SlideShare a Scribd company logo
1 of 63
Download to read offline
最新リリース:
Optuna V3の全て
2022/12/10 Optuna Meetup #2
Hideaki Imamura(GitHub: @HideakiImamura)
2
Hideaki Imamura / @HideakiImamura
● Preferred Networks, Inc. / リサーチャー
● Optunaコミッター
● Optuna V3の開発をリードしていました
● 大学の頃はベイズ最適化の理論研究をしていました
● GitHub: @HideakiImamura
● Twitter: @mamurai1208
3
アジェンダ
1. Optuna: A Beginner's Guide
2. Optuna V3の全て
3. Optunaのこれから
主なターゲット
● Optunaに興味がある方
● Optunaの開発に興味をお持ちの方
● OSSプロジェクトがどのように進行するのか興味のある方
本発表について
Optuna
A Beginner's Guide
and Hyperparameter Optimization
このセクションはHiroyuki Vincent Yamazakiさんによって
PyData Global 2022 Sprintのために作成された資料を日本語訳したものです。
Background of Optuna
いかにして開発が始まったか
2018
Preferred Networks における内製ツールとして開発が始まる
Google AI Open Images challenge において利用され2位を達成
β 版がGitHubで公開されオープンソース化する
2019
KDD, ODSC, SciPy (YouTube) などの会議/イベントで発表される
2020
v1.0 - stableな初めてのメジャーリリース
v2.0 - 多くの新機能を含んだ2番目のメジャーリリース
2021
v2.10 - 多くの新機能やパフォーマンスの改善がなされる
1日あたり20,000+ ダウンロード
…
2022
v3.0 - APIの見直しや様々な新機能を含んだ3番目のメジャーリリース
1日あたり60,000+ ダウンロード
7
● コミッターは10人以上
○ 様々な企業や大学から参加
● 全部でおよそ200人 の開発者
○ (GitHub contributors)
開発者コミュニティ
The problem that Optuna is solving
ハイパーパラメータ最適化の基礎
9
モデルの性能を決定づける重要なコンポーネント
例えアルゴリズムやデータが良くても、不適切なハイパーパラメータを用いている
とモデルは無意味な結果を出力してしまいます
ハイパーパラメータの重要性
Bad
👎
Good
👍
10
● 過去の経験に基づいてパラメータを決定する
○ 例: 最適化アルゴリズムの学習率として、論文で初めて提案された値を用
いる
● いくつかの値を比較して決定する
○ ドメイン知識の利用が重要となります
● ハイパーパラメータの存在を全く気にせずチューニングしない
○ 例: ニューラルネットワークの構造
考えられるアプローチ
11
先ほどのアプローチには最適性の保証がない
という問題点があります。
また、探索空間が大きくなると実行不可能となります。
代わりに、ハイパーパラメータの最適化を
ブラックボックス最適化問題として
定式化しましょう。
ハイパーパラメータ最適化
ここでいうブラックボックスとは、勾配などが解析的に計算で
きず数理最適化の手法では取り扱うことのできない関数のこ
とです。
12
ブラックボックスな目的関数を、ハイパーパラメータ(x)から"良さ"の指標である評
価値(y)への写像として定義します。
我々は、この関数を最小化(または最大化)する適切なハイパーパラメータの値を
効率的に見つけたいです。
ブラックボックス最適化
x. 目的関数 y
探索空間
入力 出力
13
● Bad 👎:
○ ハイパーパラメータ (x) が大きすぎると矩形が重なってしまう
○ 小さすぎると再現率が悪化してしまう
● Good 👍:評価値 (y) が最適化されたxに対して高い
先ほどの例を見てみましょう
x.
検出器
(ニューラルネット)
訓練および
Validation
y
入力 出力
Optimize with efficiency
Optunaがいかにしてブラックボックス最適化問題を解いているか
15
Optunaにおける最適化の全体像
最適化アルゴリズム
探索空間
目的関数
ハイパーパラメータ
Trial
の履歴
…
n Trialまで
Trial 1 Trial 2 Trial 3
16
グリッドサーチ: 探索空間全体を均等に分割して探索
ランダムサーチ: ランダムに探索
ベイズ最適化/進化的アルゴリズム: 探索と活用のトレードオフを取りながら、有望そうな領
域を重点的に探索
● TPE
● Gaussian processes
● CMA-ES
● NSGA-II
● ...
いかにして良いハイパーパラメータを見つけるか
グリッドサーチ ランダムサーチ ベイズ最適化
17
Storage
studyを保存し永続化するための抽象化
Study
一連のTrialを含む、一回の実験の単位
Trial
目的関数の一回の評価の単位
Sampler
最適化アルゴリズム
Pruner
最適化効率を改善するために用いられる。性能が低いと予想されるTrialの評価を途中で打ち切るためのもの
Optunaの用語
Storage Database
(or other backend)
Study
Sampler Pruner Trial(s)
Study
Sampler Pruner Trial(s)
18
一つのハイパーパラメータがどのように選ばれるか
探索空間がSamplerに伝
えられます
Trial Study Storage
Sampler
StorageからSamplerに
Trialの履歴が与えられ
ます
Samplerによってハイ
パーパラメータが提案さ
れます
目的関数の評価値が計算
され、Storageに報告さ
れます
1 2
3 4
Database
(or other backend)
Optimize with minimum code
20
インストール方法
pip install optuna
21
import optuna
study: optuna.Study = optuna.create_study(
study_name="my-study",
sampler=optuna.samplers.TPESampler(),
pruner=optuna.pruners.MedianPruner(),
storage="sqlite:///my-storage.db", # RDB file が自動的に作られます
direction="maximize",
load_if_exists=True,
)
Studyの作成
API リファレンスを見るには
クリックしてみてください📝
22
探索空間と目的関数の定義
def objective(trial: optuna.Trial) -> float:
# 探索空間の定義です。 Pythonの条件分岐やforループを使うことができます。
iou_thresh = trial.suggest_float("iou_thresh", 0, 1)
opt = trial.suggest_categorical("opt", ["SGD", "Adam"])
n_layers = trial.suggest_int("n_layers", 2, 5)
n_channels = [
trial.suggest_int(f"n_channels_{i}", 32, 256) for i in range(n_layers)
]
...
# 目的関数です。モデルの訓練と評価を行います。
ap = train_and_val(iou_thresh, opt, n_layers, n_channels, ...)
return ap
23
最適化の実行
study.optimize(objective, n_trials=50)
# [I 2021-06-14 14:17:41,256] A new study created in RDB with name: my-study
# [I 2021-06-14 14:31:09,376] Trial 0 finished with value: 0.4808...
# [I 2021-06-14 14:46:23,466] Trial 1 finished with value: 0.3574...
# [I 2021-06-14 15:01:29,615] Trial 2 finished with value: 0.5250...
# …
# 結果を分析することができます
len(study.trials) # == 50
best_trial = study.best_trial
best_params = best_trial.params # Or, study.best_params.
# {'iou_thresh': 0.34907190168024279, ...}
24
分散最適化
$ python optimize.py
[I 2021-06-14 16:53:04,039] A new study created in RDB with name: my-study
[I 2021-06-14 17:08:04,775] Trial 0 finished with...
[I 2021-06-14 17:27:43,012] Trial 2 finished with...
[I 2021-06-14 17:59:12,598] Trial 3 finished with...
[I 2021-06-14 18:14:55,981] Trial 6 finished with...
$ python optimize.py
[I 2021-06-14 16:53:04,580] Using an existing study with name 'my-study'
instead of creating a new one.
[I 2021-06-14 17:31:35,011] Trial 1 finished with...
[I 2021-06-14 17:40:02,211] Trial 4 finished with...
[I 2021-06-14 18:01:43,645] Trial 5 finished with...
[I 2021-06-14 18:17:59,447] Trial 7 finished with...
ターミナル
B
ターミナル
A
25
分析
Web GUI
$ optuna-dashboard sqlite:///my-storage.db
...
Listening on http://localhost:8080/
https://github.com/optuna/optuna-dashboard
Python API
optuna.visualization.plot_...(study).show()
https://optuna.readthedocs.io/en/v2.8.0/reference/visualization/index.html
26
● 多目的最適化・制約付き最適化
○ 目的関数の出力が多次元であったり、探索空間や出力に制約がある場
合も扱えます。
● Ask-and-tell API
○ Study.optimizeとは違って、ユーザ自身でTrialのループを作ることができ
ます。
○ ハイパーパラメータの選択と目的関数の評価が別プロセスである場合な
ど、複雑なワークフローに対応可能です。
● インテグレーションユーティリティ(PyTorch,Tensorflow,LightGBMなど)
● Pythonなしで利用するためのCLI
● 豊富な公式のExample集
● ドキュメント
● …
他にも様々な機能が...
Release cycles of Optuna
その他、互換性についてのポリシーなど
28
バージョニングと互換性
3.0.4(2022年12月時点の最新版)
● Major
○ 破壊的変更あり
● Minor
○ 性能強化・新機能・バグ修正など数ヶ
月に一度のペースでリリース
● Patch
○ クリティカルなバグ修正
Operated according to
Semantic Versioning 2.0.0 https://semver.org/
● Deprecation
○ ユーザーに影響しうる機能の削除は注意
深く行われています。基本的にメジャー
バージョンを丸々一つ跨いで非推奨期間
が設定されます。
● Experimental
○ 実験的な機能が頻繁に追加されます。利
用する際は警告が発せられ、非推奨期間
なしで変更/削除される可能性がありま
す。
Optuna V3の全て
我々がどのように開発を行い、
何を成功させ、何に失敗したか
30
どのように開発を行なったか
31
Optunaの3番目のメジャーバージョン
およそ1年にわたって開発が行われたOptuna初の長期プロジェクトで、
全部で67名のコントリビュータが開発に参加しました。
Goals
● コミュニティに向けて開発方針をオープンに
○ ロードマップを公開し、GitHub issue上で開発アイテムについて議論する
● ソフトウェアとして安定性を高める
○ 仕様が曖昧な部分を大幅に削減する
○ 実験的に導入されていた機能を安定した機能としてリリースして良いか判断す
る
● 重要な機能やアルゴリズムを全てのユーザに届ける
○ デフォルトの機能のパフォーマンスを改善する
○ 既存の重要な機能やアルゴリズムをライトユーザが利用できるようにする(多
変量TPE, constant liar戦略など)
Optuna V3とは
32
プロジェクトのタイムライン
2021/07
ロードマップの策定がコミッター内で始まる
2021/10
ロードマップをGitHubに公開し開発がスタート
初めての公開オンラインスプリントを実施
(その後、2022/04まで定期的に
オンラインスプリントを実施)
2021/12
α版として、v3.0.0-α0をリリース
2022/02
α版として、v3.0.0-α1をリリース
2022/04
β版として、v3.0.0-β0をリリース
第6回オンラインスプリントを実施
2022/06
β版として、v3.0.0-β1をリリース
2022/08
release candidate版として、v3.0.0-rc0をリリース
正式版として、v3.0.0をリリース
(その後、クリティカルなバグに対応してパッチを随時リリース)
33
プロジェクトのタイムライン
2021/07
ロードマップの策定がコミッター内で始まる
2021/10
ロードマップをGitHubに公開し開発がスタート
初めての公開オンラインスプリントを実施
(その後、2022/04まで定期的に
オンラインスプリントを実施)
2021/12
α版として、v3.0.0-α0をリリース
2022/02
α版として、v3.0.0-α1をリリース
2022/04
β版として、v3.0.0-β0をリリース
第6回オンラインスプリントを実施
2022/06
β版として、v3.0.0-β1をリリース
2022/08
release candidate版として、v3.0.0-rc0をリリース
正式版として、v3.0.0をリリース
(その後、クリティカルなバグに対応してパッチを随時リリース)
フェーズ1:
● ロードマップを策定しIssueを整備した
● コントリビュータが参加しやすい体制づ
くりを行った
フェーズ2:
● 多数の開発者によって多数の開発アイテ
ムが高速に消化された
● 仕様の曖昧なIssueに対する継続的な議論
がコミッター内で行われた
フェーズ3:
● コントリビュータが取り組みにくい残ア
イテムに対してコミッターが中心となり
集中的に開発を行なった
34
Optuna V3ロードマップ
コントリビュータが開発に参加しやすくするため
ロードマップをコミッター内で議論して策定しました。
● V3で取り組むべきアイテムの列挙
● アイテムの仕様の明確化(可能な限り)
● 対応するIssueの作成
● 対応する開発アイテムごとに
○ なぜ取り組むのか
○ 完了したとみなせる基準は何か
○ を議論し、文書化しました。
ロードマップ策定開始から公開まで、およそ2ヶ月半ほどかかりました。
フェーズ1: ロードマップの策定と開発者の獲得
35
より開発に参加しやすい体制づくりのため
● 定期的なオンラインスプリントの実施
(Optuna connpass ページ)
● 定期的なプレリリースによる開発状況
の周知
を行うことを決めました。
特に開発イベントは好評だったため、今後
も継続的に行なっていきます!
フェーズ1: ロードマップの策定と開発者の獲得
36
この時期は多数の開発者によって多くの開発アイテムが消化されました。
コントリビュータが取り組みやすいアイテムの特徴
● 仕様が明確である
● 独立したモジュールのみを修正すれば十分である
→ 毎週コミッター内で議論を行い、仕様の曖昧なIssueの明確化や複雑な
Issueの分解を行うことに
フェーズ2:多数の開発者による高速な開発
37
この時期になると開発の速度が鈍ってくるようになりました。
コントリビュータが取り組みやすいIssueが枯渇してきたからです。
そこで
● 定期的に実施していたオンラインスプリントを停止
● コミッターによるスクラム開発の開始
○ バックログの整備(Google spread sheetを用いました)
○ 1週間単位のスプリントを設定
○ プランニングポーカーの実施によって残アイテムの粒度をコミッ
ター内で確認し共有
フェーズ3:コミッターによる集中的な開発
38
Released! (2022/08/29)
39
何を成功させたか
40
● 安定性の改善: API単純化・安定化・リファクタリング
● パフォーマンス検証: 大規模なアルゴリズムベンチマーキング
● 予定よりも多くの様々な新機能
何を成功させたか
41
探索空間からパラメータを選択するメソッドが以下の3種類に集約されまし
た
# 実数値変数
trial.suggest_float(name, low, high, *, step, log)
# 整数値変数
trial.suggest_int(name, low, high, *, step, log)
# カテゴリカル値変数
trial.suggest_categorical(name, choices)
Thanks @himkt, @nyanhi, @nzw0301, and @xadrianzetx!
安定性の改善: Suggest APIの単純化
42
Optunaのテストがどのように行われ
るべきかをまとめて、Test Policyを
策定し公開しました。また、定めた
Test policyに基づいてテストを修正し
ました。
Thanks @HideakiImamura, @c-bata, @g-votte,
@not522, @toshihikoyanase, @contramundum53,
@nzw0301, @keisuke-umezawa, @knshnb!
安定性の改善: Test policyの作成
43
仕様の明確化・バグフィックス・ユースケース分析などを通して、いくつか
のexperimentalな機能を安定化させました
● optuna.study.MaxTrialsCallback
● optuna.study.Study.enqueue_trial
● optuna.study.Study.add_trial
● optuna.study.Study.add_trials
● optuna.study.copy_study
● optuna.trial.create_trial
● optuna.visualization.plot_pareto_front
Thanks @contramundum53, @knshnb, @HideakiImamura, and @himkt!
安定性の改善: 機能の安定化
44
PlotlyバックエンドとMatplotlibバックエンドが別々に開発されていた可視
化モジュールは、片方にある機能がもう片方になかったり、フォーマットに
統一性がなかったり、内部実装の差異が大きかったりという問題を抱えてい
ました。
→ 機能的な差異の解消・内部実装の共通化・テスト戦略の改善などを実施
Thanks @HideakiImamura, @IEP, @MasahitoKumada, @TakuyaInoue-github, @akawashiro,
@belldandyxtq, @c-bata, @contramundum53, @divyanshugit, @dubey-anshuman, @fukatani, @harupy,
@himkt, @kasparthommen, @keisukefukuda, @knshnb, @makinzm, @nzw0301, @semiexp, @shu65,
@sidshrivastav, @takoika, @xadrianzetx!
安定性の改善: 可視化モジュールのリファクタリング
45
経験的に知られていたアルゴリズムの振る舞いやOptunaにおける実装の特
徴をまとめてSampler比較表として公開しました
パフォーマンス検証: 定性的な分析
46
実験の再現性のためGitHub Actionsを用いるベンチマーク環境を整備しま
した。
● ローカル環境で実行可能なスクリプト
● スクリプトをGitHub Actionsで動かす仕組み
● 機械学習のハイパーパラメータ最適化や最適化分野のおける有名なテス
ト関数を含む170種類以上の問題
Thanks @HideakiImamura, @drumehiron, @xadrianzetx, @kei-mo, @contramundum53, @shu65!
パフォーマンス検証: ベンチマーク環境の整備
from https://www.sfu.ca/~ssurjano/branin.html
47
Motivations
● アルゴリズムのフェアな比較
● デフォルト引数/アルゴリズムの変更
Settings
● 30組以上のsamplerとprunerの組み合わせ
● 170種類以上のproblem
● 1000trialを100study
● PFNの計算クラスタを用いて7000CPU並列
で3日程度かけて実験
Results
詳細はIssue #2964 や #2906
全ての設定で優れているアルゴリズムはありませんでした。
→ デフォルトは変更しないと結論
パフォーマンス検証: ベンチマーク実験の実施
48
V3の開発当初では想定していなかった多くの新機能がコントリビュータの
協力によって導入されました。
● NSGA-IIの交叉オプション
● 準モンテカルロ法
● パレートフロント可視化の制約付き最適化サポート
● Shapley重要度評価器
● TPEの制約付き最適化サポート
● 複数のStudyを同時に考慮した最適化履歴の可視化
様々な新機能
49
NSGA-IIとは
● 遺伝的アルゴリズム
● 多目的最適化向け
● NSGAIISamplerとして実装
目的
実数値変数に対する性能向上
結果
● crossover 引数の追加
● 関連ドキュメント
NSGA-IIの交叉オプション
Thanks @yoshinobc and @xadrianzetx!
50
準モンテカルロ法とは
● 高次元の問題で強い
● 探索空間を比較的少数のサンプルでカバーできる
● ランダムサーチの代わりとなりうる
結果
● QMCSamplerとして実装
● 特に高次元の問題でランダムサーチ
を凌駕
準モンテカルロ法
Thanks @kstoneriv3!
51
パレートフロント可視化とは
● 多目的最適化における可視化手法で、plot_pareto_frontとして実装
● "これ以上全目的関数値を同時によくすることはできない"というTrials
目的
● 制約を満たすTrialと満たさないTrial
を区別したい
結果
● constraints_func 引数の追加
パレートフロント可視化の制約付き最適化サポート
制約を満たす(色あり)
制約を満たさない(色なし)
Thanks @semiexp and @fukatani!
52
変数重要度評価機能とは
● 最適化後にどの変数が重要だったかを分析する機能
● FanovaImportanceEvaluatorと
MeanDecreaseImpurityImportanceEvaluatorが存在
目的
● 機械学習コミュニティで有名なSHAPライブラリ
に基づく全く新しい重要度評価器の実装
結果
● ShapleyImportanceEvaluatorとして実装
● optuna.integrations下にあるのでご注意を
Shapley重要度評価手法
Thanks @liaison!
53
TPEとは
● OptunaのデフォルトSampler
● TPESamplerとして実装
TPEの制約付き最適化サポート
結果
● constraints_func引数の追加
● 利用例
Thanks @knshnb!
54
最適化履歴の可視化とは
● 横軸にTrial、縦軸に目的関数値をとったグラフ
● plot_optimization_historyとして実装
目的
● 複数のStudyどうしを比較したい
● 同一設定の複数のStudyの平均と分散を
分析したい
結果
● studyのリストが渡せるように
● error_bar引数の追加
複数のStudyを同時に考慮した最適化履歴の可視化
Thanks @knshnb, @TakuyaInoue-github, and @HideakiImamura!
55
何に失敗したか
56
V3の開発を進めて行く中で生じたいくつかの失敗についてお話しします。
開発体制についての難しさ
● 開発ペースの非一様性
● コミュニケーションの非対称性
開発アイテム個別の事情による失敗
● Storage関連アイテムの延期
● デフォルト引数/アルゴリズム変更の延期
何に失敗したか
57
V3開発をはじめた当初は開発アイテムの方針も含めてGitHub Issue上で広
くユーザ/コントリビュータの意見を集めて決めていこうと考えていました
しかし、OSS特有の事情として以下がありました
● 開発ペースの非一様性
○ コントリビュータがいつどのタイミングで開発に参加するか、予測
することは難しい
○ 開発に参加してくれるコントリビュータは多様なバックグラウンド
を持っている
● コミュニケーションの非対称性
○ 比較的頻繁に議論し合えるコミッターと、モチベーションベースで
開発に関わるコントリビュータのバランスを取ることは難しい
開発体制についての難しさ
58
V3ではStorageの様々な仕様を明確にして修正を行うことを目指しました。
しかし、
● 現状のStorage APIがあまりに複雑
● Storage APIの互換性に関するポリシーが曖昧
● スケジュールの関係上、大規模なリファクタリングは困難
といった事情から、V3ではいくつかのStorage関連アイテムは延期すること
にしました。
一方で、我々はユーザがStorageを直接触ることはないと考え、V3リリース
後も以下を進めています
● Storage APIの単純化
● 一部機能の切り出しなど部分的なリファクタリング
Storage関連アイテムの延期
59
V3では大規模なアルゴリズムベンチマークを通して、デフォルト引数/アル
ゴリズムの変更を計画していました。
しかし、
● ベンチマーク問題はOptunaが適用可能な全ての設定を包含していない
● 得られた結果からは、引数/アルゴリズムごとに得意な設定と苦手な設
定がある
● デフォルトの変更によって影響を受けるユーザは非常に多い
● デフォルトを変更するにあたってのポリシーが曖昧
といった事情から、V3ではデフォルトを変更しないこととしました。
デフォルト変更は、今後のメジャーバージョン(V4, V5など)で行うことにし
ました。
デフォルト引数/アルゴリズム変更の延期
Optunaのこれから
今後のリリースと開発体制について
61
v3.1 Coming Soon (mid Jan, 2023)
👇 Optuna v3.1 の主要開発項目
操作ログベースのStorage
"値"ではなく"操作"を保存する全く新しいStorage: JournalStorage
CMA-ES with Margin
整数変数の含まれた探索空間に対して高い性能を発揮するCMA-ESの亜種
TPE のパフォーマンス改善
アルゴリズムの分析とベンチマーク実験に基づいて、constant_liarオプ
ションのバグを修正
We are
looking for OSS contributors!
GitHub
https://github.com/optuna/optuna
Twitter
https://twitter.com/OptunaAutoML
optuna.org
https://optuna.org/
Medium
https://medium.com/optuna
Step-by-step Guide
https://medium.com/optuna/optuna-wants-your-pull-request-ff6195
72302c
Gitter
https://gitter.im/optuna/optuna
Making the real world computable

More Related Content

What's hot

最適化超入門
最適化超入門最適化超入門
最適化超入門Takami Sato
 
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)Kota Matsui
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門hoxo_m
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)Takao Yamanaka
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門joisino
 
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画までShunji Umetani
 
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向ohken
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII
 
【解説】 一般逆行列
【解説】 一般逆行列【解説】 一般逆行列
【解説】 一般逆行列Kenjiro Sugimoto
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17Takuya Akiba
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイcvpaper. challenge
 
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoderSho Tatsuno
 
Active Learning 入門
Active Learning 入門Active Learning 入門
Active Learning 入門Shuyo Nakatani
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)Deep Learning JP
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章Hakky St
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリングmlm_kansai
 
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"Deep Learning JP
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement LearningPreferred Networks
 

What's hot (20)

最適化超入門
最適化超入門最適化超入門
最適化超入門
 
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
 
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
 
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
 
【解説】 一般逆行列
【解説】 一般逆行列【解説】 一般逆行列
【解説】 一般逆行列
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
 
分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17分散深層学習 @ NIPS'17
分散深層学習 @ NIPS'17
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイ
 
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
 
Active Learning 入門
Active Learning 入門Active Learning 入門
Active Learning 入門
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
 
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
 

Similar to 最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2

20180221 chainer on_colaboratory_at_gdcjp
20180221 chainer on_colaboratory_at_gdcjp20180221 chainer on_colaboratory_at_gdcjp
20180221 chainer on_colaboratory_at_gdcjpHirokuni Uchida
 
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話Yuya Kato
 
PredictionIOでSparkMLを使った開発方法
PredictionIOでSparkMLを使った開発方法PredictionIOでSparkMLを使った開発方法
PredictionIOでSparkMLを使った開発方法Shinsuke Sugaya
 
ナレッジグラフ推論チャレンジ【実社会版】応募資料
ナレッジグラフ推論チャレンジ【実社会版】応募資料ナレッジグラフ推論チャレンジ【実社会版】応募資料
ナレッジグラフ推論チャレンジ【実社会版】応募資料Takanori Ugai
 
20180628 chainer on_colaboratory
20180628 chainer on_colaboratory20180628 chainer on_colaboratory
20180628 chainer on_colaboratoryKeisuke Umezawa
 
勉強会 Cvml python基礎
勉強会 Cvml python基礎勉強会 Cvml python基礎
勉強会 Cvml python基礎真哉 杉野
 

Similar to 最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2 (6)

20180221 chainer on_colaboratory_at_gdcjp
20180221 chainer on_colaboratory_at_gdcjp20180221 chainer on_colaboratory_at_gdcjp
20180221 chainer on_colaboratory_at_gdcjp
 
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話
TensorFlowを使ってテキストをクラス分類してみたら精度96.8%の分類器を簡単に得ることができた話
 
PredictionIOでSparkMLを使った開発方法
PredictionIOでSparkMLを使った開発方法PredictionIOでSparkMLを使った開発方法
PredictionIOでSparkMLを使った開発方法
 
ナレッジグラフ推論チャレンジ【実社会版】応募資料
ナレッジグラフ推論チャレンジ【実社会版】応募資料ナレッジグラフ推論チャレンジ【実社会版】応募資料
ナレッジグラフ推論チャレンジ【実社会版】応募資料
 
20180628 chainer on_colaboratory
20180628 chainer on_colaboratory20180628 chainer on_colaboratory
20180628 chainer on_colaboratory
 
勉強会 Cvml python基礎
勉強会 Cvml python基礎勉強会 Cvml python基礎
勉強会 Cvml python基礎
 

More from Preferred Networks

PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57Preferred Networks
 
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3Preferred Networks
 
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...Preferred Networks
 
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...Preferred Networks
 
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55Preferred Networks
 
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演Preferred Networks
 
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Preferred Networks
 
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)Preferred Networks
 
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)Preferred Networks
 
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語るKubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語るPreferred Networks
 
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張Preferred Networks
 
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会Preferred Networks
 
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2Preferred Networks
 
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...Preferred Networks
 
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...Preferred Networks
 
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...Preferred Networks
 
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50Preferred Networks
 
Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50Preferred Networks
 
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...Preferred Networks
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜Preferred Networks
 

More from Preferred Networks (20)

PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
 
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
 
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
 
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
 
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
 
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
 
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
 
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
 
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
 
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語るKubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
 
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
 
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
 
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
 
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
 
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
 
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
 
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
 
Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50
 
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
 

最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2