論文の概要: ANNdotNET -- deep learning tool on .NET Platform

• arxiv url: http://arxiv.org/abs/2009.11112v1
• Date: Wed, 23 Sep 2020 12:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:28:47.181677
• Title: ANNdotNET -- deep learning tool on .NET Platform
• Title（参考訳）: ANNdotNET -- .NETのディープラーニングツール。 NETプラットフォーム
• Authors: Bahrudin Hrnjica
• Abstract要約: ANNdotNETは、C#で書かれたディープラーニングのためのオープンソースプロジェクトである。 ディープラーニングモデルを作成し、トレーニングし、評価し、エクスポートする能力がある。
• 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: ANNdotNET is an open source project for deep learning written in C# with ability to create, train, evaluate and export deep learning models. The project consists of the Graphical User Interface module capable to visually prepare data, fine tune hyper-parameters, design network architecture, evaluate and test trained models. The ANNdotNET introduces the Visual Network Designer, (VND) for visually design almost any sequential deep learning network. Beside VND, ANNdotNET implements Machine Learning Engine, (MLE) based on CNTK - deep learning framework, with ability to train and evaluate models on GPU. For model evaluation ANNdotNET contains rich set of visual and descriptive performance parameters, history of the training process and set of export/deployment options. The advantage of using ANNdotNET over the classic code based ML approach is more focus on deep learning network design and training process instead of focusing on coding and debugging. It is ideal for engineers not familiar with supported programming languages. The project is hosted at github.com/bhrnjica/anndotnet.
• Abstract（参考訳）: anndotnetはc#で書かれたディープラーニングのためのオープンソースプロジェクトで、ディープラーニングモデルの作成、トレーニング、評価、エクスポートができる。 このプロジェクトは、データの視覚的な準備、ハイパーパラメータの微調整、ネットワークアーキテクチャの設計、トレーニングされたモデルの評価とテストが可能なグラフィカルユーザインタフェースモジュールで構成されている。 ANNdotNETは、ほとんどのシーケンシャルなディープラーニングネットワークを視覚的に設計するためのVisual Network Designer (VND)を導入した。 VND以外にも、ANNdotNETは、CNTK - ディープラーニングフレームワークをベースにした機械学習エンジン(MLE)を実装している。 モデル評価には、視覚的および記述的パフォーマンスパラメータの豊富なセット、トレーニングプロセスの歴史、エクスポート/デプロイオプションのセットが含まれる。 古典的なコードベースのMLアプローチよりもANNdotNETを使うことの利点は、コーディングやデバッギングではなく、ディープラーニングのネットワーク設計とトレーニングプロセスに注力することだ。 サポート対象のプログラミング言語に慣れていないエンジニアには理想的だ。 プロジェクトはgithub.com/bhrnjica/anndotnetでホストされている。

関連論文リスト

• DistML.js: Installation-free Distributed Deep Learning Framework for Web Browsers [40.48978035180545]
  DistML.jsは、Webブラウザ内で機械学習モデルのトレーニングと推論のために設計されたライブラリである。 実用的なアプリケーションとともに、DistML.jsの設計、API、実装に関する包括的な説明を提供する。
  論文  参考訳（メタデータ） (2024-07-01T07:13:14Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Neural Architecture Search on ImageNet in Four GPU Hours: A Theoretically Inspired Perspective [88.39981851247727]
  トレーニングフリーニューラルアーキテクチャサーチ(TE-NAS)という新しいフレームワークを提案する。 TE-NASは、ニューラルネットワークカーネル(NTK)のスペクトルと入力空間内の線形領域の数を分析することによってアーキテクチャをランク付けする。 1) この2つの測定はニューラルネットワークのトレーサビリティと表現性を示し, (2) ネットワークのテスト精度と強く相関することを示した。
  論文  参考訳（メタデータ） (2021-02-23T07:50:44Z)
• Deep Collective Learning: Learning Optimal Inputs and Weights Jointly in Deep Neural Networks [5.6592403195043826]
  ディープラーニングとコンピュータビジョン文学では、視覚データは、常に手動で設計されたコーディングスキームで表現される。 手動で設計した入力が、異なるタスクに対するDNNトレーニングに適しているのか、大胆に疑問を呈する。 本稿では,DNNの重みとDNNへの入力を同時に学習することを目的とした,深い集団学習のパラダイムを提案する。
  論文  参考訳（メタデータ） (2020-09-17T00:33:04Z)
• Applications of Deep Neural Networks with Keras [0.0]
  ディープラーニングにより、ニューラルネットワークは人間の脳の機能のような方法で情報の階層を学習することができる。 本コースでは,従来のニューラルネットワーク構造であるConversa Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Neural Networks (GRU), General Adrial Networks (GAN)を紹介する。
  論文  参考訳（メタデータ） (2020-09-11T22:09:10Z)
• Deep Network Ensemble Learning applied to Image Classification using CNN Trees [1.8782750537161614]
  本稿では,複数の深層ネットワークを用いた簡易,逐次,効率的,アンサンブル学習手法を提案する。 アンサンブルで使用されるディープネットワークはResNet50である。 当社のアプローチは、ImageNetデータセット上のすべての実験において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-07-23T07:58:25Z)
• PrototypeML: A Neural Network Integrated Design and Development Environment [0.0]
  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。
  論文  参考訳（メタデータ） (2020-07-01T08:47:46Z)
• Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
  本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。 提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2020-04-03T22:01:41Z)
• $\Pi-$nets: Deep Polynomial Neural Networks [86.36557534288535]
  $Pi$-Netsは、出力が入力の高次であるニューラルネットワークである。 我々は、$Pi$-Netsが標準のDCNNよりも優れた表現能力を持っていることを実証的に実証した。 近年のStyleGANのような生成モデルが,先行モデルに改良を加えた理由を解明する。
  論文  参考訳（メタデータ） (2020-03-08T18:48:43Z)
• 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)
• Neural Data Server: A Large-Scale Search Engine for Transfer Learning Data [78.74367441804183]
  我々は,ターゲットドメインに最も有用な転送学習データを見つけるための大規模検索エンジンであるNeural Data Server (NDS)を紹介した。 NDSは、いくつかの人気のある画像データセットをインデックスするデータサーバで構成され、クライアントにデータを推奨することを目的としている。 我々は,NDSが様々な伝達学習シナリオにおいて有効であることを示し,複数のターゲットデータセットに対して最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-01-09T01:21:30Z)

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。