Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
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...
• 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
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 ...
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 104.0m...
エラー率
CNTK のスケール性が
世界記録達成に貢献
歩道画像を解析
撮影地点ごとに
ごみの種類や数を判別
地図データ(Google,ZENRIN)
清掃員の最適配置や
新たな街づくりの提案へ
Yes
画像認識と
Deep Learning の歩み
参照 http://www.image-net.org/
http://image-net.org/challenges/LSVRC/2012/ilsvrc2012.pdf
ILSVRC
大量のタグ付き画像データの
認識精度を競うコンテスト
IMAGE NET 2012年
http://image-net.org
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, 1...
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 c...
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 ...
重
み
づ
け
更
新
重
み
づ
け
更
新
重
み
づ
け
更
新
皆さんも簡単に
お試しいただけます
https://aka.ms/cntk_image
モデル
学習
データを使ってモデルを教育すること
モデルの出来を精度から測ってあげること
評価
The CIFAR-10 dataset
故障診断 医療診断物品の自動仕分け
データ準備
学習
モデル 分割
評価
データ準備
¥image¥train¥00000.png 6
¥image¥train¥00001.png 9
¥image¥train¥00002.png 9
データ準備
学習
モデル 分割
評価
データ準備
学習
モデル 分割
評価
モデル
http://intellabs.github.io/RiverTrail/tutorial/
Convolution, Pooling Layerを含む
Neural Network
Convolution()
MaxPooling()
Dense()
11x11 conv, 96, /4, pool/2
5x5 conv, 256, pool/2
3x3 conv, 384
3x3 conv, 384
3x3 conv, ...
データ準備
学習
モデル 分割
評価
学習
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…
https://aka.ms/deepvm
Demo
Cognitive Toolkit on CPU vs GPU
&
学習済みモデルをローカルで使用
Yes
https://aka.ms/cntk-tutorial
https://github.com/msmamita/cntk_handson
開発者チームも頻繁に見ています
https://stackoverflow.com/questions/tagged/cntk
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...
https://aka.ms/cntk-slide
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!
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。
55
撮影の様子
タカノメでごみを読み取る様子
歩道表面の画像を
コンピュータで解析
し撮影地点ごとに落
ちているごみの種類
や数を判別
技術提供:(株)ピリカ「タカノメ」
右上:川崎駅前 タバコの分布
右下:川崎駅前 タバコ以外の分布
地図データ(Google,ZENRIN)
Videos
Images
on
NC GPU
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 -...
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
M6000M500...
© 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。
[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
[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
[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
[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
[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
[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
[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
[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
[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
[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
[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
[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
Upcoming SlideShare
Loading in …5
×

[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

969 views

Published on

Microsoft がオープンソース化し、今なお進化し続けている Deep Learning フレームワーク「Microsoft Cognitive Toolkit (CNTK)」その CNTK はすでに Microsoft の数々の実サービスにも利用されています。こちらのセッションではそんな CNTK を効率よく学び、新しい問題解決の手段を手に入れることにフォーカスしてお話しします。「CNTK の概要」、「活用方法をイメージするための実事例紹介」、「開発の始め方」、「GPU インスタンスを活用し高速に学習する方法」等のポイントについてご紹介し、皆さんの Deep Learning プロジェクトがロケット スタートできるようになることを目指します。

受講対象: アルゴリズムの難解な解説はいいから、プロジェクトで実際に Deep Learning を活用してみたい! という開発者、これから Deep Learning を始めたいデータ サイエンティストの方にお勧めのセッションです。データ分析の分野で広く使われている Python でのご紹介になります。

製品/テクノロジ: AI (人工知能)/Deep Learning (深層学習)/Machine Learning (機械学習)/Microsoft Azure

藤本 浩介
日本マイクロソフト株式会社
デベロッパー エバンジェリズム統括本部
エバンジェリスト

Published in: Travel
  • Be the first to comment

[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

  1. 1. 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
  2. 2. • 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
  3. 3. 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
  4. 4. 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
  5. 5. エラー率 CNTK のスケール性が 世界記録達成に貢献
  6. 6. 歩道画像を解析 撮影地点ごとに ごみの種類や数を判別
  7. 7. 地図データ(Google,ZENRIN) 清掃員の最適配置や 新たな街づくりの提案へ
  8. 8. Yes
  9. 9. 画像認識と Deep Learning の歩み
  10. 10. 参照 http://www.image-net.org/ http://image-net.org/challenges/LSVRC/2012/ilsvrc2012.pdf ILSVRC 大量のタグ付き画像データの 認識精度を競うコンテスト
  11. 11. IMAGE NET 2012年
  12. 12. http://image-net.org
  13. 13. 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)
  14. 14. 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)
  15. 15. 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
  16. 16. 重 み づ け 更 新 重 み づ け 更 新 重 み づ け 更 新
  17. 17. 皆さんも簡単に お試しいただけます https://aka.ms/cntk_image
  18. 18. モデル 学習 データを使ってモデルを教育すること モデルの出来を精度から測ってあげること 評価
  19. 19. The CIFAR-10 dataset
  20. 20. 故障診断 医療診断物品の自動仕分け
  21. 21. データ準備 学習 モデル 分割 評価
  22. 22. データ準備 ¥image¥train¥00000.png 6 ¥image¥train¥00001.png 9 ¥image¥train¥00002.png 9
  23. 23. データ準備 学習 モデル 分割 評価
  24. 24. データ準備 学習 モデル 分割 評価
  25. 25. モデル
  26. 26. http://intellabs.github.io/RiverTrail/tutorial/
  27. 27. Convolution, Pooling Layerを含む Neural Network
  28. 28. 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)
  29. 29. データ準備 学習 モデル 分割 評価
  30. 30. 学習
  31. 31. 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…
  32. 32. https://aka.ms/deepvm
  33. 33. Demo Cognitive Toolkit on CPU vs GPU & 学習済みモデルをローカルで使用
  34. 34. Yes
  35. 35. https://aka.ms/cntk-tutorial
  36. 36. https://github.com/msmamita/cntk_handson
  37. 37. 開発者チームも頻繁に見ています https://stackoverflow.com/questions/tagged/cntk
  38. 38. 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
  39. 39. https://aka.ms/cntk-slide
  40. 40. 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!
  41. 41. 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。
  42. 42. 55 撮影の様子 タカノメでごみを読み取る様子
  43. 43. 歩道表面の画像を コンピュータで解析 し撮影地点ごとに落 ちているごみの種類 や数を判別 技術提供:(株)ピリカ「タカノメ」 右上:川崎駅前 タバコの分布 右下:川崎駅前 タバコ以外の分布 地図データ(Google,ZENRIN)
  44. 44. Videos Images on NC GPU
  45. 45. 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
  46. 46. 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
  47. 47. © 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。

×