Soumettre la recherche
Mettre en ligne
Study Group of NIPS2017 presented by webfarmer.ltd
•
0 j'aime
•
659 vues
W
WEBFARMER. ltd.
Suivre
The document used in Study Group of NIPS2017 presented by webfarmer.ltd
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 49
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
Introduction to GAN model
Introduction to GAN model
WEBFARMER. ltd.
DRL_stydy_1_doc_ohmasa
DRL_stydy_1_doc_ohmasa
WEBFARMER. ltd.
Machine Learning 15minutes 発表資料(株)ウェブファーマー
Machine Learning 15minutes 発表資料(株)ウェブファーマー
WEBFARMER. ltd.
Connect_GANs_Actor-Critic
Connect_GANs_Actor-Critic
WEBFARMER. ltd.
SPIGAN理論と実装について at 論文LT会 in LPIXEL
SPIGAN理論と実装について at 論文LT会 in LPIXEL
WEBFARMER. ltd.
Nips20180127
Nips20180127
WEBFARMER. ltd.
論文読み会 発表資料 SPMモデル
論文読み会 発表資料 SPMモデル
WEBFARMER. ltd.
JTF2016 The strategy and Sun Tzu
JTF2016 The strategy and Sun Tzu
irix_jp
Recommandé
Introduction to GAN model
Introduction to GAN model
WEBFARMER. ltd.
DRL_stydy_1_doc_ohmasa
DRL_stydy_1_doc_ohmasa
WEBFARMER. ltd.
Machine Learning 15minutes 発表資料(株)ウェブファーマー
Machine Learning 15minutes 発表資料(株)ウェブファーマー
WEBFARMER. ltd.
Connect_GANs_Actor-Critic
Connect_GANs_Actor-Critic
WEBFARMER. ltd.
SPIGAN理論と実装について at 論文LT会 in LPIXEL
SPIGAN理論と実装について at 論文LT会 in LPIXEL
WEBFARMER. ltd.
Nips20180127
Nips20180127
WEBFARMER. ltd.
論文読み会 発表資料 SPMモデル
論文読み会 発表資料 SPMモデル
WEBFARMER. ltd.
JTF2016 The strategy and Sun Tzu
JTF2016 The strategy and Sun Tzu
irix_jp
Career - design, adaption and diversity - for EMC I&D event
Career - design, adaption and diversity - for EMC I&D event
Miya Kohno
エンジニアのための学ぶ技術
エンジニアのための学ぶ技術
nishio
首都大学東京「情報通信特別講義」2016年西尾担当分
首都大学東京「情報通信特別講義」2016年西尾担当分
nishio
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
cloretsblack
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
Shigeki Morizane
[Gree] DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
Takashi Suzuki
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
Masahito Zembutsu
2017首都大学東京情報通信特別講義
2017首都大学東京情報通信特別講義
nishio
Dll講演資料 2017616
Dll講演資料 2017616
NORIKO HOSAKA
Netadashi Meetup #3 20170614
Netadashi Meetup #3 20170614
Shigeki Morizane
ソフトウエアジャパン2017 IT Forum AITC(2)
ソフトウエアジャパン2017 IT Forum AITC(2)
aitc_jp
情シスのひみつ
情シスのひみつ
cloretsblack
ソフトウエアジャパン2017 IT Forum AITC(3)
ソフトウエアジャパン2017 IT Forum AITC(3)
aitc_jp
ACRi_gdep-hayashi-v2
ACRi_gdep-hayashi-v2
直久 住川
大規模インフラで考える インフラチームの未来
大規模インフラで考える インフラチームの未来
Masayuki Ueda
第32回WebSig会議オープニングセッション
第32回WebSig会議オープニングセッション
WebSig24/7
ソフトウエアジャパン2017 IT Forum AITC(4)
ソフトウエアジャパン2017 IT Forum AITC(4)
aitc_jp
[社内セッション]DevOps時代の僕の生き方、働き方
[社内セッション]DevOps時代の僕の生き方、働き方
Shigeki Morizane
Re: ゼロから始める監視設計
Re: ゼロから始める監視設計
Masahito Zembutsu
Braindotsをつくってわかったこと
Braindotsをつくってわかったこと
和樹 川端
2017年度 河野ゼミ スタートアップ資料
2017年度 河野ゼミ スタートアップ資料
義広 河野
音楽・エンターテインメント x AI (29 Aug 2017)
音楽・エンターテインメント x AI (29 Aug 2017)
Yuki Abe
Contenu connexe
Tendances
Career - design, adaption and diversity - for EMC I&D event
Career - design, adaption and diversity - for EMC I&D event
Miya Kohno
エンジニアのための学ぶ技術
エンジニアのための学ぶ技術
nishio
首都大学東京「情報通信特別講義」2016年西尾担当分
首都大学東京「情報通信特別講義」2016年西尾担当分
nishio
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
cloretsblack
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
Shigeki Morizane
[Gree] DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
Takashi Suzuki
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
Masahito Zembutsu
2017首都大学東京情報通信特別講義
2017首都大学東京情報通信特別講義
nishio
Dll講演資料 2017616
Dll講演資料 2017616
NORIKO HOSAKA
Netadashi Meetup #3 20170614
Netadashi Meetup #3 20170614
Shigeki Morizane
ソフトウエアジャパン2017 IT Forum AITC(2)
ソフトウエアジャパン2017 IT Forum AITC(2)
aitc_jp
情シスのひみつ
情シスのひみつ
cloretsblack
ソフトウエアジャパン2017 IT Forum AITC(3)
ソフトウエアジャパン2017 IT Forum AITC(3)
aitc_jp
ACRi_gdep-hayashi-v2
ACRi_gdep-hayashi-v2
直久 住川
大規模インフラで考える インフラチームの未来
大規模インフラで考える インフラチームの未来
Masayuki Ueda
第32回WebSig会議オープニングセッション
第32回WebSig会議オープニングセッション
WebSig24/7
ソフトウエアジャパン2017 IT Forum AITC(4)
ソフトウエアジャパン2017 IT Forum AITC(4)
aitc_jp
[社内セッション]DevOps時代の僕の生き方、働き方
[社内セッション]DevOps時代の僕の生き方、働き方
Shigeki Morizane
Re: ゼロから始める監視設計
Re: ゼロから始める監視設計
Masahito Zembutsu
Braindotsをつくってわかったこと
Braindotsをつくってわかったこと
和樹 川端
Tendances
(20)
Career - design, adaption and diversity - for EMC I&D event
Career - design, adaption and diversity - for EMC I&D event
エンジニアのための学ぶ技術
エンジニアのための学ぶ技術
首都大学東京「情報通信特別講義」2016年西尾担当分
首都大学東京「情報通信特別講義」2016年西尾担当分
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
情シス戦線異状アリ!? 自作のパケットレコーダーで海外拠点のLANを自動監視してみた
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
[XP祭り2017][B-3(1)]DevOps時代のプロジェクトマネージメントを考えよう
[Gree] DataEngConf NYC’18 セッションサマリー #1
[Gree] DataEngConf NYC’18 セッションサマリー #1
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
普通の人が勉強会で発表するために必要な準備のすべて~入門パブリック・スピーキング
2017首都大学東京情報通信特別講義
2017首都大学東京情報通信特別講義
Dll講演資料 2017616
Dll講演資料 2017616
Netadashi Meetup #3 20170614
Netadashi Meetup #3 20170614
ソフトウエアジャパン2017 IT Forum AITC(2)
ソフトウエアジャパン2017 IT Forum AITC(2)
情シスのひみつ
情シスのひみつ
ソフトウエアジャパン2017 IT Forum AITC(3)
ソフトウエアジャパン2017 IT Forum AITC(3)
ACRi_gdep-hayashi-v2
ACRi_gdep-hayashi-v2
大規模インフラで考える インフラチームの未来
大規模インフラで考える インフラチームの未来
第32回WebSig会議オープニングセッション
第32回WebSig会議オープニングセッション
ソフトウエアジャパン2017 IT Forum AITC(4)
ソフトウエアジャパン2017 IT Forum AITC(4)
[社内セッション]DevOps時代の僕の生き方、働き方
[社内セッション]DevOps時代の僕の生き方、働き方
Re: ゼロから始める監視設計
Re: ゼロから始める監視設計
Braindotsをつくってわかったこと
Braindotsをつくってわかったこと
Similaire à Study Group of NIPS2017 presented by webfarmer.ltd
2017年度 河野ゼミ スタートアップ資料
2017年度 河野ゼミ スタートアップ資料
義広 河野
音楽・エンターテインメント x AI (29 Aug 2017)
音楽・エンターテインメント x AI (29 Aug 2017)
Yuki Abe
利根川講演 In 香川201708
利根川講演 In 香川201708
Yuta Tonegawa
Pmaj産学連携pmセミナー 171216
Pmaj産学連携pmセミナー 171216
Miki Yutani
河野ゼミ研究紹介20180702
河野ゼミ研究紹介20180702
義広 河野
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
Ridge-i
脆弱性スキャナVulsの紹介とMackerelメタデータと連携した脆弱性管理
脆弱性スキャナVulsの紹介とMackerelメタデータと連携した脆弱性管理
Takayuki Ushida
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
[Japan Tech summit 2017] MAI 001
[Japan Tech summit 2017] MAI 001
Microsoft Tech Summit 2017
ゼロから深層学習を学ぶ方法 - CMS大阪夏祭り2017
ゼロから深層学習を学ぶ方法 - CMS大阪夏祭り2017
Tomo Masuda
フォトグラファーのためのUXデザイン
フォトグラファーのためのUXデザイン
Yoichi Shirasawa
コミュニケーションソフトウェアを創るということ
コミュニケーションソフトウェアを創るということ
Kazuho Oku
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
Takashi Suzuki
aiconf2017okanohara
aiconf2017okanohara
Preferred Networks
#ibis2017 Description: IBIS2017の企画セッションでの発表資料
#ibis2017 Description: IBIS2017の企画セッションでの発表資料
Yahoo!デベロッパーネットワーク
自然言語処理紹介(就職編)
自然言語処理紹介(就職編)
長岡技術科学大学 自然言語処理研究室
Watanabe civictechforum
Watanabe civictechforum
siramatu-lab
Lab introduction 2014
Lab introduction 2014
nlab_utokyo
DeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジ
Yusuke Uchida
Watson summit 公開用
Watson summit 公開用
Izumi Akiyama
Similaire à Study Group of NIPS2017 presented by webfarmer.ltd
(20)
2017年度 河野ゼミ スタートアップ資料
2017年度 河野ゼミ スタートアップ資料
音楽・エンターテインメント x AI (29 Aug 2017)
音楽・エンターテインメント x AI (29 Aug 2017)
利根川講演 In 香川201708
利根川講演 In 香川201708
Pmaj産学連携pmセミナー 171216
Pmaj産学連携pmセミナー 171216
河野ゼミ研究紹介20180702
河野ゼミ研究紹介20180702
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
脆弱性スキャナVulsの紹介とMackerelメタデータと連携した脆弱性管理
脆弱性スキャナVulsの紹介とMackerelメタデータと連携した脆弱性管理
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
[Japan Tech summit 2017] MAI 001
[Japan Tech summit 2017] MAI 001
ゼロから深層学習を学ぶ方法 - CMS大阪夏祭り2017
ゼロから深層学習を学ぶ方法 - CMS大阪夏祭り2017
フォトグラファーのためのUXデザイン
フォトグラファーのためのUXデザイン
コミュニケーションソフトウェアを創るということ
コミュニケーションソフトウェアを創るということ
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
[Gree] グリーのソーシャルゲームにおける機械学習活用事例
aiconf2017okanohara
aiconf2017okanohara
#ibis2017 Description: IBIS2017の企画セッションでの発表資料
#ibis2017 Description: IBIS2017の企画セッションでの発表資料
自然言語処理紹介(就職編)
自然言語処理紹介(就職編)
Watanabe civictechforum
Watanabe civictechforum
Lab introduction 2014
Lab introduction 2014
DeNAにおける先端AI技術活用のチャレンジ
DeNAにおける先端AI技術活用のチャレンジ
Watson summit 公開用
Watson summit 公開用
Plus de WEBFARMER. ltd.
The 53th Computer Vision Study@ kantou by Takamitsu Omasa
The 53th Computer Vision Study@ kantou by Takamitsu Omasa
WEBFARMER. ltd.
Nips2018 study only_pu_net_pdf
Nips2018 study only_pu_net_pdf
WEBFARMER. ltd.
第46回コンピュータ・ビジョン勉強会@関東(前編)
第46回コンピュータ・ビジョン勉強会@関東(前編)
WEBFARMER. ltd.
Chainer Meetup 発表資料
Chainer Meetup 発表資料
WEBFARMER. ltd.
SLAM_study_document
SLAM_study_document
WEBFARMER. ltd.
Ml15min発表資料(提出用)
Ml15min発表資料(提出用)
WEBFARMER. ltd.
Introduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
Introduction to YOLO detection model
Introduction to YOLO detection model
WEBFARMER. ltd.
Introduction to Deep Compression
Introduction to Deep Compression
WEBFARMER. ltd.
ディープラーニング・ハンズオン勉強会161229
ディープラーニング・ハンズオン勉強会161229
WEBFARMER. ltd.
Introduction to Neural Turning Machine
Introduction to Neural Turning Machine
WEBFARMER. ltd.
人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)
WEBFARMER. ltd.
Hackathon 161010 pressen
Hackathon 161010 pressen
WEBFARMER. ltd.
Introduction to Prioritized Experience Replay
Introduction to Prioritized Experience Replay
WEBFARMER. ltd.
The introduction to FRMQN model
The introduction to FRMQN model
WEBFARMER. ltd.
introduce to Multimodal Deep Learning for Robust RGB-D Object Recognition
introduce to Multimodal Deep Learning for Robust RGB-D Object Recognition
WEBFARMER. ltd.
introduction to Dueling network
introduction to Dueling network
WEBFARMER. ltd.
introduction to double deep Q-learning
introduction to double deep Q-learning
WEBFARMER. ltd.
岡谷貴之「深層学習」の解説
岡谷貴之「深層学習」の解説
WEBFARMER. ltd.
introduction to Deep Q Learning
introduction to Deep Q Learning
WEBFARMER. ltd.
Plus de WEBFARMER. ltd.
(20)
The 53th Computer Vision Study@ kantou by Takamitsu Omasa
The 53th Computer Vision Study@ kantou by Takamitsu Omasa
Nips2018 study only_pu_net_pdf
Nips2018 study only_pu_net_pdf
第46回コンピュータ・ビジョン勉強会@関東(前編)
第46回コンピュータ・ビジョン勉強会@関東(前編)
Chainer Meetup 発表資料
Chainer Meetup 発表資料
SLAM_study_document
SLAM_study_document
Ml15min発表資料(提出用)
Ml15min発表資料(提出用)
Introduction to A3C model
Introduction to A3C model
Introduction to YOLO detection model
Introduction to YOLO detection model
Introduction to Deep Compression
Introduction to Deep Compression
ディープラーニング・ハンズオン勉強会161229
ディープラーニング・ハンズオン勉強会161229
Introduction to Neural Turning Machine
Introduction to Neural Turning Machine
人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)
Hackathon 161010 pressen
Hackathon 161010 pressen
Introduction to Prioritized Experience Replay
Introduction to Prioritized Experience Replay
The introduction to FRMQN model
The introduction to FRMQN model
introduce to Multimodal Deep Learning for Robust RGB-D Object Recognition
introduce to Multimodal Deep Learning for Robust RGB-D Object Recognition
introduction to Dueling network
introduction to Dueling network
introduction to double deep Q-learning
introduction to double deep Q-learning
岡谷貴之「深層学習」の解説
岡谷貴之「深層学習」の解説
introduction to Deep Q Learning
introduction to Deep Q Learning
Dernier
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
Dernier
(9)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
Study Group of NIPS2017 presented by webfarmer.ltd
1.
第2回 NIPS2017 理論と実装方 法を話し合う会 2018/2/13 主催:株式会社ウェブファーマー
2.
この会の目的 一人でNIPSを追えない 各自が特定の論文を読み、(実装し)、それ をみんなで議論できればいい NIPSを追ってれば人工知能の最新技術がわかる
3.
◾名前:⼤政孝充(おおまさ たかみつ) ◾株式会社ウェブファーマー 代表 http://web-farmer.net ◾⼈⼯知能システムの開発(画像・動画・時系列データ) ◾⼈⼯知能のコンサルタント ⾃⼰紹介 masataka46
4.
人工知能 プロトタイプ開発 • 人工知能の試作品、本格的な開発に入る前のプロトタイプを開発 • 画像系、動画系、音声系、時系列データ系の人工知能を取り扱い 試作品の例) 顔の表情を読み取る アプリ 困惑の表情 学習
5.
6.
本日の予定 1)Triple-GANの実装とその周辺(大政) 2)Gated Recurrent Convolution
Neural Network for OCR(大政) 3)Cycle-GAN(大川) 4)Attention is All You Need(下村)
7.
Triple-GANとは 論文 C. Li, et.
al. Triple Generative Adversarial Nets. In NIPS, 2017. 著者らのコード https://github.com/zhenxuan00/triple-gan taki0112氏のTensorflowを用いたCifar10での学習コード https://github.com/taki0112/TripleGAN-Tensorflow 私のTensorflowを用いたMNISTでの学習コード https://github.com/masataka46/tripleGAN 私のChainerを用いたMNISTでの学習コード https://github.com/masataka46/tripleGAN_chainer
8.
GAN〜Triple-GAN〜の流れ
9.
元祖GANsのしくみ Xl Xg R 元祖 GANs ノイズによって異なる画像を生成する Ian Goodfellow,
et. al. Generative adversarial nets. In NIPS, 2014.
10.
Conditional-GANのしくみ Xl R 3 3 3 Conditional-GAN ラベルを一緒に入力し、そのラベルの画像を生成させる M. Mirza and
S. Osindero. Conditional generative adversar- ial nets. arXiv preprint arXiv: 1411.1784, 2014 Discriminatorは入力された画像とラベルのペアが real なものか、生成され たものかを判別する
11.
Conditional-GANの問題点 Xl R 3 3 3 例えば Discriminator に と3を入力した時に
Discriminator が生成され た画像とラベルのペアと判定したとする。 これは3っぽい画像だけど本物っぽくないスタイルなので real でないと考 えたのか・・・・ あるいは本物っぽいスタイルだけど3でなく8と考えたからそう判定したの だろうか・・・ Conditional-GANの問題点
12.
AC-GANのしくみ Xl R 3 3 3 AC-GAN ラベルも推定させ、学習させる A. Odena, et.
al. Conditional Image Synthesis with Auxiliary Classifier GANs. arXiv: 1610.09585v4 DiscriminatorもGeneratorもクラスを判別できるように学習する 1〜9 Generator: Discriminator:
13.
Conditional-GANの問題点 Xl R 3 3 3 Discriminator に画像のスタイルとラベルとの両方を判定させている →これが性能の向上を妨げている・・・? AC-GANの問題点(1) 1〜9
14.
Conditional-GANの問題点 Xl R 3 3 3 あるいは、この仕組みだとラベルの付いた画像しか学習に使えないので、 データセットが少ない →これも性能の向上を妨げる原因 AC-GANの問題点(2) 1〜9
15.
Triple-GANのしくみ そこで Triple-GAN では新たに
Classifier を設ける 3 3 3 3
16.
Triple-GANのしくみ ① Classifier でラベルを識別する →これにより
Classifier の識別性能はどんどん上がるだろう。。。 3 3 3 3 Classifier にラベルの存在する画像を入れた場合の流れ 出力と正解ラベルから教師あり学習をする
17.
Triple-GANのしくみ ② Classifier にラベルなしの画像も入れ、ラベルを推論させる →データセットが大幅に増やせる 3 3 3 3 ラベルの無い画像を
Classifier に入れた場合の流れ Classifier でラベルを推論し、それを Discriminator に渡す
18.
Triple-GANのしくみ ③ Classifier に
Generator で生成した画像を入れる →データセットが更に増やせる 3 3 3 3 Generator で生成した画像を Classifier に入れた場合の流れ 教師あり学習をさせる
19.
DA-GANのしくみ こんな感じ?(まだちゃんと読んでません) 3 3 3 3 T.Tran, et. al.
A Bayesian Data Augmentation Approach for Learning Deep Models.
20.
Triangle-GANのしくみ これもまだちゃんと読んでません Z.Gan, et. al.
Triangle Generative Adversarial Networks. arXiv:1709.06548v2
21.
各要素のアーキテクチャ MNIST datasets を用いる場合の各要素のアーキテクチャ
22.
Triple-GANの学習方法
23.
学習方法① Generator Generator は
adversarial な学習のみ。 3
24.
学習方法② Discriminator Discriminator は3種類の流れに対する
adversarial な学習。 3
25.
学習方法③ Classifier Classifier は推論したラベルに関する
adversarial な学習、real 画像に対す る教師あり学習、Generator で生成された画像に対する教師あり学習 3
26.
学習のポイント 学習がうまくいくポイントは となること 3 p Xl, Xl(
)= p Xg, Xg( )= p Xc, Xc( )
27.
Triple-GANの学習結果
28.
学習結果 Classifier の識別結果。一部のデータのみラベルを付与している。 半教師あり学習できる Triple-GANの性能がいい。
29.
学習結果 Generator で生成された画像。 各列は同一のノイズ z
、各行は同一のラベル y それっぽい画像が生成されている
30.
学習結果 Chainer で作成したコードによる学習結果。 Generator から生成された画像。 各列は同一のノイズ
z 、各行は同一のラベル y 学習回数1回 学習回数10回 学習回数500回
31.
学習結果 学習速度の比較 同じ半教師学習である Improved GAN
より収束が早い 学習回数10回 T. Salimans, et. al. Improved techniques for training GANs. In NIPS, 2016.
32.
実装のポイント
33.
Chainer で実装する際のポイント まず Discriminator
を学習させる場合を考える 3
34.
Chainer で実装する際のポイント お決まりの cleargrads()
で Discriminator に溜められた勾配をクリアにする。 3
35.
Chainer で実装する際のポイント backward() で
Discriminator の Loss を起点に勾配を計算する 3 →Generator、Classifier の勾配も計算される
36.
Chainer で実装する際のポイント update() で
Discriminator の重みのみ更新する 3
37.
Chainer で実装する際のポイント 次に Classifier
を学習させる。Disciriminator からの不要な勾配があるの で、これを消す。 3
38.
Tensorflow で実装する際のポイント Discriminator のみを学習させる場合、var_list
に対象のパラメータを列挙 する 3
39.
Tensorflow で実装する際のポイント 同じ名前のパラメータを何度も使って計算グラフを作る際、注意が必要。 reuseを使わないと別のパラメータと認識される。
40.
Tensorflow での学習結果 Tensorflow で作成したコードによる学習結果。 Generator
から生成された画像。 各列は同一のノイズ z 、各行は同一のラベル y 学習回数500回 学習回数1000回 ノイズを変えてもラベルを変えても全て同じものが出力される しかも学習回数によってラベルは変わってくる・・・・なぜ??
41.
Triple-GAN の改良案
42.
学習のポイント(再掲) 学習がうまくいくポイントは となること 3 p Xl, Xl(
)= p Xg, Xg( )= p Xc, Xc( )
43.
Triple-GAN の改良案(1) 現状では Generator
から Classifier への経路だけ誤差逆伝播してない 3 ココ
44.
Triple-GAN の改良案(1) これを誤差逆伝播してみる 3 ココ
45.
Triple-GAN の改良案(1) コードの修正はこれだけ 3 ココ
46.
Triple-GAN の改良案(1) 学習結果 Generator から生成された画像 結構うまくいってる? 学習回数1回
学習回数50回
47.
Triple-GAN の改良案(2) α=0.5 が最適ではないはず。変えてみたらどうなる? 31α
1-α
48.
Triple-GAN の改良案(2) α =
0.05 とした学習結果 Generator から生成された画像 α = 0.5 よりは性能が劣る。 最適な α とは?? 学習回数1回 学習回数50回
49.
Triple-GANのまとめ l Triple-GANはGenerator と
Discriminator に加えて Classifier を導入 した l これにより半教師あり学習が可能となった l 学習後の Generator はこれまでのモデルよりリアルな画像を生成し た l 学習後の Classifier はこれまでのモデルより識別性能が上がった l このしくみは特に少ない教師データで学習する際に威力を発揮する
Télécharger maintenant