はじめに Chainer 1.16.0 のリリースでNStepLSTMが実装されました。 NStepLSTMはその名のとおりLSTMの多層化が容易に実現できるモデルとなっています。 内部的にはcuDNNで最適化されたRNNが使われており、従来のLSTMに比べて高速に動作します。 さらにNStepLSTMではミニバッチのデータの長さをそろえる必要がなくなり、各サンプルをリストに入れたものをそのまま入力できるようになりました。 これまでのように-1でpaddingしてignore_label=-1とwhereを駆使したり、データの長さ順にソートしたリストを転置して入力したりという手順が不要になりました。 そこで今回はこのNStepLSTMを使って系列ラベリングの学習をしてみました。 従来のLSTMとのインタフェースの違い NStepLSTMはこれまでのLSTMと入出力が異なるので、今まで実装し
東京アメッシュ便利ですよね。 1日の天気予報が知りたいのではなく、「今」降っているのか、とか5分後に雨が降るのかどうか知りたいって時は天気予報を見るよりもアメッシュで雨雲の動きを自分で予測するほうが確実です。 あとゲリラ豪雨がやってくる季節になると、天気予報が役にたたなくなります。 そんなときアメッシュを見ながら外に出るタイミングを見計らったりしていますが、わざわざブラウザを起動するのが面倒なのでつくりました。 ターミナル上に雨雲を表示するシェルスクリプトame.shです! (これが言いたかっただけです…) 動作環境はSixel対応のImageMagickとmlterm、bashかzshで動作するはずです。 コード: https://github.com/hamano/ame.sh 実行: % curl -s https://raw.githubusercontent.com/hamano
iPhone6sのシャットダウン問題、バッテリー交換対象判定ページの日本語版が公開 2016 12/01 Appleは、一部のiPhone6sが突然シャットダウンする不具合について、バッテリー交換対象端末かを判定できるページの日本語版を公開しました。シリアル番号を入力するだけで対象端末かどうかを簡単に確認可能です。 自分のiPhone6sがバッテリー交換対象かを簡単に確認可能！ 先日お伝えした、一部のiPhone6sで突然電源が切れてしまう問題について、対象端末かを確認できるページの日本語版が公開されました。 設定アプリから一般＞情報の中にある「シリアル番号」を長押ししてコピーし、AppleのWebページに貼り付けるだけで、対象端末かどうかを判定できます。 対象になる端末は、2015年9月から10月に製造され、シリアル番号が特定の範囲に含まれるiPhone6sです。 なお、Appleはこの
はじめに ボケるRNNを学習したい (Chainer meetup 01)がすごく面白かったので，自分もChainerで実装をしました．それと，訓練したモデルをブラウザから直接確認できるアプリを作りました． はじめに断っておくと，僕のやったことは基本的には元スライドの二番煎じで，差分と言えば学習データを増やして実験してみたこと（うまく学習されなかった）と，Webアプリを作ったこと程度です． 作ったWebアプリはこんな感じ． 今回作ったものはGitHubで公開しています．ドキュメントはそのうち書くかもしれません． "ボケ"るためのモデル Convolutional Neural Network (CNN)を使って抽出した画像の特徴を，Recurrent Neural Network(RNN)への入力にすることで画像の説明文(キャプション)生成ができる，という研究があります．有名なところでは[
1. Ishikawa Watanabe Lab THE UNIVERSITY OF TOKYO http://www.k2.t.u-tokyo.ac.jp/ 猫でも分かる Variational AutoEncoder 2016/07/30 龍野 翔 (Sho Tatsuno) 2. Ishikawa Watanabe Lab http://www.k2.t.u-tokyo.ac.jp/ 今回の内容 • Variational Auto-Encoderの解説 – 生成モデルそのものの概要 – Variational Auto-Encoder(VAE)のなるべく噛み砕いた解説 – その他生成モデル論文のざっくりした紹介 • 説明すること/しないこと – 説明すること » 生成モデルの簡単な概要と事例 » Variational AutoEncoderの構造と数式的・直感的理解 – 説明しな
なろうデベロッパーを利用される方は、利用規約第2条(5)に定めるユーザと同様に扱われ、当該利用規約の適用を受けることとなりますのでご注意ください。 以下のような行為が確認された場合には運営より対応する場合がございますので、ヘルプセンター記事「小説家になろうグループを利用したアプリ・Webサイトの開発・運営にあたっての注意点」もご一読ください。 掲載作品の本文を機械的に取得し、アプリやWebサイト等で表示したり、ダウンロードする行為 連載作品の目次ページからエピソードタイトル一覧を取得し、アプリやWebサイト等で表示する行為 マイページに公開されているブックマーク等を機械的に取得し、アプリやWebサイト等で利用する行為 掲載作品の閲覧ページにて広告を除去する等の加工を行って表示する行為 ウェブサイト管理者やプログラマなど開発者向けツールを提供しています。商用サイトでの利用可能。 WEB AP
Private content!This content has been marked as private by the uploader.
Learning from a few examples remains a key challenge in machine learning. Despite recent advances in important domains such as vision and language, the standard supervised deep learning paradigm does not offer a satisfactory solution for learning new concepts rapidly from little data. In this work, we employ ideas from metric learning based on deep neural features and from recent advances that aug
I'm t9md Was normal Vim user Was advanced Emacs user. Was advanced Vim user vim-chef, vim-xmpfilter, textmanip, choosewin, quickhl, smalls... Am Atom with vim-mode-plus user vim-mode-plus, cursor-history, open-this, quick-highlight, project-folder... What makes me editor addict is difficulties and limitless enhanceability of Emacs. What is the vim-mode-plus? Started by forking vim-mode maintained
Vue.jsはそのまま使ってもよいですが「自分(プロジェクト)に合ったフレームワーク」を見つけるのにも向いています。 これは、後発フレームワークだけあり各フレームワークの特徴を意識した設計がなされているためです。他の著名なフレームワークとの特徴を比較した文書もあるので、こちらをチェックしながら導入を検討するとよいと思います。 そのため、以下はVue.jsの紹介と他フレームワーク(Knockout.js と Angular)へのステップという2セクションに分けて紹介していきたいと思います。 JavaScriptフレームワークの導入を行いたいがこの選択は慎重にいきたい、という状況であれば最初にVue.jsを試金石としてみて、効果的と感じられる機能からAngularやKnockout.jsに流れていくというのは十分ありだと思います。 2016/06: Vue.jsの1.x系に合わせて記述・サンプ
I'd like to send a local REST request in a flask app, like this: from flask import Flask, url_for, request import requests app = Flask(__name__) @app.route("/<name>/hi", methods=["POST"]) def hi_person(name): form = {"name": name} return requests.post(url_for("hi", _external=True), data=form) @app.route("/hi", methods=["POST"]) def hi(): return 'Hi, %s!' % request.form["name"] Sending curl -X POST
Stephen Merity, Caiming Xiong, James Bradbury, Richard Socher MetaMind - A Salesforce Company @smerity Many RNN encoder-decoder models need to (poorly) relearn one-to-one token mappings Recurrent dropout - use it (Gal or zoneout) Pointer networks are really promising + interesting (pointer sentinel helps pull off joint learning) Ensembles can do better via joint learning Mikolov PTB has issues - k
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