Recommended
More Related Content
What's hot
What's hot (20)
Similar to CNTK deep dive
Similar to CNTK deep dive (20)
CNTK deep dive
- 2. Agenda
- 4. Today’s data
- 8. 機械学習と深層学習
- 9. 深層学習？
- 10. 深層学習による主な画像解析(as of May2018) 深層学習による主な画像解析 画像分類 物体検知 セグメンテー ション What? What? Where? What? Where? Shape? What are specified? Algorithms CNN Fast(er) R-CNN Mask R-CNN MSでの実装 Custom Vision, CNTK Custom Vision, CNTK ..(In near future?) 複雑 単純
- 11. 深層学習による主な画像解析(as of May2018) 2015 • Fast R-CNN 2015-16 • Faster R- CNN 2015-16 • YOLO 2015-16 • SSD 2017 • Mask R-CNN 物体検知 セグメンテー ション
- 12. 深層学習の「学習」？
- 13. 深層学習（機械学習の観点から）
- 14. CNTKとは？
- 15. CNTKとは？ GPU / マルチGPU(1-bit SGD) https://www.microsoft.com/en-us/cognitive-toolkit/
- 16. CNTKの実行速度 https://arxiv.org/pdf/1608.07249.pdf DL F/W FCN-S AlexNet ResNet-50 LSTM-64 CNTK 0.017 0.031 0.168 0.017 Caffe 0.017 0.027 0.254 -- TensorFlow 0.020 0.317 0.227 0.065 Torch 0.016 0.043 0.144 0.324 小さいほど高速
- 21. CNTKの処理フロー – 1/5 入力・出力変数の定義 import cntk as C ## 入力変数(年齢, 腫瘍の大きさ)の2種類あり input_dim = 2 ## 分類数(疾患の有無なので2値) num_output_classes = 2 ## 入力変数 feature = C.input_variable(input_dim, np.float32) ## 出力変数 label = C.input_variable(num_output_classes, np.float32)
- 22. CNTKの処理フロー – 2/5 ネットワークの定義 def linear_layer(input_var, output_dim): input_dim = input_var.shape[0] ## Define weight W weight_param = C.parameter(shape=(input_dim, output_dim)) ## Define bias b bias_param = C.parameter(shape=(output_dim)) ## Wx + b. Pay attention to the order of variables!! return bias_param + C.times(input_var, weight_param) z = linear_layer(input, num_outputs)
- 23. CNTKの処理フロー – 3/5 損失関数、最適化方法の定義 ## 損失関数 loss = C.cross_entropy_with_softmax(z, label) ## 分類エラー("分類として"当たっているか否か) eval_error = C.classification_error(z, label) ## 最適化 learner = C.sgd(z.parameters, lr_schedule) trainer = C.Trainer(z, (loss, eval_error), [learner])
- 24. CNTKの処理フロー – 4/5 モデル学習 for i in range(0, num_minibatches_to_train): ## Extract training data features, labels = generate_random_data_sample(minibatch_size, input_dim, num_output_classes) ## Train trainer.train_minibatch({feature : features, label : labels})
- 25. CNTKの処理フロー – 5/5 モデル評価 out = C.softmax(z) result = out.eval({feature : features})
- 26. Demo: CNTK basic process
- 27. Tips :: Jupyter Notebookの起動 > activate py35 (py35) > jupyter notebook https://notebooks.azure.com/
- 28. Demo :: training - evaluate https://youtu.be.com/70FMOdVUNPI
- 29. Tips 混同行列(Confusion Matrix) 疾患[実際] 非疾患[実際] 疾患[予測] 14 0 非疾患[予測] 2 9 非疾患と予測（緑線の下） 実際は疾患 （緑線の下の赤2 つ） ▶モデルの見逃し
- 30. 物体検知からの分散学習
- 31. 物体検知って？(recap) 深層学習による主な画像解析 画像分類 物体検知 セグメンテー ション What? What? Where? What? Where? Shape? What are specified? Algorithms CNN Fast(er) R-CNN Mask R-CNN MSでの実装 Custom Vision, CNTK Custom Vision, CNTK ..(In near future?) 複雑 単純
- 34. Quick demo on VoTT(静止画)
- 35. Quick demo for VoTT https://youtu.be/j7OjxFY2Go8
- 36. Quick demo on VoTT(動画)
- 39. Movie inferred with Faster R-CNN https://youtu.be/ziuEXyJ9SNs
- 40. CNTKでの分散学習 – 1/6 深層学習での分散学習とは？ →主に学習時間短縮のためにマルチGPUを利用すること 分散学習実行準備 マルチGPU搭載 マルチホスト 1bit-SGD
- 42. CNTKでの分散学習 – 3/6 from cntk import distributed ... learner = cntk.learner.momentum_sgd(...) # create local learner distributed_after = epoch_size # number of samples to warm start with distributed_learner = distributed.data_parallel_distributed_learner( learner = learner, num_quantization_bits = 32, # non-quantized gradient accumulation distributed_after = 0) # no warm start 損失関数の定義
- 43. CNTKでの分散学習 – 4/6 minibatch_source = MinibatchSource(...) ... trainer = Trainer(z, ce, pe, distributed_learner) ... session = training_session(trainer=trainer, mb_source=minibatch_source, ...) session.train() ... distributed.Communicator.finalize() # must be called to finalize MPI in case of successful distributed training 最適化方法の定義 https://docs.microsoft.com/en-us/cognitive-toolkit/multiple-gpus-and- machines#2-configuring-parallel-training-in-cntk-in-python
- 44. CNTKでの分散学習 – 5/6 # GPUを2つ利用し、学習用スクリプトがtraining.py > mpiexec –n 2 python training.py 分散学習の実行方法
- 45. CNTKでの分散学習 – 6/6 import cntk ## CPU利用時 cntk.device.try_set_default_device(cntk.device.cpu()) ## GPU利用時 cntk.device.try_set_default_device(cntk.device.gpu()) CPU/GPU利用設定
- 46. Some preparation for Deep Learning! CNTKから2つのGPUが見えて いる GPU利用可能か確認 https://github.com/kyoro1/decode2018/blob/master/2.%20distributed%20learning%2 0with%20Faster%20R-CNN.ipynb
- 47. Faster R-CNN with single GPU モデルパラメータ数は5700万 超！
- 48. Single GPU vs Multi GPU 2つのGPU利用
- 49. Single GPU vs Multi GPU GPU 学習時間 精度(mAP) 1 GPU (NC6) 7分22秒 0.9479 2 GPU (NC12) 3分43秒 0.9479
- 50. 本番稼働に向けて
- 51. Confusion Matrix for karugamo karugamoが写っているの に、 モデルは推定できなかっ た ▶モデルの見逃し あり[実 際] なし[実 際] あり[予 測] XX XX なし[予 測] XX XX
- 52. Confusion Matrix for karugamo あり[実 際] なし[実 際] あり[予 測] XX XX なし[予 測] XX XX karugamoでないもの に、 karugamoと推定 ▶モデルの過検知？
- 53. Original movie vs inferred movie https://youtu.be/SYTw5OLBnzc
- 55. 本番展開あるある (技術寄り編)
- 57. Key takeaway • 機械学習 ほぼ同等 本来の意味 ビジネスサイドとの協業 • どんなKPI
- 58. Key takeaway 平易にスクリプトが書け scrap & build • 出来ること 出来ないこと たち
- 59. Appendix
- 62. © 2018 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。