Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à [AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」へ踏み出す第一歩
Similaire à [AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」へ踏み出す第一歩 (20)
Plus de de:code 2017
Plus de de:code 2017 (20)
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」へ踏み出す第一歩
- 2. セッション後にロケットスタートできるように • Cognitive Toolkit の要点をご紹介します • 取り組みやすい画像認識にフォーカスします • 数式レベルでのアルゴリズムの説明はやりません • 今日帰ったらすぐ使えるリンクを散りばめます
- 3. • Python, C++, BrainScript • 学習済みモデルは C# で動かすことも可能 • MIT や Stanford 等の様々な研究者と共同作業で改定中
- 5. 最初に複数ノードの学習に対応 0 20000 40000 60000 80000 CNTK Theano TensorFlow Torch 7 Caffe Speed Comparison (Frames/Second, The Higher the Better) 1 GPU 1 x 4 GPUs 2 x 4 GPUs (8 GPUs) 2015年7月時点
- 6. Caffe CNTK MxNet TensorFlow Torch FCN5 (1024) 55.3ms 51.0ms 60.4ms 62.0ms 52.2ms AlexNet (256) 36.8ms 27.2ms 29.0ms 104.0ms 37.5ms ResNet (32) 144.0ms 81.5ms 84.5ms 181.4ms 90.9ms LSTM (256) (v7 benchmark) - 43.6ms (44.9ms) 288.1ms (284.9ms) - (223.5ms) 1130.6ms (907.0ms) http://dlbench.comp.hkbu.edu.hk/ Benchmarking by HKBU, Version 8 2017年4月時点
- 14. Yes
- 17. IMAGE NET 2012年
- 19. 11x11 conv, 96, /4, pool/2 5x5 conv, 256, pool/2 3x3 conv, 384 3x3 conv, 384 3x3 conv, 256, pool/2 fc, 4096 fc, 4096 fc, 1000 AlexNet, 8 layers (ImageNet 2012)
- 20. Very 3x3 conv, 64 3x3 conv, 64, pool/2 3x3 conv, 128 3x3 conv, 128, pool/2 3x3 conv, 256 3x3 conv, 256 3x3 conv, 256 3x3 conv, 256, pool/2 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512, pool/2 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512, pool/2 fc, 4096 fc, 4096 fc, 1000 VGG, 19 layers (ImageNet 2014)
- 21. Ultra ResNet, 152 layers By Microsoft 1x1 conv, 64 3x3 conv, 64 1x1 conv, 256 1x1 conv, 64 3x3 conv, 64 1x1 conv, 256 1x1 conv, 64 3x3 conv, 64 1x1 conv, 256 1x2 conv, 128, /2 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 7x7 conv, 64, /2, pool/2
- 32. モデル
- 35. Convolution, Pooling Layerを含む Neural Network
- 36. Convolution() MaxPooling() Dense() 11x11 conv, 96, /4, pool/2 5x5 conv, 256, pool/2 3x3 conv, 384 3x3 conv, 384 3x3 conv, 256, pool/2 fc, 4096 fc, 4096 fc, 1000 AlexNet, 8 layers (ImageNet 2012)
- 38. 学習
- 39. https://aka.ms/cntk-setup CPU GPU 簡単！ 検証用には OK ！ パフォーマンスはこちら！ 面倒くさい環境構築…
- 41. Demo Cognitive Toolkit on CPU vs GPU & 学習済みモデルをローカルで使用
- 42. Yes
- 49. セッション後にロケットスタートできるように • Cognitive Toolkit の要点をご紹介します • 取り組みやすい画像認識にフォーカスします • 数式レベルでのアルゴリズムの説明はやりません • 今日帰ったらすぐ使えるリンクを散りばめます
- 51. セッションアンケートにご協力ください 専用アプリからご回答いただけます。 decode 2017 スケジュールビルダーで受講セッションを 登録後、アンケート画面からご回答ください。 アンケートの回答時間はたったの 15 秒です!
- 52. Ask the Speaker のご案内 本セッションの詳細は『Ask the Speaker Room』各コーナーカウンタにて ご説明させていただきます。是非、お立ち寄りください。
- 57. Azure N シリーズ GPU インスタンス 2 種類の NVIDIA GPUを搭載 サイズ コア 数 メモリ Disk RDMA GPU NV6 6 56 GB 380 GB - M60 ×1 NV12 12 112 GB 680 GB - M60 ×2 NV24 24 224 GB 1.5 TB - M60 ×4 NC6 6 56 GB 340 GB - K80 ×1 NC12 12 112 GB 680 GB - K80 ×2 NC24 24 224 GB 1.5 TB - K80 ×4 NC24r 24 224 GB 1.5 TB InfiniBand K80 ×4 Visualization の NV 系 Compute の NC 系 Deep Learning はこちら
- 58. Kepler Maxwell Pascal Volta GeForceゲーミング Quadro プロフェッショナル グラフィックス Tesla HPC & Cloud M60 M6 M4 M40 P6000 GTX 1080 M6000M5000K6000K5000 GTX 980GTX 780 HPC 用 GRID 用 K80K40K20 P100 K2 K520 P40P4DL 用 M10 P5000 K1
- 59. © 2017 Microsoft Corporation. All rights reserved. 本情報の内容（添付文書、リンク先などを含む）は、作成日時点でのものであり、予告なく変更される場合があります。