OpenAI PlatformExplore resources, tutorials, API docs, and dynamic examples to get the most out of OpenAI's developer platform.
GPT-3の衝撃 - ディープラーニングブログ
この1週間はGPT-3のユースケースの広さに驚かされる毎日でした． シリコンバレーでは話題騒然ですが日本ではほとんど話題になっていないので，勢いで書くことにしました． GPT-3はOpenAIが開発した言語生成モデルです．名前の由来であるGenerative Pretrained Transformerの通り，自然言語処理で広く使われるTransformerモデルを言語生成タスクで事前学習しています． 先月申請すれば誰でもGPT-3を利用できるOpenAI APIが発表され，様々な業種の開発者によって驚くべきデモンストレーションがいくつも公開されています． 特に話し言葉からJSXやReactのコードを生成するデモは著名なベンチャーキャピタルから注目を集め，誇大広告気味だと警鐘を鳴らす事態に発展しています． This is mind blowing. With GPT-3, I built
実務の専門家として機械学習や統計分析を手掛けたい人にオススメの書籍初級5冊＆中級8冊＋テーマ別11冊（2020年2月版） - 渋谷駅前で働くデータサイエンティストのブログ
(Image by Pixabay) この記事は以下のオススメ書籍リスト記事のアップデートです。 毎回の断り書きで恐縮ですが、この記事では「データサイエンティストや機械学習エンジニアなどデータ分析の実務の専門家として」*1機械学習や統計分析を手掛けていきたいという、主に初級ないし中級ぐらいのスキルレベルの人たちにお薦めしたい書籍を、初級向け5冊・中級向け8冊及び細かいテーマ別に11冊、それぞれ挙げていきます。スタンスとしては相変わらず「当座の最終到達点を『中級』に置いた時に最初に読んで内容をマスターしておくべき書籍」を初級に置いているので、世の中のこの手のお薦め書籍リストに比べると若干ハードな内容のものが初級向けに多いかもしれません。 後はちょっと気が早いかもしれませんが、機械学習パートに関しては「AutoML時代にあっても実務の専門家であれば知っておくべき知識」を収めた書籍を選んでおきま
TensorFlow 2.0 is now available!
Posted by the TensorFlow Team Earlier this year, we announced TensorFlow 2.0 in alpha at the TensorFlow Dev Summit. Today, we’re delighted to announce that the final release of TensorFlow 2.0 is now available! Learn how to install it here. TensorFlow 2.0 is driven by the community telling us they want an easy-to-use platform that is both flexible and powerful, and which supports deployment to any
TensorFlow 2.0 時代の Keras API での画像分類器 - すぎゃーんメモ
TensorFlowを初期の頃から触っていて define-and-run の流儀にはそれなりに慣れてしまっていたけど、そろそろTensorFlowも2.0がreleaseされそうだし(2019.09時点で 2.0rc1) 新しいinterfaceも触っておかないと、と思って勉強してみた。 Effective TensorFlow 2.0 を読むと、major changesとして "Eager execution"、recommendationsとして"Keras layers and models"が紹介されている。 これからの時代はKeras APIを使ってEager executionでやっていく必要がありそうだ。 お題: 将棋駒画像の分類 昨年くらいから将棋の画像認識をやろうと思って 駒の画像データセットを作成 していた。今回はこれを使う。 各駒14種の先手・後手で28種、空白マ
Amazonでまとめて買える！Jetson Nanoのおすすめ周辺機器 - karaage. [からあげ]
Jetson Nanoのおすすめ周辺機器 最近、Jetson Nanoを使って色々遊んでいます。以下は、Jetson Nanoとディープラーニングを使って身体を楽器にする「Skeleton Sequencer」です。 その他、TIPS等は以下Qiitaの記事にまとめています。 色々やって、良さそうな周辺機器も分かってきて、デモをしていると聞かれることも多くなったので、自分のオススメの周辺機器をまとめてみたいと思います。 紹介するものは、全部自分が購入して試したものとなります。今回は手軽にAmazonでまとめて購入できるものを中心にセレクトしました。馴染みの電子部品ショップがある方は、そちらで買っても勿論良いと思います。 Jetson Nano3種の神器（ケース・電源・FAN） まず真っ先に揃えるのは、ケース・電源・FANの3種の神器です。「FANはあった方が良いですか？」とか「電源はUSB
![Amazonでまとめて買える！Jetson Nanoのおすすめ周辺機器 - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/0c3d74619a25ef9c52c23ea30b7c76148f277be7/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20190630%2F20190630122003.jpg)
Coral 開発ボード、Edge TPU、TensorFlow Lite を使って、オフラインで動作する AI を構築する
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads 71 Ads API 11
Edge TPU performance benchmarks | Coral
An individual Edge TPU is capable of performing 4 trillion operations (tera-operations) per second (TOPS), using 0.5 watts for each TOPS (2 TOPS per watt). How that translates to performance for your application depends on a variety of factors. Every neural network model has different demands, and if you're using the USB Accelerator device, total performance also varies based on the host CPU, USB
Google ColaboratoryのTPUを試してみる
TL;DR ColabのTPUを使って今すぐCNNを試してみよう。ものすごい速いぞ。 はじめに 9/26夜、Google Colaboratoryユーザーに激震が走った。 ハードウェアアクセラレータにTPUが使えるようになってる！？TPU(Tensor Processing Unit)凄さはこのニュースを見れば恐ろしいほど伝わってくる。 COOL Chips 21 - GoogleのWebサービスを支える「TPU」 https://news.mynavi.jp/article/20180424-621091/ TPU v1はIntelのHaswell CPUとNVIDIAのK80 GPUと比較すると、性能は15～30倍、電力効率は30～80倍になっているという。 NVIDIA K80は現在ColabのGPUアクセラレータとして用いられているGPUだ。もしこの15～30倍という値が本当なら、
グーグルの機械学習フレームワーク「TensorFlow」が「Raspberry Pi」を正式にサポート
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます シングルボードのコンピュータ「Raspberry Pi」で、Googleの機械学習フレームワーク「TensorFlow」を利用するのがますます簡単になりそうだ。 開発者はすでに、Raspberry PiでTensorFlowをさまざまに活用し、深層学習モデルを追加して、画像分類などを行うことが可能だった。 TensorFlowは「Linux」「Windows」「Android」「macOS」「iOS」でも利用できるが、35ドルのRaspberry Piよりも安く利用できるハードウェアはないだろう。 しかし、TensorFlowモバイル・組み込みチーム責任者であるソフトウェアエンジニアのPete Warden氏が指摘するように、従来はTe
CuPyをOpenCLで動かすフレームワーク ClPy を先行リリースしました - Fixstars Tech Blog /proc/cpuinfo
本日、フィックスターズは、PythonからNVIDIA GPUを使うためのライブラリCuPyをOpenCLでも使えるようにしたClPyをGitHubにて公開しました！ ClPyを使えば、例えばChainerのようなニューラルネットを用いた機械学習を、OpenCLが動くデバイス（例えばAMD Radeonなど）でも動作させることができるようになります。 詳細 CuPyとは、Python上での数値計算におけるで事実上の標準となっているNumPy互換でCUDAを使ったGPGPUが利用できるようにするためのライブラリです。もともとCuPyは、Preferred Networksさんが作っているChainerというニューラルネット用フレームワークをCUDAで動かすためのバックエンドとして統合されていました。現在では分離・独立して、Preferred Networksさん主体で「NumPy互換で動く」
scikit-learn 準拠の予測モデルのつくりかた - nykergoto’s blog
機械学習で色々やっていると、いろいろなモデルを複合したアンサンブルモデルなど、自分で新しい予測モデルを作りたい場合があります。 その場合自分でいちから作り上げても良いのですが、そうやって作ったモデルは、たとえば scikit-learn のパラメータ最適化モジュールである GridSearch や RandomSearch を利用することができなくて、少々不便です。 この際に scikit-learn の定義にしたがってモデルを定義すればうまく連携がとれて効率的です。以下では scikit-learn 準拠の予測モデルをどうやって作ればよいか、その際の注意点や推奨事項を取り上げます。 参考 Creating your own estimator in scikit-learn http://danielhnyk.cz/creating-your-own-estimator-scikit-l
Essential Cheat Sheets for Machine Learning and Deep Learning Engineers
Machine learning is complex. For newbies, starting to learn machine learning can be painful if they don’t have right resources to learn from. Most of the machine learning libraries are difficult to understand and learning curve can be a bit frustrating. I am creating a repository on Github(cheatsheets-ai) containing cheatsheets for different machine learning frameworks, gathered from different sou
「機械学習：技術的負債の高利子クレジットカード」のまとめ - Advanced Technology Lab
アドバンスドテクノロジーラボの石川有です． 株式会社リクルートテクノロジーズ Advent Calendar 2014 – Qiita の 12/16 分でエントリーを書きます． 大規模データを扱った機械学習用ライブラリがオープンソースで利用できる便利な時代ですが，まだまだ真の意味でエンジニアリングと機械学習研究の融合は果たせていないと思います． 従来のソフトウェアエンジニアリングではソースコードに対する知見が提案され実用されていますが，いざ機械学習システムの開発・運用に適応してみると「それだけ」では足りないということを実感します． その開発と運用のしづらさは何によるものなのか，それを回避するためのアンチパターンはなんなのかなどのヒントを，Google の D. Sculley らが Machine Learning: The High Interest Credit Card of Te
2016年現在のWindows機によるAnacondaを用いたPythonでのデータマイニング環境構築 - あんちべ！
はじめに 数年前、Windows機にPythonでのデータマイニング環境を構築するには様々な困難が待ち受けていました。依存関係にあるライブラリのバージョンが合わないというよくある話から、ライブラリをインストールする順番によって無事に動いたり動かなかったりするなど初心者殺しな落し穴があちこちで口を開いていました。ところが、2016年1月現在、全く新規に環境構築しようとしてAnacondaを利用してみたところ、意外なほど簡単に環境構築できました。 Anacondaはデータマイニングの便利なライブラリを集めて一括でインストール・利用できるようにしたパッケージです。内包されているライブラリは様々な数値解析、機械学習、自然言語処理、可視化、DB連携、データハンドリング、さらには最近話題のディープラーニングなど多岐に渡り、これを入れておけばデータマイニングを行う大抵の場面で対応できるでしょう。そこで、
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
NVIDIA、59ドルの2GBメモリ版「Jetson Nano」を発表
Raspberry Piで使える「Google Coral Edge TPU USB Accelerator」が店頭販売中「Edge TPU」搭載のUSBアクセラレータ
Loading...
Google製可視化OSSのFacetsがめっちゃ便利だから使ってみてくれ - Qiita
機械学習の Python との出会い — 機械学習の Python との出会い