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

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Sketch2Code: Evaluating Vision-Language Models for Interactive Web Design Prototyping [55.98643055756135]
  初歩的なスケッチのWebページプロトタイプへの変換を自動化する上で,最先端のビジョン言語モデル(VLM)を評価するベンチマークであるSketch2Codeを紹介した。 我々は、既存のVLMではSketch2Codeが困難であることを示す10の商用およびオープンソースモデルを分析した。 UI/UXの専門家によるユーザ調査では、受動的フィードバックの受信よりも、積極的に質問を行うのがかなり好まれている。
  論文  参考訳（メタデータ） (2024-10-21T17:39:49Z)
• ART: Actually Robust Training [0.9751737916200892]
  Artは、ディープラーニングパイプラインを開発しながら、ルールと標準を自動的に強制するように設計されたPythonライブラリである。 アートは、モデル開発を複雑さを増大させる一連の小さなステップに分割し、それぞれがプロセスの解釈可能性と堅牢性を改善する検証チェックで結論付けます。
  論文  参考訳（メタデータ） (2024-08-29T06:30:23Z)
• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• FlowerFormer: Empowering Neural Architecture Encoding using a Flow-aware Graph Transformer [22.99322654701362]
  本稿では,ニューラルネットワーク内に情報フローを組み込んだ強力なグラフトランスフォーマーであるFlowerFormerを紹介する。 本研究では,既存のニューラルエンコーディング法よりもFlowerFormerの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-19T15:21:10Z)
• 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)
• 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)
• 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。