学習フレームワークを、自社開発のChainer™から、PyTorchに順次移行します。同時に、PyTorchを開発する米FacebookおよびPyTorchの開発者コミュニティと連携し、PyTorchの開発に参加します。なお、Chainerは、本日公開されたメジャーバージョンアップとなる最新版v7をもってメンテナンスフェーズに移行します。Chainerユーザー向けには、PyTorchへの移行を支援するドキュメントおよびライブラリを提供します。 PFN 代表取締役社長 西川徹は、今回の
Preferred Networks、トヨタ自動車から約105億円の資金調達 モビリティ分野でAI技術の共同研究・開発を加速 - 株式会社Preferred Networks
株式会社Preferred Networks（本社：東京都千代田区、代表取締役社長 最高経営責任者：西川徹、以下、PFN）は、トヨタ自動車株式会社（本社：愛知県豊田市、社長：豊田 章男、以下、トヨタ）と自動運転技術など、モビリティ事業分野におけるAI（人工知能）技術の共同研究･開発を加速させるため、トヨタから約105億円の追加出資を受けることで合意しました。PFNが第三者割当増資により発行する株式をトヨタが引き受けます。これにより、トヨタはPFNの外部筆頭株主となります。 PFNとトヨタは、2014年10月から共同研究・開発を開始し、関係強化を目的に2015年12月、トヨタがPFNに10億円を出資しています。 これまで両社で実施した、物体認識技術や車両情報の解析技術などの共同研究・開発を通じ、PFNが持つ世界トップレベルの知能化関連技術（機械学習、深層学習、ビッグデータ処理等）は、自動運転
関数近似で学ぶ chainer とディープラーニング - Qiita
$y=e^x$ という関数をいわゆるディープラーニングで学習する、というお題を通じて、chainerを学んでみます。下記はchainer1.6.2.1で確認しています。 同じ内容をJupyter notebook形式でこちらに置いていますので、動かしながら確認したい方はそちらを参照してください。 まず必要なモジュール類をインポートします。 import numpy as np import chainer from chainer import cuda, Function, gradient_check, Variable, optimizers, serializers, utils from chainer import Link, Chain, ChainList import chainer.functions as F import chainer.links as L fro
Chainerのソースを解析。Linear クラス | コード７区
全結合層は Linear クラス Chainer では全結合層を Linear クラスで組み立てます。 （chainer/links/connection/linear.py） 全結合とは、隣接レイヤーのユニット同士が下図のようにすべてつながる形態のことです。 全結合を構成する要素 全結合を構成する要素として 重み バイアス 活性化関数 があります。この中で、Linear クラスが関わるのは重みとバイアスです。 活性化関数については関与しません。 Linear のインスタンスはレイヤーに相当 Linear の 1 インスタンスが 1 レイヤーに相当します。そして、レイヤー内の各ユニットが持つパラメータ（重み、バイアス）は Linear インスタンスの属性として管理されます。
Deep Learningを用いたロボット制御
2. 今日の内容 私が関わった様々なロボット関連の技術を紹介します 詳細な解説や動画は弊社のブログに掲載してあります — 「プリファードリサーチ」で検索 目次 — レゴ 分散深層強化学習 ぶつからない車 — 産業用ロボット バラ積み取り出し Amazon Picking Challenge 3. 自己紹介 奥田 遼介 -2010一関工業高等専門学校 -2014東北大学 修士 — 文字列処理など 2014 （株）プリファードインフラストラクチャー 2014- （株）プリファードネットワークス — チーフアーキテクト — 映像解析系、製造業系にかかわる研究開発 — ChainerやCuPyの開発 4. 私とレゴ マインドストーム 2003年 中学生：RCX 2012年 大学院生：NXT 2.0 — ETロボコン2012に出場 — チャンピオン
20170422 数学カフェ Part1
1. 数学カフェ 「確率・統計・機械学習」 （Part1） 2017年4⽉22⽇数学カフェ Yahoo! Japan コワーキングスペース LODGE 株式会社Preferred Networks ⼤野健太 oono@preferred.jp 2. ⼤野健太 • twitter: @delta2323_ • 経歴 • 数学専攻（修⼠） → 2012.4 PFI → 2014.10 PFN • 担当 • バイオプロジェクト • Chainerコアチーム • インターン・採⽤チーム 2 3. • 2014年3⽉設⽴ • 本社：東京 アメリカ⼦会社：カリフォルニア州サンマテオ • 社員数：約70名（8割以上はエンジニア・リサーチャー） • 事業内容：深層学習の産業、特に産業⽤ロボット・交通・バイオ ヘルスケアへの応⽤ 3 夏季インターン(5/7締切) フルタイム募集中！
deeplearning(chainer)で超解像やってみた - mikemoke blog
最近、waifu2xというソフトウェアが話題になっています。 ultraist.hatenablog.com 画像拡大後、補正をかけることにより輪郭をシャープに見せるほか、ノイズを除去等できるようです。 ConvolutionalNeuralNetを適用することで実現しているようで、参考にされた論文はこちら。↓ Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang, "Image Super-Resolution Using Deep Convolutional Networks" http://arxiv.org/abs/1501.00092 Deepとは言いつつも、CNN３層とネットワーク構造が簡単で、画像が小さければCPUでも計算できそう？ ちょうどchainerを使ってみたいという気持ちがあったので、練習がてら簡単に実装してみました
線画着色webサービスPaintsChainerを公開した - Qiita
http://paintschainer.preferred.tech こちらに先月記事にした線画の着色のデモを公開しました！！ 反響の大きかった皆さんに試していただけます！！（ちょっと期待値が上がり過ぎてないといいですがｗ） http://qiita.com/taizan/items/cf77fd37ec3a0bef5d9d 以前の記事『初心者がchainerで線画着色してみた。わりとできた。』はこちら。 ⇓そしてこちらがもじゃくっきーさんの使用例になっております。 GPUを使っている関係上アクセスが集中したりすると遅くなったりサーバーが落ちたりする可能性もありますが、生暖かく見守っていただければと思います。←たくさんの方に広まったこともあって、めっちゃ重くなっています。ぐぬぬぬ 画面はこんな感じっす。 線画ファイルを選択するととりあえず自動で塗ってくれます。 ※ただし、現状ではgifや
機械学習モデルの実装における、テストについて - Qiita
数あるフレームワークに付属するExample、機械学習モデルを実装してみた、という話。これらに共通して言えるのは「テストがない」ということです。 機械学習のモデルだって、アプリケーションに組み込まれればプロダクションコードの一部です。テストがない実装を本番環境に組み込むか？というと通常そんなことありえないと思います。 (スタジオジブリ 紅の豚 より拝借) 忘れられがちな点ですが、機械学習モデルは「リリースした瞬間」が最高精度になります。なぜなら、リリースした瞬間こそがその時点で手に入るフルフルのデータを使って鍛え上げたモデルであり、それ以降はどんどん未知のデータが入ってくるためです。 そのため、モデルの精度、また妥当性をいつでも検証できるようにしておくというのはとても重要です。これは通常のコードにテストをつける理由と同等で、つまり機械学習モデルだからと言って特別ではないということです。 本
Chainerの新機能がすごい勢いで俺のソースコードを抽象化してくる - Qiita
2016年7月12日に，Chainer v1.11.0がリリースされた． Chainer Meetup 03や，Amazon Picking Challenge 2016の準備もあったろうに…なんて速度だ！ （第2位，おめでとうございます https://www.preferred-networks.jp/ja/news/amazon-picking-challenge-2016_result ） この記事では，Chainerの新機能を美味しさと共に紹介していきたいと思う． トレーニング部分のコードが抽象化できるようになった Chainer Meetup 03では，「beam2dさんがゲロ吐きながらTrainコードを抽象化してくれている」という話だった． あれからおよそ2週間，Chainerのコードは変化を遂げた．変化を遂げることを許された． 先日とあるライブコーディングイベントにて私が書
特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説 - Qiita
特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説Python機械学習DeepLearningTensorFlow これ書くだけで土日２日間まるまる潰れてしまった。 学んだ内容に沿っているので、順に読み進めるに従ってコードの話になっていきます。 Tensorflow触ってみたい/みたけど、いろいろまだ理解できてない！という方向けに書きました。 ※2018年10月4日追記 大分古い記事なのでリンク切れや公式ドキュメントが大分変更されている可能性が高いです。 この記事のTensorflowは ver0.4~0.7くらいだった気がするので ver2.0~となりそうな現在は文章の大半が何を参考にしているのか分からないかもしれません。 1: Deep Learningってそもそも何してるの? 専門の人からはご指摘入りそうですが、要は回帰
【ディープラーニング】10時間でChainerの基本を身につける - あれもPython,これもPython
ディープラーニングは色々な知識が必要です。 「チュートリアル動かしました」で止まったままの人も多いでしょう。 そこで、自分がchainerを理解しながら動かした時の方法を書きます。 大前提 とは言ったものの、誰でも入門は無理なので。 以下が最低限の前提です。 数学:微分積分、行列、確率とか聞いても「ああ、あれね・・・」くらいには思う IT:Pythonがそれなりに分かる。numpyはそこそこ分かる。 機械学習:説明変数とか、目的変数とか分類とかが何となく分かる やる気:引っかかった時に、調べる気力がある ゴール chainerを自分で色々試せるレベルになる。 あくまで試せるレベルになるだけです。 それでも千里の道も一歩からです。 一緒に頑張りましょう。 ちなみになぜchainerか、というと、 入門者が触るには、バランスは良さそうに見えたからです。 最初の最初 ディープラーニングは歴史から
生成モデルの Deep Learning
PFIセミナー(2016/02/25)で発表したスライドです。伝承サンプリング可能な生成モデルに関するDeep Learningの紹介です（キーワード：Wake-Sleep, 変分 AutoEncoder, Generative Adversarial Nets, Likelihood Ratio）
ChainerでCIFAR-10の分類を行ってみる - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか。私は元気です。 前回はChainerの紹介をしました。nonbiri-tereka.hatenablog.com 本日はこのChainerを使って、CIFAR-10の分類を行ってみようと思います。 アーキテクチャとして利用するのはConvolutional Neural Networkを利用します。 What is CIFAR-10 CIFAR-10 and CIFAR-100 datasetsにあるデータセットです。32x32pixelのカラー画像を10のクラスに分類する問題が含まれています。 画像の大きさはTraining画像が50000枚、Test画像が10000枚です。 研究とかのベンチマークでお世話になっている人も多いと思いますが・・・ 以下の図は本家に掲載されているサンプル画像です。 データセットの読み込み CIFAR-10ではPythonでの読
Chainerで学ぶLSTM - kivantium活動日記
このブログで何回も取り上げているように、ニューラルネットワークを用いた機械学習はかなりの力を発揮します。畳み込みニューラルネットワーク(convolutional neural network, CNN)は画像中で近くにあるピクセル同士の関係に注目するなど画像の特徴をうまくとらえたネットワークを構築することでかなりの成功を収めています。ノーフリーランチ定理が示唆するように万能の機械学習器は存在しないため、対象とするデータの特徴を捉えた学習器を構築することが機械学習の精度を上げる上で重要になります。 そこで今回は時系列データの解析に向いた回帰結合ニューラルネットワーク(recurrent neural network, RNN)の精度を上げるのに重要なLSTMを取り上げます。 この記事では誤差逆伝搬などのニューラルネットワークの基本知識は説明しません。誤差逆伝搬についてはPRMLの5章やNe
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
cakes（ケイクス）
Chainerのソースを解析。順伝播と逆伝播の仕組み | コード７区
Chainer Meetup #02
深層学習フレームワークChainerの特徴
