論文の概要: PrototypeML: A Neural Network Integrated Design and Development
Environment
- arxiv url: http://arxiv.org/abs/2007.01097v1
- Date: Wed, 1 Jul 2020 08:47:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 21:41:57.766441
- Title: PrototypeML: A Neural Network Integrated Design and Development
Environment
- Title(参考訳): PrototypeML: ニューラルネットワークの統合設計と開発環境
- Authors: Daniel Reiss Harris
- Abstract要約: PrototypeMLは、設計と開発プロセスの分岐をブリッジする機械学習開発環境である。
PyTorchディープラーニングフレームワークの全機能をサポートする、非常に直感的なビジュアルニューラルネットワーク設計インターフェースを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network architectures are most often conceptually designed and
described in visual terms, but are implemented by writing error-prone code.
PrototypeML is a machine learning development environment that bridges the
dichotomy between the design and development processes: it provides a highly
intuitive visual neural network design interface that supports (yet abstracts)
the full capabilities of the PyTorch deep learning framework, reduces model
design and development time, makes debugging easier, and automates many
framework and code writing idiosyncrasies. In this paper, we detail the deep
learning development deficiencies that drove the implementation of PrototypeML,
and propose a hybrid approach to resolve these issues without limiting network
expressiveness or reducing code quality. We demonstrate the real-world benefits
of a visual approach to neural network design for research, industry and
teaching. Available at https://PrototypeML.com
- Abstract(参考訳): ニューラルネットワークアーキテクチャは、概念的に設計され、視覚的に記述されることが多いが、エラーやすいコードを書くことで実装される。
PrototypeMLは、設計と開発プロセス間の二分法をブリッジする機械学習開発環境である。PyTorchディープラーニングフレームワークの全機能をサポートする(抽象的な)非常に直感的なビジュアルニューラルネットワーク設計インターフェースを提供し、モデル設計と開発時間を短縮し、デバッグを容易にし、多くのフレームワークとコードの記述を自動化する。
本稿では,PrototypeMLの実装を推進したディープラーニング開発欠陥について詳述し,ネットワーク表現性やコード品質の低下を抑えることなく,これらの問題を解決するためのハイブリッドアプローチを提案する。
我々は、研究、産業、教育のためのニューラルネットワーク設計に対する視覚的アプローチの現実世界の利点を実証する。
https://PrototypeML.comで入手できる。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Neural Markov Prolog [57.13568543360899]
本稿では,一階述語論理とニューラルネットワーク設計を橋渡しする手段として,言語Neural Markov Prolog (NMP)を提案する。
NMPは、画像、テキスト、リレーショナルデータベース、その他のターゲットデータ型のアーキテクチャを簡単に生成および提示することができる。
論文 参考訳(メタデータ) (2023-11-27T21:41:47Z) - A Robotic Visual Grasping Design: Rethinking Convolution Neural Network
with High-Resolutions [4.322339935902437]
高解像度表現は視覚に基づくロボットの把握問題にとって重要である。
既存の作業は、通常、入力画像をサブネットワークを介して低解像度の表現にエンコードし、次に高解像度の表現を復元する。
並列ブランチをシリアルスタック化された畳み込み層ではなく使用することは、ロボット視覚把握タスクにおいてより強力な設計となることを実証する。
論文 参考訳(メタデータ) (2022-09-15T17:02:26Z) - Understanding Neural Code Intelligence Through Program Simplification [3.9704927572880253]
コードインテリジェンスシステムにおけるモデルに対する重要な入力特徴を特定するためのモデルに依存しないアプローチを提案する。
当社のアプローチであるSIVANDでは,CIモデルの入力プログラムのサイズを縮小する単純化手法を採用しています。
SIVANDの抽出した特徴は、ニューラルCIシステムの予測と学習行動を理解するのに役立つと信じている。
論文 参考訳(メタデータ) (2021-06-07T05:44:29Z) - Neural Network Libraries: A Deep Learning Framework Designed from
Engineers' Perspectives [4.35486415816077]
エンジニアの視点から設計されたディープラーニングフレームワークであるNeural Network Librariesを紹介する。
私たちはそれぞれの設計原則とそのメリットを詳しく説明し、実験を通じて試みを検証する。
論文 参考訳(メタデータ) (2021-02-12T19:12:16Z) - Draw your Neural Networks [0.0]
このGUIベースのアプローチを用いて,ニューラルネットワークの設計と修正を行うSketchフレームワークを提案する。
このシステムは一般的なレイヤと操作を最初から提供し、サポート対象のトレーニング済みモデルをインポートできる。
論文 参考訳(メタデータ) (2020-12-12T09:44:03Z) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳(メタデータ) (2020-08-24T09:49:19Z) - BiO-Net: Learning Recurrent Bi-directional Connections for
Encoder-Decoder Architecture [82.64881585566825]
本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。
提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
論文 参考訳(メタデータ) (2020-07-01T05:07:49Z) - Sequence Model Design for Code Completion in the Modern IDE [3.4824234779710452]
本稿では,すべての有効なキーワードとスコープ内識別子を列挙する静的解析能力と,それらの上に確率分布を配置する言語モデルの能力を組み合わせた,トップk次トークンの予測手法を提案する。
我々のモデルは,文字レベルの入力表現とトークン出力を混合し,語彙外トークン(OOV)を有意に表現し,予測遅延を最小化する。
論文 参考訳(メタデータ) (2020-04-10T22:40:49Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z) - The Microsoft Toolkit of Multi-Task Deep Neural Networks for Natural
Language Understanding [97.85957811603251]
MT-DNNはオープンソースの自然言語理解(NLU)ツールキットであり、研究者や開発者がカスタマイズされたディープラーニングモデルを訓練しやすくする。
PyTorchとTransformersをベースとして開発されたMT-DNNは、幅広いNLUタスクの迅速なカスタマイズを容易にするように設計されている。
MT-DNNのユニークな特徴は、対戦型マルチタスク学習パラダイムを用いた堅牢で移動可能な学習のサポートである。
論文 参考訳(メタデータ) (2020-02-19T03:05:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。