深層学習初心者向けの無料オンライン学習資料を公開
Preferred Networks（PFN）は2019年4月10日、オープンソースの深層学習フレームワーク「Chainer（チェイナー）」の学習者向けに、日本語のオンライン学習資料「ディープラーニング入門：Chainerチュートリアル」の無料公開を開始した。 Chainerは、2015年6月にオープンソース化した、Pythonベースの深層学習フレームワーク。今回発表したChainerチュートリアルは、大学の授業や企業研修、商用セミナーなどでの利用を想定した、深層学習初心者向けの無料オンライン学習資料となる。 現在は入門編として、機械学習に必要な数学の基礎から、Python入門、機械学習とデータ分析入門、ディープラーニング入門を公開している。順を追って解説しており、深層学習の基礎から実践まで、無理なくコーディングと理論が学べる。 また、「Google Colaboratory」を利用すると
ディープラーニング入門：Chainer チュートリアル
Chainer チュートリアル 数学の基礎、プログラミング言語 Python の基礎から、機械学習・ディープラーニングの理論の基礎とコーディングまでを幅広く解説 ※Chainerの開発はメンテナンスモードに入りました。詳しくはこちらをご覧ください。 何から学ぶべきか迷わない ディープラーニングを学ぶには、大学で学ぶレベルの数学や Python によるプログラミングの知識に加えて、 Chainer のようなディープラーニングフレームワークの使い方まで、幅広い知識が必要となります。 本チュートリアルは、初学者によくある「まず何を学べば良いか」が分からない、 という問題を解決するために設計されました。 初学者は「まず何を」そして「次に何を」と迷うことなく、必要な知識を順番に学習できます。 前提知識から解説 このチュートリアルは、Chainer などのディープラーニングフレームワークを使ったプログ
Chainer/ChainerMNのおすすめなプロファイルの取り方＆プロファイルの見方の注意点 - Qiita
自分への備忘録的な意味も込めて最近まとめたので、私が実践しているChainer/ChainerMNのプロファイルの取り方とプロファイル結果の見方を紹介します。 この記事で使うプロファイラは、Chainerのプロファイルを取る際まず取るべきと思われるcProfileとnvprofの二つです。 環境 Python: 3.6 Chainer: 5.2 CuPy: 5.2 CUDA: 9.0 MPI: OpenMPI 1.10.7 参考コード この記事ではChainerMNのmnistのサンプルをベースに改造したコードで説明を行っています。 mnistのオリジナルのコードはこちら。 https://github.com/chainer/chainer/blob/v5/examples/chainermn/mnist/train_mnist.py 改良後のコードはここに上げてあります。 https:
lstmで自然な受け答えができるボットをつくった | せかいらぼ
pythonの公式ドキュメントはどうにも不自由な日本語なのでまとめ直しあわせて読みたい:LoggingモジュールのイメージLoggerオブジェクトloggerオブジェクトを各モジュールに明示する( logging.getLogger("hogehoge") )ことで、ログを収集する。loggerは名前で管理され、違うモジュールでも同じ名前を指定すると同じloggerになる。木構造loggerは階層構造を持ち、名前をピリオドで分割することで表現する。Python パッケージ名前空間におけるモジュール名は __name__ で取得できるので、logging.getLogger(__name__)を使ってlo... 学習 自然な受け答えを行う日本語のデータセットということで、ask.fmをクロールしたデータを用いる。 ask.fmのディレクトリは”ask.fm/アカウント名”のようになっていて、
ChainerでWaveNetによる音声合成のチュートリアルを書いてみた - 金融と工学のあいだ
Introduction このチュートリアルではWaveNetを使ったボコーダーにより人の音声を合成します。実行できるチュートリアルは最下部にあります。 ボコーダーとは、音声をパラメータ化した入力を元に音声を合成することです。例えば、ロボットボイスは、人の音声からその発話の特徴量をパラメータとして取得し、それを元にロボットの音色の音声を合成しています。そのため、音声合成で一般的なText-to-Speech(TTS)のように文字列を入力とするのではなく、音声を入力として音声合成します。 WaveNetは、生の音声波形を生成するDeep Neural Networkです。 上記の画像のように、音声波形はあるサンプリングレートで毎時刻の値で波形が保存されていますが、それをWaveNetは生成します。また、今回はボコーダーということで、ランダムに音声を生成するのではなく、入力した音声と似た発話の
エッジAIを加速する深層学習：PFNが「Menoh」発表、MSは「Brainwave」をエッジへ (1/3)
マイクロソフトとPreferred Networks（PFN）は2018年6月21日、深層学習（ディープラーニング）のイベント「DLLAB DAY 2018」を開催した。同イベントは、深層学習の産業応用を推進する目的で2社が設立した国内コミュニティ「Deep Learning Lab（DLLAB）」の1周年を記念する催しであり、金融、医療、流通・小売りなどの業界における深層学習の活用事例が多数紹介された。 基調講演には、日本マイクロソフト 執行役員 最高技術責任者（CTO）の榊原彰氏、PFNの創業者で代表取締役社長 最高経営責任者（CEO）の西川徹氏、理化学研究所 計算科学研究センターセンター長の松岡聡氏が登壇したほか、カーネギーメロン大学の金出武雄教授がSkypeでコメントを寄せている。 3つの好条件が重なりAIが進化した 基調講演にリモート登壇したカーネギーメロン大学の金出教授は、昨今
Deep U-Netで自動歌声分離 - Qiita
Chainer Advent Calendar 2017 2日目です。 まえがき 画像認識や音声認識で深層ニューラルネットワークの威力が目立ち始めた頃、何故か(結構親和性が高そうな)音楽情報処理(MIR)の分野ではそっち方面での動きは鈍く、応用してみた論文も言うほど目覚ましい成果は無かった印象でした。そんなMIR界もようやくDeepLearningブームが来ているようで、Deepな論文がどっかんどっかん投稿され、ビッグなデータセットが公開され、MIREX(音楽情報処理アルゴリズムのコンテスト的なやつ)でも勝ちはじめ、ISMIR(音楽情報処理の国際学会)の冒頭演説でネタにされる位には流行るようになりました。 というわけで今年のISMIRの深層学習関連発表から比較的わかりやすそうなものを選んで、Advent Calendarのネタにさせて頂くことにしました。本稿では音楽の歌声分離タスクをやって
chainerでモデルを入れ子にしたら重みが更新されなかった話 - johshisha’s diary
概要 chainerのmodel(Chainクラス)を入れ子にして使っていたら重みが更新されなかった． Chainクラスで重みの更新がされるのは self.init_scope()内に書いている linkオブジェクトだけだったことが判明し， with self.init_scope():以下に書くとちゃんと更新された． 状況 version chainer==3.0.0 やりたかったこと あるmodelAに layerNを追加して，新たに modelBを作成したかった． だめなコード 計算グラフを出力すると，ちゃんとmodelA -> layerN という風に接続されていたので，これでうまく接続されているものだと思っていた． が，実際に学習中に都度重みを出力してみると，modelA内の重み(l1, l2, l3の重み)が全く更新されていないことがわかった． # example/train_
「Chainer による実践深層学習」の気づいたこといくつか - 木曜不足
Chainer v2による実践深層学習 作者: 新納浩幸出版社/メーカー: オーム社発売日: 2017/09/15メディア: 単行本この商品を含むブログ (2件) を見る Chainer について書かれた数少ない本。 この9月に v2 対応版が出た。が、v3 リリース秒読みの時期に……というツラミはある*1。 深層学習ライブラリは現状「泳ぎ続けなければ死ぬ」(アップデート止まったら、終わったのかな？ とか思っちゃう)ので、宿命的にしょうがないのかな。 社内でこの本の読書会とかしており、ちょいちょい間違いを見つけてしまう。 細かいのはもういいかなとは思うんだが(全部書いてたら正直キリがない)、せっかくの Chainer 本、読者が誤解すると事故が起きそうなちょっと大きめの間違いを放置するのはもったいないので、ここにメモしておく。 自分で読んだのは RNN 以降なので、主にその範囲。 以下、章
今更！！ Chainer 1.6.1 でおしゃべりBotを作ろう
(過去ブログからの移転した記事です) なるべくコードはかかない。 何の気なしに機械学習とかの仕事はないものかと、ネットの海をさまよっていたら、 LSTMで自然な受け答えができるボットをつくった という記事を見つけ、何となく読んで、やってみようかなと思ってやってみましたが、Chianer周りとか色々上手くいかなかった。というのがそもそもの始まりです。 Chainer周りで日本語の受け答えができますよ、的な記事は2015年頃のものが多く、Chainerがバージョンアップしたため、色々動かないことがありましたので、少しそちらに修正を加えてChainer 1.6.1でもまともに動くように修正していこうと思います。 自分でコードを一から書くのは嫌なので、あくまでもコードは書かない。 微修正にとどめるをモットーにがんばるぞい。 Table of Contents 参考にさせていただいたコードやサイトL
深層強化学習ライブラリChainerRL - Preferred Networks Research & Development
Chainerを使った深層強化学習ライブラリChainerRLを公開しました． https://github.com/pfnet/chainerrl PFNエンジニアの藤田です．社内でChainerを使って実装していた深層強化学習アルゴリズムを”ChainerRL”というライブラリとしてまとめて公開しました．RLはReinforcement Learning（強化学習）の略です．以下のような最近の深層強化学習アルゴリズムを共通のインタフェースで使えるよう実装してまとめています． Deep Q-Network (Mnih et al., 2015) Double DQN (Hasselt et al., 2016) Normalized Advantage Function (Gu et al., 2016) (Persistent) Advantage Learning (Bellemar
ChainerMN による分散深層学習の性能について - Preferred Networks Research & Development
米サンフランシスコで開催された「Deep Learning Summit 2017」にて、PFN は Chainer のマルチノードでの分散学習対応への取り組みについて発表しました。本記事では、その発表について詳しく説明していきます。 分散深層学習の重要性と現状 GPU の性能は継続的に向上していますが、より大きなデータを活用してより精度の高いモデルを実現するために、深層学習で使われるモデルのパラメータ数や計算量も増大しています。そのため、現在でも、Chainer を含む一般的なフレームワークを用いた標準的な学習では 1 週間以上かかってしまうようなユースケースが少なくありません。より大規模なデータを扱ったり、試行錯誤のイテレーションを効率化するために、複数の GPU を連携させ学習を高速化させることは重要な課題です。そこで、我々は Chainer にマルチノードでの分散学習の機能を追加す
ChainerでオセロのAIをつくってみる ～前編～ - Qiita
はじめに 以前、「Pylearn2で三目並べのAIをつくってみる」という記事を書きました。 このときは問題を簡単にして三目並べにしましたが、今回はオセロのAIをニューラルネットワークで作成するという当初の目標にチャレンジします。 トライ＆エラーが多い記事になるかもしれませんがご容赦ください。 今回はDeep Learning用ライブラリとしてChainerを使ってみます。 記事は2部構成です。 前編(この記事) 教師データの変換 MLPの設計 モデルのトレーニングと保存 後編 オセロゲームへの実装 プレイアブルかどうかの確認（ルールを逸脱せずにゲームできるか） ここでプレイアブルでないと分かったら、MLPモデルの作成に戻る 後編でAIの実装を行いますが、上手くいかなければ、ニューラルネットワークの構成から考え直すことになります... →動作確認と結論が出ました 教師データの準備 こちらから
Chainerで顔イラストの自動生成 - Qiita
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モを作成した→こちら(ローディングに20秒程度かかります) アルゴリズム 今回実装したDCGAN(元論文)はGenerative Adversarial Networkというアルゴリズムの発展形です。GANの目標は、学習データセットと見分けがつかないようなデ
【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。 - Qiita
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです！ Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.co
機械学習ライブラリ Chainerの紹介 - 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。 Chainerと呼ばれる機械学習ライブラリを紹介しようと思います。 Chainerについて Chainerとは？ ChainerはPreffered Networksが開発したニューラルネットワークを誤差伝播で学習する ライブラリです。(Python)chainer.org 特徴として、Chainer は、「実際に Python のコードを用いて入力配列に何の処理が適用されたかだけを記憶しておき、それを誤差逆伝播の実行に使います」だそう。 Install sudo pip install chainer 基本的にこれだけのインストールが非常に簡単なソフトウェアです。 他のライブラリとの比較 ディープラーニングが活かすIoTより抜粋。 個人的に注目した違いは以下の3点 CaffeもTheanoも勉強することが多い。（設定ファイルとか） 短く書け
Deep Learning のフレームワーク Chainerをインストールしてみた - Qiita
PFN/PFIが公開したChainerをインストールしてみた Chainerとは 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 詳細はこちら インストール環境 OS:Ubuntu 14.04 LTS trusty-server-cloudimg-amd64-vagrant-disk1.boxを使用 インストール手順 Python関連パッケージをインストール # apt-get install python-devel pipをインストール # apt-get install python-pip
1
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
Amazon.co.jp: Chainerで作る コンテンツ自動生成AIプログラミング入門: 坂本俊之: Digital Ebook Purchas
Chainer: A flexible framework for neural networks