まさか…乗り鉄ですか？やたら電車に乗りまくってる“鉄オタ大使”を直撃してみた
Search, watch, and cook every single Tasty recipe and video ever - all in one place! News, Politics, Culture, Life, Entertainment, and more. Stories that matter to you.
Search, watch, and cook every single Tasty recipe and video ever - all in one place! News, Politics, Culture, Life, Entertainment, and more. Stories that matter to you.
TechCrunch
EyeEm, the Berlin-based photo-sharing community that exited last year to Spanish company Freepik after going bankrupt, is now licensing its users’ photos to train AI models. Earlier this month,
ダークファイバーでOPEN.ad.jpと接続してみた #インターネットゼミ | CyberAgent Developers Blog
こんにちは、インターネットゼミの小障子(@The_Ko_Show_)です。 インターネットゼミは「インターネット」について日々研究を行っているゼミです。 「インターネット」には多くの意味合いが思い浮かぶと思いますが、ゼミとしては特定の定義に限定せず広く各個人のインターネットについて研究を進めています。 インターネットゼミについてはこちらの記事をご覧ください。 インターネットゼミ開講のお知らせ 現在はオフィス近郊にラックを借りた上でAS63790を取得し、そのAS番号を用いて実験や研究を行いつつ、その結果を社内にフィードバックしています。もしピアリングやネットワーキングに興味がある方がいらっしゃればぜひご連絡ください。 インターネットゼミのインターネット構成 インターネットゼミの「Public ASプロジェクト」ではパブリックなAS番号 (AS63790) を取得し、我々が利用しているThe
先日、ふとしたきっかけでしましま先生*1がこちらの論文について触れられているのを見かけたのでした。 これは推薦システム分野におけるNN研究の再現性について検証した2019年の論文で、近年のトップ会議*2に採択されたNN手法18個に対して再現を試みたところ、「reasonableな」努力で再現できたのはわずかに7個に過ぎず、その中でも1個は論文中で主張されたベースラインを超えることは出来なかったと報告しています。 ただ、この報告はNN研究における再現性に関する議論のあくまでも一例であり、実際コロナ禍以前から「論文中ではSOTAを達成と書いているのに同じ実装をどう組んでもSOTAに達しない」みたいな業界噂話はそこかしこで耳にしたものでした。しかしながら、実際のソフトウェアやアプリケーションとしてそれらのNN手法が用いられて、尚且つその結果として何かしらの不具合でも起きない限りは、機械学習業界の
テレワーク環境に車窓を追加する
1971年東京生まれ。デイリーポータルZウェブマスター。主にインターネットと世田谷区で活動。 編著書は「死ぬかと思った」（アスペクト）など。イカの沖漬けが世界一うまい食べものだと思ってる。（動画インタビュー） 前の記事：時空の裂け目を光らせる ＞ 個人サイト webやぎの目 20分でできる車窓 用意するものは色付きのスチレンボード A1（実際は600×900mm）のスチロールの板に色紙が貼ってある。スチレンボード専門の通販サイトで買った。店で買って持って帰ると駅で電車の風圧で吹き飛ばされそうになるので通販は便利だ。 黄色を窓枠っぽく切り抜いて、貼る 緑はそのまま。 パネルはブックエンドに貼り付けて自宅デスクの後ろに固定 サビサビのブックエンド 実家から持ってきたのでもう30年以上使ってる。特に思い入れもないもほどずっと使うことになるの例である。 Zoomで背景に動画を設定する パソコン解説
生成AIグラビアをグラビアカメラマンが作るとどうなる？第十回：実在モデルからSDXL用顔LoRAを作る (西川和久) | テクノエッジ TechnoEdge
https://www.techno-edge.net/special/560/recent/%E7%94%9F%E6%88%90AI%E3%82%B0%E3%83%A9%E3%83%93%E3%82%A2%E3%82%92%E3%82%B0%E3%83%A9%E3%83%93%E3%82%A2%E3%82%AB%E3%83%A1%E3%83%A9%E3%83%9E%E3%83%B3%E3%81%8C%E4%BD%9C%E3%82%8B%E3%81%A8%E3%81%A9%E3%81%86%E3%81%AA%E3%82%8B%EF%BC%9F続きを読む » Modelに無い顔や彼女の顔を出したい！生成AIでポートレート写真やグラビアを作っていると、同じような雰囲気の顔ばかりが結構出るのに気付く。 もちろん何パターンもあるので、毎回同じでもないのだが、XやInstagramなどの生成AI画像
日本にバケーションに来た外国人が、日本を訪れる際の基本心得を紹介「ゴミ捨てるな、公共の場ではマナーを守り騒ぐな、片言でいいから日本語を少し学んでおけ」など
TrinityNYC @TrinityNYC For the love of god, don't be a dumb and annoying tourist. Be the smart tourist. I just came back from a 12-day vacation in Japan, and saw so many annoying tourists that locals can't help but shake their heads at. So here are my five basic tips of traveling in Japan and hopefully they don't shake their heads at you. どうか愚かで態度の悪い旅行客にならないで。きちんとした旅行客になりましょうよ。私は日本で12日間のバケーションを過ごし
nerman: AllenNLP と Optuna で作る固有表現抽出システム - クックパッド開発者ブログ
事業開発部の @himkt です．好きなニューラルネットは BiLSTM-CRF です． 普段はクックパッドアプリのつくれぽ検索機能の開発チームで自然言語処理をしています． 本稿では，レシピテキストからの料理用語抽出システム nerman について紹介します． nerman の由来は ner (固有表現抽出 = Named Entity Recognition) + man (する太郎) です． クックパッドに投稿されたレシピから料理に関する用語を自動抽出するシステムであり，AllenNLP と Optuna を組み合わせて作られています． （コードについてすべてを説明するのは難しいため，実際のコードを簡略化している箇所があります） 料理用語の自動抽出 料理レシピには様々な料理用語が出現します． 食材や調理器具はもちろん，調理動作や食材の分量なども料理用語とみなせます． 「切る」という調理
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは。テクノロジーグループ サイエンス統括本部で画像認識領域の技術開発や応用を担当している土井です。 ヤフーは、特許庁が初めて開催した「AI×商標 イメージサーチコンペティション」において、第1位を獲得しました。（プレスリリース） 本記事では、社内の画像検索に関わる有志で参加した、「AIx商標イメージサーチコンペティション」（特許庁主催、Nishika株式会社開催／以降、本コンペまたはコンペとする）の概要と弊チームの優勝解法について紹介します。 目次 コンペの概要 コンペの結果 基本的なアプローチ（類似画像検索について） ソリューション概要 データセットの正解ラベルの修正 画像をグループ化し同一グループの画像を正解画像とする
4月に再放送されたドラマが、軒並み高視聴率を記録している。『ハケンの品格 2007特別編』（日本テレビ系）は平均視聴率10.6％、『BG～身辺警護人～傑作選』（テレビ朝日系）は同10.8％、『JIN-仁-レジェンド』（TBS系）は同11.2％と、2桁超を連発。テレビ東京は5月2日、公式アカウントで、「もう一度見たいテレ東深夜ドラマ」のアンケートを開始した。 製作費は事実上“ゼロ”。濡れ手で粟のテレビ局は大喜びかと思いきや、「再放送作品を選ぶのが大変なんです……」と嘆息するのは、あるキー局編成スタッフだ。“様々な理由”から「視聴率を稼げるのに再放送できない人気ドラマ」が多いのだという。 例えば安達祐実主演の『家なき子』（1994年・日テレ系 最高視聴率37.2％）。「同情するなら金をくれ！」のセリフは社会現象にもなったが、地上波での再放送は一度もない。 「不幸な境遇の安達がけなげに生きる姿が
来年４月に改正される「改善基準告示（自動車運転者の労働時間等の改善のための基準）」の影響で物流業界の運転手不足が懸念される中、バス業界も危機感を募らせている。京浜急行電鉄グループの京浜急行バス（京急バス）は２０日から、一部車両の車内の全ての広告を、運転手などの職種を募集するものに切り替えた。今回の募集広告について同社は「２０２４年問題への対策」と位置付けており、「社員一丸となって今回の施策を行う」としている。 改善基準告示は、バスやトラックなどの運転手について、労働条件の向上を図るため拘束時間の上限や休息期間についての基準が設けられている。 現行では１日当たりの休息時間は「継続８時間」と定められているが、来年４月からは「継続１１時間を基本とし、９時間下限」へと変更される。 トラックなどの物流業界だけではなく、バス業界も同様に適用を受けることに伴い、運転士の勤務間のインターバルなどが変更にな
はじめに 申し訳ありませんが競馬用語の解説は省きます。競馬に興味がある人が読んでいると思うので。 netkeiba.comで公開されている情報(スクレイピングでとってくる情報) には血統、走破タイム、走行距離等色々あります。前提として、スクレイピングしたデータをそのままモデルに fitさせたところで何も予想してくれません。情報を選別、整理、分析していく必要があります。 データの分析の方針を決める前に、まずは仮説として、 レースが始まってから最後の直線まで色々あったが、上り3ハロンで馬は残る力全てをもって走り切り ゴールを通過した順に着順が決まる とします。当たり前だと思われるかもしれませんがこれにより考慮すべき情報が絞れます。 私が分析を進める上で使用しているデータは以下 ・ラップタイム →レース全体のペース、レースのグレードを評価 ・レースの種類芝orダート/距離 →数あるレースの種類を
x Daily News @xDaily Your #1 News source on everything X + https://t.co/rn58CVV9pw | Hit Follow and sign up for notifications! 🔔 | Contributors: @HXMnCK, @512x512, @xUpdatesRadar and @swak_12 X News Daily @xDaily NEWS: X’s updated Privacy Policy has added a mention of using X data to train AI models 👀 pic.twitter.com/Bn5YyoeHjq 2023-08-31 21:51:18
追記事項（2020/10/13） 10月13日、本日Numerai Signalsが正式にリリースされた。これに伴ってFounderのRichard Craib氏がMediumに記事を投稿している（画像はMedium記事より引用）。 本記事の初回投稿時にはSignalsのターゲットはブラックボックスと書いたが、現在ヒストリカルターゲットが提供されるようになっている。これに加えてCraib氏の記事を受けて、Signalsに参加するインセンティブについても纏め直した。また記事の随所や画像についても最新のものに更新した。 はじめに 前回記事はこちら。 これまでベータ版であったNumerai Signalsの仕様がほぼほぼ確定した。株価のリターンを予測してシャープを競うベータ版から大きく変更が入り、誰も見たことのないようなオリジナルのSignalを探索するというタフな仕様となっている。筆者はこのト
無償かつ入手しやすい音声データセットをメモしています。 ライセンス・利用規約は「商用利用可能」「研究用途のみ」ともに紹介します。 コーパスを探すときに有用なサイト コーパス配布元サイト 音声資源コンソーシアム : 日本語コーパスが豊富、無償または有償で利用可能 緩いライセンスのコーパスでなくても良いときはここ 自発的発話の日本語音声コーパスはだいたいここにある 入手は要申請 所属や責任者を記入する必要があるため、研究者や企業でないと厳しい？ （この記事では音声資源コンソーシアムのコーパスは未掲載） Shinnosuke Takamichi: コーパス一覧 : 日本語中心。高道先生が携わっている音声コーパス 大量の日本語音声コーパスが配布されている 音声合成のコーパスをつくろう (Slideshare) : 2021年6月時点の音声コーパス事情 あなたにどうしても伝えたい30の音声コーパス
こんにちは ゴリラ.vimを運営しているゴリラです。 Vimでコーディング中に帰りの電車時間を知りたくなる時があるので、プラグイン作りました。 このプラグインを入れればブラウザを開くことなく乗り換えルートを検索できます。便利です。 何ができる？ Yahoo乗り換え案内 電車遅延情報 導入 https://github.com/skanehira/train.vim READMEを参照して下さい。 使い方 乗り換え :TrainSearchRoute 出発駅 到着駅 電車遅延情報 :TrainLateInfo 仕組み vital.vimというvimのライブラリのWeb.HTMLを使用してYahoo乗り換え案内のHTMLのパースをしています。 let l:url = 'https://transit.yahoo.co.jp/search/result?flatlon=&fromgid=&fro
はじめに 以下の Tweet で言っている"長い旅路"の詳細です。完全にポエムかつ長文*1、しかも自己陶酔を多分に含んだ自分語りです。 暇かつ心に余裕があって何でも寛大に許せそうな場合にお読みください。 奇跡の solo gold を獲得し、遂に Kaggle Master になりました！ Kaggle と出会ってから4年半、一念発起して分析コンペに本気で取り組み始めてから1年半、長い旅路でした。 今までチームを組んだり議論したりして下さった皆さん、本当にありがとうございました！これからもよろしくお願い致します！ pic.twitter.com/IzWin2rioa— 俵 (@tawatawara) 2020年3月18日 話をしよう。あれは２年... いや５年くらい前の話だったか... といった感じの、むかーしむかしからの話*2。Kaggle と出会ってからの人生(の一部)の紹介みたいなも
0. はじめに 1. 対象データ 2. 先に各手法の結果を確認 3.準備 4. 基礎集計~CMを見た人と見ていない人での目的変数の差~ 5. 因果推論の流れのおさらい 6. 傾向スコアモデリング 6.1 モデリング 6.2 テスト / コントロールの傾向スコアの可視化 6.3Rでの傾向スコアモデリングの実装 7. 傾向スコアマッチング 7.1 結構面倒なpython 7.2 R (Matchingライブラリ) 7.3マッチングの評価 8.IPW 9. ダブルロバスト 9.1 回帰モデル 9.2ダブルロバスト 10.Proximityマッチング 11.改めて、各種手法による推定因果効果のまとめ 12.まとめ 0. はじめに 理論編に引き続き、実装を行なっていきます。 pira-nino.hatenablog.com 実装はpythonとRの両方で行いました。 作業用のコードは以下のgithu
インタビューと文章： 森嶋良子 写真：小野奈那子 人の暮らす場所は1つの「点」にとどまらず、人生の中で移り変わって「線」を描きます。その点と点のつながりを生み出すのが、日常の足となる路線です。普段何気なく乗っている路線がどれほど愛すべきものであり、日々の生活に寄り添ってくれていたのかを、その路線にゆかりのある方々に語っていただく企画「私の好きな路線と街」。 渋谷から世田谷区、川崎市、横浜市を通り抜け、町田市をかすめて大和市の中央林間まで至る東急田園都市線。代表的な駅の1つに、住みたい街ランキングの常連でもある二子玉川（東京都世田谷区）があります。 渋谷と二子玉川の間には、かつて「玉電」の愛称で親しまれた路面電車、東急玉川線が走っていました。玉電の廃止後、地下鉄「新玉川線」が開通し、営団地下鉄（現在の東京メトロ）半蔵門線と接続して都心への乗り入れが実現します。田園都市線としての終点も、当初の
Reverse Engineering the source code of the BioNTech/Pfizer SARS-CoV-2 Vaccine - Bert Hubert's writings
Reverse Engineering the source code of the BioNTech/Pfizer SARS-CoV-2 Vaccine Translations: ελληνικά / عربى / 中文 (Weixin video, Youtube video) / 粵文 / bahasa Indonesia / český / Català / český / Deutsch / Español / 2فارسی / فارسی / Français / עִברִית / Hrvatski / Italiano / Magyar / Nederlands / 日本語 / 日本語 2 / नेपाली / Polskie / русский / Português / Română / Slovensky / Slovenščina / Srpski / Türk
ブラウザ1つで独自の機械学習モデルを無料で作成できる「Nanonets」を使ってみた！ - paiza times
どうも、まさとらん（@0310lan）です！ 今回は、誰でも簡単にブラウザからオリジナルの機械学習モデルを作成・トレーニングすることができるサービスをご紹介します。 画像に写っているモノを特定したり、対象のオブジェクトを検出・抽出するなどさまざまな活用方法があり、トレーニングも数分で完成するので効率よくモデルを構築することができます。 また補足として、Airtableを活用した事例についても合わせて紹介しているので、ご興味ある方はぜひ参考にしてみてください！ なお、paizaラーニングでも機械学習を学べる「Python×AI・機械学習入門編」を公開していますので、合わせてチェックしてみてください。 Python×AI・機械学習入門編について詳しくはこちら 【 Nanonets 】 ■「Nanonets」の使い方 それでは、最初にNanonetsをどのように使っていけば良いのかを見ていきまし
はじめに Pytorchでコードを書き始めるとき、乱数固定やデータローダー、モデルの訓練や学習結果の取得等、毎度色々なサイトを参照するのは面倒だと思い、現時点の個人的ベストプラクティス・テンプレートを作成してみました。 今後のバージョンアップや便利なライブラリの登場で変わるかもしれませんげ、現在はこれで落ち着いています。 個人的な備忘録も兼ねて、前半に簡単な解説付きのコードと最後に全コードを載せています。 もっと便利な書き方やライブラリなどあれば、コメントいただけると嬉しいです。 テンプレート（解説付き） 1. ライブラリインポートと初期設定 torchやよく利用するライブラリ(numpy, matplotlib)のインポート モデルの訓練時（for文）の進捗を表示するtqdmライブラリ（jupyter notebookとコマンドライン版） 進捗表示は待ち時間の見積もりやエラーに気づくこと
こんにちは。データサイエンティストの堀部です。 この記事は Enigmo Advent Calendar 2020 の9日目の記事です。 何か社外のデータを使っていい感じのことができないかなと思っていたところ、3日目の竹本さんの記事がおもしろく、パクリ二次創作しました。 短期間で実装したので汚いコードで見苦しいかもしれないですがご了承ください。ちなみに、私は競馬は簡単なルールを知っているくらいでズブの素人です。 目次 使用したライブラリ データ取得 前処理 学習 予測・評価 VSオッズ低い順 VS競馬必勝本 感想 参考資料 使用したライブラリ import urllib.parse import urllib.request as req from time import sleep import category_encoders as ce import lightgbm as lgb
AIが作った画像か判別するAIを4hで作ったらまあまあの精度出たのでWebサービスとして公開した件 - Qiita
AIが作った画像か判断するAIを作りました Webサービスとして提供していましたが、飽きたのでクローズしました ※機械学習やったことない人が書いてます Why ピクシブのお気持ち表明記事の「AI生成作品のフィルタリング機能」というのが気になり、機械学習で作ることが出来るのではと思いやってみることに Step 1 素材を集める 割愛 Step 2 コードを書く AutoGluon というAutoML(全自動で良い感じに機械学習してくれる奴)ツールを使ったので、パラメーターの調整や難しいコードは何も書いてません。 過去に使って良い感じになった奴を流用します。 from autogluon.vision import ImagePredictor, ImageDataset if __name__ == "__main__": # \imagesの中にはAIが生成した画像フォルダとAIが作ってな
The Four Innovation Phases of Netflix’s Trillions Scale Real-time Data Infrastructure
My name is Zhenzhong Xu. I joined Netflix in 2015 as a founding engineer on the Real-time Data Infrastructure team and later led the Stream Processing Engines team. I developed an interest in real-time data in the early 2010s, and ever since believe there is much value yet to be uncovered. Netflix was a fantastic place to be surrounded by many amazing colleagues. I can’t be more proud of everyone
SimCity・Cities Skylines・Transport Tycoon・A列車・Soviet Republicの都市開発シミュレーション5作品は何が違うのか？
都市開発シミュレーションは、学校・警察・消防・病院などの公共サービスや発電所・鉄道・空港などのインフラなどを設置することで、都市を発展させるというゲームジャンルです。都市開発シミュレーションの中でも特に著名な「SimCityシリーズ」「Cities Skylines」「Transport Tycoon」「A列車で行こうシリーズ」「Workers ＆ Resources： Soviet Republic」という5作品について、ブロガーのAlfred Twuさんが比較を行っています。 Alfred Twuさん (@alfred_twu) / Twitter https://twitter.com/alfred_twu 今回比較した5作品はどれも「都市開発」という点では共通していますが、それぞれの設計思想が異なります。 Been doing some gaming on the holidays
TechCrunch
EyeEm, the Berlin-based photo-sharing community that exited last year to Spanish company Freepik after going bankrupt, is now licensing its users’ photos to train AI models. Earlier this month,
目次 前提 交通手段 長距離移動 空路 鉄路 海路 陸路 短距離移動 お得な切符 宿泊 トラブルシューティング ケーススタディ 前提 ｢旅行｣に関する以下の話題を扱います 交通手段 宿泊 旅程計画 ｢交通手段｣については, 公共交通 + 免許等が不要な手段を扱います レンタカーや自家用車はスコープ外とします チャーターもスコープ外とします 以下, 基本的に私見120%です ｢それは違うんじゃない?｣, ｢自分は反対だな｣という意見もあろうかと思います 盛り込んでいきたいので是非ご意見をお聞かせください 免責 papix.iconの記憶や体験に基づく内容です 全てが現在も適用されているかは不明です 実際に記載された情報を旅行の中で活用する場合は, 改めて現在の状況を確認してからにしてください Xでの質問や相談は大歓迎です https://twitter.com/__papix__ 交通手段
AIは双子の顔をどれだけ正確に判別できるのか？（規約違反してしまったので修正の上 再公開いたしました） - Qiita
100％ の圧倒的正解率！！！！(顔検出されない場合を除く) たった5枚の画像による学習でここまでの精度を出せるなんて、 Face API すごいですね。 Face APIにとっては、一卵性の双子ですら見分けることは朝飯前のようです。 顔検出されない場合について 「顔検出されず」の数が少々多いのが気になります。 個別に見ると、はっきり顔が映っているのに顔検出されない場合がありました。Face APIは、顔が斜めに写っている写真は苦手のようです。 顔検出されない画像例 作り方 かかる時間について この製作に費やした時間は約2日です。 平日フルタイムで働き、帰宅後に作業を開始してこの日数です。 このエントリーを書くほうが時間がかかっています。 そのくらい手軽＆簡単に、AI を使ってモノづくりができるよということをお伝えできればと思います。 使ったもの サービス インターフェイス LINE BO
Reinventing search with a new AI-powered Microsoft Bing and Edge, your copilot for the web - The Official Microsoft Blog
All Microsoft Global Microsoft 365 Teams Copilot Windows Surface Xbox Deals Small Business Support Software Windows Apps AI Outlook OneDrive Microsoft Teams OneNote Microsoft Edge Skype PCs & Devices Computers Shop Xbox Accessories VR & mixed reality Certified Refurbished Trade-in for cash Entertainment Xbox Game Pass Ultimate PC Game Pass Xbox games PC and Windows games Movies & TV Business Micro
GitHub - CompVis/stable-diffusion: A latent text-to-image diffusion model
Stable Diffusion was made possible thanks to a collaboration with Stability AI and Runway and builds upon our previous work: High-Resolution Image Synthesis with Latent Diffusion Models Robin Rombach*, Andreas Blattmann*, Dominik Lorenz, Patrick Esser, Björn Ommer CVPR '22 Oral | GitHub | arXiv | Project page Stable Diffusion is a latent text-to-image diffusion model. Thanks to a generous compute
現在マスコミを賑わせている話題について、元ツイでいくつか実体験に基づく一般的な指摘をさせて頂きましたところ、やはりTwitterでは言葉足らずだったり説明しきれずに追加の質問を何点か頂きましたので、以下に各論点についてより詳細な説明をさせて頂きました。可能な限り私個人の実体験も盛り込み、出来るだけ分かりやすく噛み砕いたつもりです。 なお、「一般論にすぎない」、というご指摘がありましたが、当然ご本人にしか真偽のほどは分からないし、むしろ一般論を伝えることが目的でしたので、その点はご理解下さい。なお、「こんなに色々知ってるお前は誰やねん」問題も当然ながらあると思いますので、私自身のバックグラウンドについては下の方をご覧いただければと思います。 また、根っからのポジ人間としては、このネガティブ報道をなんとかしてポジティブな方向に昇華できないか、という思いがあり、私が以下の内容を詳述することで、特
手順 トレーニングデータを準備してアップロードする 新しいFine-tuningされたモデルをトレーニングする Fine-tuningモデルを使用する ドキュメントに沿って行っていくので、APIの利用はOpenAIのCLIを使って実行してきます。 以下のコマンドでインストール。・ pip install --upgrade openai openaiのAPI keyを環境変数にセットします。 export OPENAI_API_KEY="<OPENAI_API_KEY>" サンプルとして、ゲーム内のとある名称がスキルなのか爆発なのか分類させてみます。 chatGPTではこのように間違った回答を返していたので、正しい情報を学習させてみます。 1. トレーニングデータを準備してアップロードする トレーニングデータは、GPT-3に言いたいことを教える方法です データセットの準備 に書いてあるベス
1.はじめに 今までのFaceSwapは、個別に学習プロセスが必要なため処理に時間がかかるのが難点でした。今回ご紹介するのは、個別の学習プロセス無しでFaceSwapを実現するSberSwapという技術です。 2.SberSwapとは？ 下記の図は、SberSwapのモデル図でAEI-Netと呼ばれており、３つの部分で構成されています。 １つ目がIdentity Encoderで、画像XsからベクトルZidを求めます。２つ目がMulti-level Attributes Encoderdで、U-Netと同様な構造を持ち画像Xtから特徴Zattを取り出します。そして、３つ目がAAD Generatorで、これらの情報から目的とする画像を生成します。 3.コード コードはGoogle Colabで動かす形にしてGithubに上げてありますので、それに沿って説明して行きます。自分で動かしてみたい
記事について 画像はDetectron2より 物体検出をほとんど使っていない方を対象として、2021年末の物体検出ライブラリを俯瞰することが本記事の目的。 ある程度物体検出の経験ある方は学ぶことは少ないと思う。またあくまで書いてあるのは筆者の感想であるので人によっては全く違う意見になることもあるかと。また本記事ではモデルの技術的な説明はありません。それらについて理解を深める際は参考ページや元論文を当ってみると良いかと思います。 また大変遅くなりましたが、本記事はKaggleアドベントカレンダー（裏）の24日目でもあります（年明けちゃってすみません）。 qiita.com 記事について 紹介するライブラリ一覧 所感 アンサンブルについて 精度vs速度トレードオフ ライブラリ紹介 yolov5 学習について 推論について Yolox 学習について Efficientdet 学習コード torc
January 30, 2023 In this post, we'll implement a GPT from scratch in just 60 lines of numpy. We'll then load the trained GPT-2 model weights released by OpenAI into our implementation and generate some text. Note: This post assumes familiarity with Python, NumPy, and some basic experience training neural networks. This implementation is missing tons of features on purpose to keep it as simple as p
flairを使って最速でNLPのベースラインモデルを作る - moriyamaのエンジニアリング備忘録
自然言語処理に限らず、機械学習関連のプロジェクトではスタート時は、なるべく複雑なコーディングをせずにシンプルなベースラインモデルを低コストで作成し、そこからデータの傾向やタスクの複雑さを把握することが重要です。 ところが自然言語処理では前処理のコストが高く、最低限でも単語分割、ベクトル化、深層学習を用いる場合は事前学習された埋め込みベクトルを準備する必要があります。その後は他のタスクと同様にモデルの保存方法や、予測のパイプラインで悩みポイントを抱えることが多いと思います。 最近はAutoMLを始めとした機械学習の自動化が進歩し、初手から高性能なモデルをブラウザ上で数クリックで作成できますが、中身がブラックボックスである故に前述のデータの傾向やタスクの複雑さを把握することを目的とした場合には適切とは言えない側面があります。 本記事では自然言語処理を対象にモデルの中身が参照可能でかつ少ないコー
土地被覆分類とは？ 衛星画像や航空写真などのリモートセンシングデータを分析し、地表のさまざまなカバータイプ（例えば、森林、農地、水域、都市地域など）を識別するプロセスです。土地被覆分類は地球環境のモニタリング、土地利用計画、生態系の管理、気候変動の研究など、多くの応用分野で利用されます。 以前の記事で利用した環境省生物多様性センターの植生図をはじめ、国土地理院の地理院地図、産総研のシームレス地質図などが作成され公開されています。 GEEには土地被覆分類を行うためのオブジェクトとしてee.Classifierというものが用意されています。これを利用することで機械学習を利用した土地被覆分類を行うことができます。 ee.Classifierが対応している主要な機械学習モデルは以下の通りです。 決定木(Decision Tree)：条件分岐によってグループに分けられる木の構造をしたものです。回帰に
Introducing Amazon Managed Workflows for Apache Airflow (MWAA) | Amazon Web Services
AWS News Blog Introducing Amazon Managed Workflows for Apache Airflow (MWAA) As the volume and complexity of your data processing pipelines increase, you can simplify the overall process by decomposing it into a series of smaller tasks and coordinate the execution of these tasks as part of a workflow. To do so, many developers and data engineers use Apache Airflow, a platform created by the commun
導入 本当に革命的な技術なのか? 「君たちはどう生きるか」で驚いている間にすごい論文が世界の話題を掻っ攫っていた。 その名も「ReLORA」簡単に言えば、「事前学習にLoRAを使う」というものである。 これは本当に革命的な発見かもしれないので、僕の仮説も含めて丁寧に説明する。 まず、大前提として、「LoRA」という技術について LoRAは、「Low Rank Adaptation(日本語で言うとすれば低階適応)」という技術で、これまでは主にファインチューニングに使われてきた。 ファインチューニングとは、あらかじめ学習されたニューラルネットワークに対して追加で学習させ、概念を強調させたり新しく覚えさせたりする。 たとえば、僕の顔でStableDiffusionをファインチューニングすれば、僕みたいな顔の絵がどんどん出てくる。 言語モデルにおけるLoRAも同様で、新しい概念や「こういうやりとり
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
NN研究における再現性にまつわるエトセトラ - 渋谷駅前で働くデータサイエンティストのブログ
特許庁主催のAIコンペで1位、ヤフーの画像検索技術を使った優勝解法紹介
『家なき子』『聖者の行進』…名作ドラマを再放送できぬ事情
「このままではヤバイです」２０２４年問題で運転手が足りない 京急バスが募集広告
python初心者、競馬歴1年未満でも３連単を当てることができました。 - Qiita
Xで投稿されたデータはAI学習に使用されると聞いてラーメン画像をスタバとツイートする積み重ねがようやく実る話
機械学習による株価予測 さがそう 真のNumerai Signals - Qiita
無償入手可能な音声コーパス／音声データベースの一覧 - Qiita
Vimで電車乗り換えルート検索 - Qiita
Kaggle と出会ってから Master になるまで、そしてこれから。 - 俵言
傾向スコアを用いた因果推論入門~実装編~ - 下町データサイエンティストの日常
向谷実さんの鉄道愛を育んだ、人と技術が交わる街、二子玉川【私の好きな路線と街】 - SUUMOタウン
Pytorch Template 個人的ベストプラクティス（解説付き） - Qiita
機械学習で競馬必勝本に勝てるのか？ 〜Pythonで実装するランク学習〜 - エニグモ開発者ブログ
移動を支える技術 - papitravel
アメリカロースクールの摩訶不思議について｜Yumi O. Murakami
OpenAI APIのFine-tuningを試してみる | DevelopersIO
SberSwapで、個別の学習プロセス無しでFaceSwapを実現する | cedro-blog
物体検出ライブラリの紹介と所感 - arutema47's blog
GPT in 60 Lines of NumPy | Jay Mody
【GEE】ランダムフォレストで土地被覆分類を行う【衛星データ解析】 - LabCode
これぞ革命!?ゼロから大規模言語モデルを学習できるReLORA登場(7/18追記あり)｜shi3z