Submit Search
Upload
OHS#2 pythonでgreをつくってみる
•
1 like
•
890 views
祐理 大野
Follow
OpenHyperScale勉強会 #2資料
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 15
Download now
Download to read offline
Recommended
Mesosで学習タスクの実行
Mesosで学習タスクの実行
祐理 大野
ohs#6 opening
ohs#6 opening
祐理 大野
Ohs#7 学習API
Ohs#7 学習API
祐理 大野
Google Cloud AI の紹介 @ GCPUG Nara #03
Google Cloud AI の紹介 @ GCPUG Nara #03
Yaboo Oyabu
KubernetesでGPUクラスタを管理したい
KubernetesでGPUクラスタを管理したい
Yuji Oshima
IoTにおけるクラウドインフラからサーバサイドまでの概要的な話
IoTにおけるクラウドインフラからサーバサイドまでの概要的な話
Terui Masashi
CloudSQL v2は デキる子なのか?
CloudSQL v2は デキる子なのか?
Kumano Ryo
build2017のazure関連情報まとめ
build2017のazure関連情報まとめ
裕之 木下
Recommended
Mesosで学習タスクの実行
Mesosで学習タスクの実行
祐理 大野
ohs#6 opening
ohs#6 opening
祐理 大野
Ohs#7 学習API
Ohs#7 学習API
祐理 大野
Google Cloud AI の紹介 @ GCPUG Nara #03
Google Cloud AI の紹介 @ GCPUG Nara #03
Yaboo Oyabu
KubernetesでGPUクラスタを管理したい
KubernetesでGPUクラスタを管理したい
Yuji Oshima
IoTにおけるクラウドインフラからサーバサイドまでの概要的な話
IoTにおけるクラウドインフラからサーバサイドまでの概要的な話
Terui Masashi
CloudSQL v2は デキる子なのか?
CloudSQL v2は デキる子なのか?
Kumano Ryo
build2017のazure関連情報まとめ
build2017のazure関連情報まとめ
裕之 木下
KubeFlowでどこまでいける?
KubeFlowでどこまでいける?
Yuji Oshima
Developer summit 2015 gcp
Developer summit 2015 gcp
Google Cloud Platform - Japan
2018 07-23
2018 07-23
Yuji Oshima
Azure DevOpsで技術同人誌作成
Azure DevOpsで技術同人誌作成
裕之 木下
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
祐磨 堀
20170819 ocd-l tthon-pgdev
20170819 ocd-l tthon-pgdev
Toshi Harada
初めてMlKitを使ってみた
初めてMlKitを使ってみた
ichirokato5
Client Side Balzorでツールを作ってみた
Client Side Balzorでツールを作ってみた
裕之 木下
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
Kazuhiro Hara
元OracleMasterPlatinumがCloudSpanner触ってみた
元OracleMasterPlatinumがCloudSpanner触ってみた
Kumano Ryo
サービスリリースから安定軌道に乗せるまでに行った開発施策
サービスリリースから安定軌道に乗せるまでに行った開発施策
Keiichi Hagiwara
Cloud Identity-Aware Proxy
Cloud Identity-Aware Proxy
Kumano Ryo
Azureもくもく会@東京のいままでとこれからと
Azureもくもく会@東京のいままでとこれからと
裕之 木下
10分でわかる Cilium と XDP / BPF
10分でわかる Cilium と XDP / BPF
Shuji Yamada
FirebaseAnalytics_BigQuery_Datastudio
FirebaseAnalytics_BigQuery_Datastudio
さとる なかむら
Katib
Katib
Yuji Oshima
「Azure durable functions」の概要
「Azure durable functions」の概要
裕之 木下
Azureコスト管理機能のお話
Azureコスト管理機能のお話
裕之 木下
5分で武装 ~Azure プラン編~
5分で武装 ~Azure プラン編~
Takashi Ushigami
Jupyterカーネルを魔改造した話
Jupyterカーネルを魔改造した話
Amazon Web Services Japan
2016 06-30-deep-learning-archi
2016 06-30-deep-learning-archi
Daisuke Nagao
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
ManaMurakami1
More Related Content
What's hot
KubeFlowでどこまでいける?
KubeFlowでどこまでいける?
Yuji Oshima
Developer summit 2015 gcp
Developer summit 2015 gcp
Google Cloud Platform - Japan
2018 07-23
2018 07-23
Yuji Oshima
Azure DevOpsで技術同人誌作成
Azure DevOpsで技術同人誌作成
裕之 木下
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
祐磨 堀
20170819 ocd-l tthon-pgdev
20170819 ocd-l tthon-pgdev
Toshi Harada
初めてMlKitを使ってみた
初めてMlKitを使ってみた
ichirokato5
Client Side Balzorでツールを作ってみた
Client Side Balzorでツールを作ってみた
裕之 木下
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
Kazuhiro Hara
元OracleMasterPlatinumがCloudSpanner触ってみた
元OracleMasterPlatinumがCloudSpanner触ってみた
Kumano Ryo
サービスリリースから安定軌道に乗せるまでに行った開発施策
サービスリリースから安定軌道に乗せるまでに行った開発施策
Keiichi Hagiwara
Cloud Identity-Aware Proxy
Cloud Identity-Aware Proxy
Kumano Ryo
Azureもくもく会@東京のいままでとこれからと
Azureもくもく会@東京のいままでとこれからと
裕之 木下
10分でわかる Cilium と XDP / BPF
10分でわかる Cilium と XDP / BPF
Shuji Yamada
FirebaseAnalytics_BigQuery_Datastudio
FirebaseAnalytics_BigQuery_Datastudio
さとる なかむら
Katib
Katib
Yuji Oshima
「Azure durable functions」の概要
「Azure durable functions」の概要
裕之 木下
Azureコスト管理機能のお話
Azureコスト管理機能のお話
裕之 木下
5分で武装 ~Azure プラン編~
5分で武装 ~Azure プラン編~
Takashi Ushigami
Jupyterカーネルを魔改造した話
Jupyterカーネルを魔改造した話
Amazon Web Services Japan
What's hot
(20)
KubeFlowでどこまでいける?
KubeFlowでどこまでいける?
Developer summit 2015 gcp
Developer summit 2015 gcp
2018 07-23
2018 07-23
Azure DevOpsで技術同人誌作成
Azure DevOpsで技術同人誌作成
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
Kubernetes & Google Container Engine; DockerコンテナをGKEでクラスタリングしてみた
20170819 ocd-l tthon-pgdev
20170819 ocd-l tthon-pgdev
初めてMlKitを使ってみた
初めてMlKitを使ってみた
Client Side Balzorでツールを作ってみた
Client Side Balzorでツールを作ってみた
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
buddyのユーザ認証周りのデータ構造 - 使われているデータの取り回しについてのお話
元OracleMasterPlatinumがCloudSpanner触ってみた
元OracleMasterPlatinumがCloudSpanner触ってみた
サービスリリースから安定軌道に乗せるまでに行った開発施策
サービスリリースから安定軌道に乗せるまでに行った開発施策
Cloud Identity-Aware Proxy
Cloud Identity-Aware Proxy
Azureもくもく会@東京のいままでとこれからと
Azureもくもく会@東京のいままでとこれからと
10分でわかる Cilium と XDP / BPF
10分でわかる Cilium と XDP / BPF
FirebaseAnalytics_BigQuery_Datastudio
FirebaseAnalytics_BigQuery_Datastudio
Katib
Katib
「Azure durable functions」の概要
「Azure durable functions」の概要
Azureコスト管理機能のお話
Azureコスト管理機能のお話
5分で武装 ~Azure プラン編~
5分で武装 ~Azure プラン編~
Jupyterカーネルを魔改造した話
Jupyterカーネルを魔改造した話
Similar to OHS#2 pythonでgreをつくってみる
2016 06-30-deep-learning-archi
2016 06-30-deep-learning-archi
Daisuke Nagao
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
ManaMurakami1
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Atsumori Sasaki
【初心者向け】API を使ってクラウドの管理を自動化しよう
【初心者向け】API を使ってクラウドの管理を自動化しよう
富士通クラウドテクノロジーズ株式会社
新しいOpenShiftのしくみを調べてみた
新しいOpenShiftのしくみを調べてみた
Kazuto Kusama
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
Yaboo Oyabu
GTC Japan 2016 Rescaleセッション資料「クラウドHPC ではじめるDeep Learning」- Oct/5/2016 at GTC ...
GTC Japan 2016 Rescaleセッション資料「クラウドHPC ではじめるDeep Learning」- Oct/5/2016 at GTC ...
Rescale Japan株式会社
Cld017 nh シリーズリリース
Cld017 nh シリーズリリース
Tech Summit 2016
Cld017 nh シリーズリリース
Cld017 nh シリーズリリース
Tech Summit 2016
PFN x Microsoft Alliance
PFN x Microsoft Alliance
Hirono Jumpei
EnrootとPyxisで快適コンテナ生活
EnrootとPyxisで快適コンテナ生活
Kuninobu SaSaki
20171109 Amazon EC2 GPUインスタンス最新動向 P3 instance
20171109 Amazon EC2 GPUインスタンス最新動向 P3 instance
Amazon Web Services Japan
Singularity Containers for Enterprise Use
Singularity Containers for Enterprise Use
AtsutoHashimoto
20160728 hyperscale #03
20160728 hyperscale #03
ManaMurakami1
REST API、gRPC、GraphQL 触ってみた【2023年12月開催勉強会資料】
REST API、gRPC、GraphQL 触ってみた【2023年12月開催勉強会資料】
洵貴 佐川
Qlik Senseで無制限精度の数値演算 - Windows版Qlikエンジンのサーバーサイド拡張を実現する
Qlik Senseで無制限精度の数値演算 - Windows版Qlikエンジンのサーバーサイド拡張を実現する
QlikPresalesJapan
Hpc server講習会第3回応用編
Hpc server講習会第3回応用編
Osamu Masutani
de:code 2019 Cloud トラック 総まとめ!
de:code 2019 Cloud トラック 総まとめ!
Minoru Naito
PHP on Windows Azure
PHP on Windows Azure
Microsoft
PHP on Windows Azure
PHP on Windows Azure
Microsoft Openness Japan
Similar to OHS#2 pythonでgreをつくってみる
(20)
2016 06-30-deep-learning-archi
2016 06-30-deep-learning-archi
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
【初心者向け】API を使ってクラウドの管理を自動化しよう
【初心者向け】API を使ってクラウドの管理を自動化しよう
新しいOpenShiftのしくみを調べてみた
新しいOpenShiftのしくみを調べてみた
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
機械学習プロジェクトにおける Cloud AI Platform の使い方 (2018-11-19)
GTC Japan 2016 Rescaleセッション資料「クラウドHPC ではじめるDeep Learning」- Oct/5/2016 at GTC ...
GTC Japan 2016 Rescaleセッション資料「クラウドHPC ではじめるDeep Learning」- Oct/5/2016 at GTC ...
Cld017 nh シリーズリリース
Cld017 nh シリーズリリース
Cld017 nh シリーズリリース
Cld017 nh シリーズリリース
PFN x Microsoft Alliance
PFN x Microsoft Alliance
EnrootとPyxisで快適コンテナ生活
EnrootとPyxisで快適コンテナ生活
20171109 Amazon EC2 GPUインスタンス最新動向 P3 instance
20171109 Amazon EC2 GPUインスタンス最新動向 P3 instance
Singularity Containers for Enterprise Use
Singularity Containers for Enterprise Use
20160728 hyperscale #03
20160728 hyperscale #03
REST API、gRPC、GraphQL 触ってみた【2023年12月開催勉強会資料】
REST API、gRPC、GraphQL 触ってみた【2023年12月開催勉強会資料】
Qlik Senseで無制限精度の数値演算 - Windows版Qlikエンジンのサーバーサイド拡張を実現する
Qlik Senseで無制限精度の数値演算 - Windows版Qlikエンジンのサーバーサイド拡張を実現する
Hpc server講習会第3回応用編
Hpc server講習会第3回応用編
de:code 2019 Cloud トラック 総まとめ!
de:code 2019 Cloud トラック 総まとめ!
PHP on Windows Azure
PHP on Windows Azure
PHP on Windows Azure
PHP on Windows Azure
OHS#2 pythonでgreをつくってみる
1.
OPENHYPERSCALE勉強会 目的 体験のイノベーションをハックする
GPU as a Serviceを実現する技術を身につける ポリシー いっしょに勉強しながら・・・Openにして加速する勉強会に 積極的に発表。聞く側に回らない 分からないことがあったらどんどん聞く 6/30/2016 0
2.
過去テーマ #1 2016/05/26 NVDIA-Docker/GPU
on Mesos 6/30/2016 1
3.
本日のアジェンダ 1. PythonでGREをつくってみる 2. DockerCon’16参加ご報告 3.
GREで学習REST APIの実装 4. CUDA8ご紹介 5. AWSで作るDLシステムのアーキテクチャ 6. Knights Landing比較 6/30/2016 2
4.
PythonでGREをつくってみる OpenHyperscale勉強会 #2 3
5.
NVIDIA GPU REST
Engineとは 機能要件 画像分類機能 CUDAカーネルコールのベンチマーク機能 マルチGPU環境のジョブスケジューラ機能 Dockerコンテナにて環境を提供 非機能要件 低レイテンシ マイクロサービス GREの適用例 Image Compute Engine (ICE) 6/30/2016 4
6.
Micro-Service Architecture(MSA) MSAとは
2014年に提唱されたアーキテクチャ 1プロセス1サービスとして、それらを組み合わせてシステムを作る思想 ⇔ モノリシック(複数サービスが1プロセス) 個々のサービスのやりとりはWeb APIで行う 採用実績 Amazon / NetFlix / LINE / クックパッド ご利益 スケールしやすい 手が入れやすい アジャイル開発に向いている 6/30/2016 ショッピングサイト ユーザ 管理機能 商品検索機能 ユーザ 管理機能 商品検索機能 GUI機能 Web API Web API モノリシック MSA GUI機能 Micsoservices (http://martinfowler.com/articles/microservices.html) 5
7.
6/30/2016 IBM Microsoft Google NTT Docomo Deep Learning
APIの広がり AI-as-a-Platformで取り組む企業が多い (Amazonはない模様) 現状は「サービス層」のみ(カテゴリとしては、画像解析 / NLP / 音声解析) 6
8.
PaaS層でのDL事例 (CloudCV) バージニア工科大学
電気・コンピュータ工学 ソースコード(https://github.com/batra-mlp-lab/CloudCV) ユーザインターフェースとしては、Web / Python / Matlabが提供されている Celeryによるジョブスケジューリング 6/30/2016 Web [Django Bootstrap] Python API Matlab API ジョブスケジューラ [Redis/Celery] ジョブ 画像分類 [Caffe] 特徴量抽出 [Caffe] 新規分類の学習 [Caffe] VIP検出 [OpenCV/学習済みモデル] VQA [Caffe]socket.io 画像張り合わせ [Graphlab] 7
9.
PaaS層でのDL事例 (GCP) Cloud
Machine Learning Jupyter Notebook上にて、Python(TensorFlow)を用いてDNNを構築・学習の実施 ローカル/クラウドの学習環境の切り替え 他サービスとの連携 Cloud Storageにデータを保存 前処理として、Cloud Dataflowを使うことを想定 Cloud Datalab(これもJupyter Notebookをベースとしている)で学習済みDNNを用いたデータ解析 6/30/2016 [速報]Google、クラウドで高速にディープラーニングを行う「Cloud Machine Learning」発表、TensorFlowベース。GCP Next 2016 API 対話式プラットフォーム 8
10.
PaaS層のREST API事例 tleyden/elastic-thought
推論/学習機能をREST APIで提供 DLフレームワークはCaffe GOで実装 cloudwalkio/caffe-api 推論機能をREST APIで提供 DLフレームワークはCaffe Pythonで実装 beniz/deepdetect 推論/学習機能をREST APIで提供 DLフレームワークはCaffe C++で実装 6/30/2016 PaaS層のAPIとしては先の企業では取り組まれていない - 個人的に作ったものはいくつかあるみたい. - 他のフレームワークも恐らくありそう 9
11.
PythonでGRE (Grepy) –
アーキテクチャ アーキテクチャについて Webサーバ; Nginx APコンテナ; uWSGI Webアプリケーションフレームワーク; Flask caffe/python/classify.pyを参考に。 (疑問) スケールするときは, 1つのコンテナ内でするのか、コンテナ自体をするのか 6/30/2016 Grepy <Webサーバ> Nginx <APコンテナ> uWSGI <Web F/W> Flask servre.py <DL F/W> PyCaffe 学習済み CaffeNet config.ini 10
12.
PythonでGRE (Grepy) –
結果 使用データ 学習済みモデル; CaffeNet 確認用の画像データ; Caltech 101のデータセット(131 Mbytes)を推論用のデータとして利用 airplane/image_0001.jpgを分類 6/30/2016 # curl --form "image=@./image_0001.jpg" http://10.83.170.1695000/classify { “result": [ [ 0.952552318572998, "n02690373 airliner" ], [ 0.02736411802470684, "n04552348 warplane, military plane" ], [ 0.004652403295040131, "n04008634 projectile, missile" ] ] } 11
13.
PythonでGRE (Grepy) –
Caffeで画像分類する際のパラメータ Classifierクラスに必要となるパラメータ *印は、caffe.Classifierクラスで必須となるパラメータ 6/30/2016 パラメータ名 説明 設定値 model_def* - CNNの構成定義を指定 - .prototxtファイルとして定義される models/bvlc_reference_caffenet/deploy.p rototxt pretained_model* 学習させたCNNのパラメータファイルを指定 models/bvlc_reference_caffenet/bvlc_ref erence_caffenet.caffemodel image_dims 読み込まれた画像のリサイズ指定 [256, 256] mean* - 読み込まれた画像から引く平均画像 - Numpyの行列として表現されている caffe/imagenetilsvrc_2012_mean.npy input_scale 前処理後に読み込んだ画像を指定した数値分ス ケールさせる指定 None raw_scale 読み込んだ画像を指定した数値分スケールする指 定 255.0 channel_swap 色情報をどの順序でスワップさせるかについての指定 2, 1, 0 12
14.
PythonでGRE (Grepy) –
Feature work GPU対応したDockerで確認すること ユーザに指定させるパラメータについて整理すること ジョブ管理を何で実現するか検討すること 6/30/2016 13
15.
トラブルシューティング [事象] import caffeで”
libdc1394 error: Failed to initialize libdc1394”が発生 [施策] ln -s /dev/null /dev/raw1394をCMDで実行 (参照: http://qiita.com/daxanya1/items/f04c7f75a6d2ecb92b23) [事象] classify.pyの実行時に”ValueError: Mean shape incompatible with input shape.”が発生 [施策] caffe/python/caffe/io.pyのl.253-254を下記のように修正 (参照: http://qiita.com/Bonnnou_108/items/41e6dadeff1310b4eb5d) 6/30/2016 if ms != self.inputs[in_][1:]: print(self.inputs[in_]) in_shape = self.inputs[in_][1:] m_min, m_max = mean.min(), mean.max() normal_mean = (mean - m_min) / (m_max - m_min) mean = resize_image(normal_mean.transpose((1,2,0)),in_shape[1:]).transpose((2,0,1)) * (m_max - m_min) + m_min #raise ValueError('Mean shape incompatible with input shape.') 14
Download now