View
3.538
Download
0
Embed Size (px)
Citation preview
Deep Learning Lab Kick OffJune 19, 2017
株式会社Preferred Networks
取締役 最高執行責任者 長谷川 順一
Preferred Networks, Inc. (PFN)
設 立:2014年3月
所在地:東京都千代田区大手町(日本)、カリフォルニア州サンマテオ(米国)
取締役:西川徹、岡野原大輔、長谷川順一
出資者:NTT(2014年)、Fanuc(2015年)、Toyota(2015年)
ミッション:IoT時代に向けた新しいコンピュータを創造する
あらゆるモノに知能をもたせ、分散知能を実現する
事業内容: IoT(Internet of Things) + 分散機械学習
交通システム
産業用ロボット
バイオヘルスケア
2
Our Strategic Partners and Collaborators
Chainer : ディープラーニングフレームワーク
4
✓ Pythonプログラムで自由にネットワーク記述可能
✓ 最新の深層学習の様々なアルゴリズムをネイティブにサポート
✓ データごとにオンデマンドでのネットワーク構築が可能
✓ マルチGPU対応(Model Parallel / Data Parallel)
✓ 2015年6月の公開以降,産業界,研究界で広く使われている
強化学習深層強化学習
異常検知
マルチモーダル
・
センサーフュージョン
アルゴリズム
ストリーミングデータ解析
ディープラーニング開発・実行環境
学習データ作成アノテーション
GUIカメラ管理
映像解析検出・分類再照合外観検査
Deep Intelligence in Motion(DIMo、ダイモ)PFNの研究成果をパッケージ化したプロダクト
ツール
フロアマップ連携
PFNのプロダクトDIMo の全体像
Microsoft ✕ Preferred Networks
Microsoft とPFNの提携内容
テクノロジー
Chainer / ChainerMN(Multi Node)のAzureへの展開
Azure Template の提供
Chainer on SQL
Azure AI Batch サービスのchainer対応
Chainer on Windows 対応
人材育成
深層学習人材の育成
3年間で5万人へのトレーニングの提供を目標
マーケティング
DIMo on Azure の展開
Deep Learning Lab の運営
Azure ✕ DIMo Enterprise Grade Deep Learning Solution
監視カメラ人再照合
製造ライン外観検査
機器故障予測
ユーティリティ需要予測
ロジ最適化
監視カメラ人物分析
画像物体検知
(segmentasion)
センサーデータ異常予測
自動彩色ロボット自動制御
DIMoによるPoC
画像解析
セグメンテーション
外観検査
異常検知
数値予測
強化学習
パラメータ最適化
案件のアセスメント → PoC → パイロット運用 → 本番運用 → モデルの評価・更新
DIMo on Azure を扱えるパートナーを増やしていきます
Deep Intelligence in Motion各種パッケージ紹介
齋藤 俊太
Researcher at Preferred Networks
DIMo 再照合機能:同じ人物の特徴を検出
NTT Com 3月30日プレスリリース: DIMo 再照合機能を活用中
人工知能(AI)を活用した映像解析技術により複数カメラを跨いだ不審者検出・追跡を高い精度で実現~ALSOKと連携した実証実験に成功~
DIMo 異常検知(故障予測)パッケージ 概要
正常時 異常時
時系列の数値データから、そのデータの時間的な経過による異常を検知する機能
【学習処理】• そのデータの正常時の波形
を一定時間分投入• 正常時の波形を学習するた
め、異常データが学習の際には必要ない
• ※実際に異常が発見できるか検証するために異常データ自体は少数は必要
【判定処理】• 学習した波形データの続き
のデータを投入すると、異常度スコアが出力される
● フロントエンドUI
● ヒト映像解析結果の確認表示
● 認識モデル・カメラ・マップの管理
● アノテーションツール
● Webブラウザ上で正解データ作成
● 外部企業経由で作業者に作業発注が可能
● 画像認識ライブラリ
● ヒト検出&追跡(全身ベース)
● ディープラーニングによる属性認識
stream query engine
機械学習ディープラーニングDIMov1.0機能別
ライブラリ
画像認識
検出/追跡/認識
アノテーション
Hawk環境クラウドソーシング
映像解析パッケージ
アノテーションツール ヒト検出・認識結果Web GUIで設定を一括管理
DIMo 映像解析パッケージ 概要
デモ:https://www.youtube.com/watch?v=blMaZPEA5rA
DIMo on Azure
現在、より簡単にDIMoを利用開始できるよう
Azureで環境構築済みのものを提供予定
(DIMoはオンプレで学習・実行環境を作ることも可能)
Chainerの特徴と発展Azureとの連携
齋藤 俊太
Researcher at Preferred Networks
深層学習フレームワークChainer
• ニューラルネットワークの設計・学習・評価等、深層学習を用いた研究開発に必要となる一連の機能を提供
Popularity Growth
Define-by-Run
# 構築
x = Variable(‘x’)
y = Variable(‘y’)
z = x + 2 * y
# 評価
for xi, yi in data:
eval(z, (xi, yi))
# 構築と評価が同時
for xi, yi in data:
x = Variable(xi)
y = Variable(yi)
z = x + 2 * y
データを見ながら違う処理をしてもよい
Define-and-Run Define-by-Run
Chainer v2.0.0大幅なメモリ消費量削減、ユーザフィードバックを反映しAPIを整理
https://cupy.chainer.org
https://chainer.org
Chainer on Windows: インストール手順
Windowsでの導入をより簡単にするための作業が進行中
(ビルド済みのバイナリを配布を検討中)
1. Install Visual C++ 2015 Build Toolshttp://landinghub.visualstudio.com/visual-cpp-build-tools
2. Install CUDA Toolkit 8.0https://developer.nvidia.com/cuda-downloads
3. Install cuDNN v6.0 Library for Windows 10https://developer.nvidia.com/rdp/cudnn-downloadPut all files under C:¥Program Files¥NVIDIA GPU Computing Toolkit¥CUDA¥v8.0
4. Install Anaconda 4.3.1 Python 3.6 or 2.7https://www.continuum.io/downloads
5. Add environmental variables- Add “C:¥Program Files (x86)¥Microsoft Visual Studio 14.0¥VC¥bin” to PATH variable- Add “C:¥Program Files (x86)¥Windows Kits¥10¥Include¥10.0.10240.0¥ucrt” to INCLUDE variable
6. Install Chainer on Anaconda Prompt> pip install chainer
Chainer on Azure
Data Science VMに CuPy + Chainer をプリインストール予定
Data Science Virtual Machineを用いると現在でも簡単にChainerを使い始められます!
ログイン後、 “pip install –user cupy”, “pip install –user chainer” の2コマンドでインストール完了。GPUを用いた深層学習が開始できます。
Chainerの追加パッケージ分散深層学習・深層強化学習・コンピュータビジョン
ChainerMN: 分散深層学習用追加パッケージ
高いスケーラビリティ(128GPUで100倍の高速化)
ChainerRL: 深層強化学習ライブラリ
DQN, DDPG, A3C, ACER, NSQ, PCL, etc. OpenAI Gym サポート
ChainerCV: 画像認識アルゴリズム・データセットラッパーを提供
Faster R-CNN, Single Shot Multibox Detector (SSD), SegNet, etc.
MN
RL
CV
分散学習
強化学習
画像認識
ChainerMN: Multi-nodeChainerの使いやすさはそのままに、複数GPU、複数ノード安協で高速に学習することができる
GPU
GPU
InfiniBand
GPU
GPU
InfiniBand
ChainerMNによる分散深層学習128GPUsを使っておよそ100倍の高速化に成功
他フレームワークと比較しても高速ImageNetデータセットにてResNet-50モデルを100エポック学習するのに要した時間による比較
ChainerMNによる分散深層学習128GPUsを使っておよそ100倍の高速化に成功
How about on Azure?
高いスケールアウト性能をAzure上で実現
1
10
100
1 2 4 8 16 32 64
Sp
eed
up
(ti
mes)
Number of GPUs
ChainerMN on Azure (K80, batchsize=32, InfiniBand)
ResNet50 on ImageNet
Ideal speedup
ChainerMNクラスタセットアップのためのARM (Azure Resource Manager) Templateを公開予定