つくりながら学ぶ!PyTorch による発展ディープラーニング

本書ではディープラーニングの発展・応用手法を実装しながら学習していきます。ディープラーニングの実装パッケージとして PyTorch を利用します。扱うタスク内容とディープラーニングモデルは次の通りで「ビジネスの現場でディープラーニングを活用するためにも実装経験を積んでおきたいタスク」という観点で選定しました。 ［本書で学習できるタスク］ 転移学習、ファインチューニング:少量の画像データからディープラーニングモデルを構築 物体検出 (SSD) :画像のどこに何が映っているのかを検出 セマンティックセグメンテーション (PSPNet) :ピクセルレベルで画像内の物体を検出 姿勢推定 (OpenPose) :人物を検出し人体の各部位を同定しリンク GAN (DCGAN 、 Self-Attention GAN) :現実に存在するような画像を生成 異常検知 (AnoGAN 、 Efficient GAN) :正常画像のみから GAN で異常画像を検出 自然言語処理 (Transformer 、 BERT) :テキストデータの感情分析を実施 動画分類 (3DCNN 、 ECO) :人物動作の動画データをクラス分類 本書は第 1 章から順番に様々なタスクに対するディープラーニングモデルの実装に取り組むことで高度かつ応用的な手法が徐々に身につく構成となっています。各ディープラーニングモデルは執筆時点で State-of-the-Art (最高性能モデル) の土台となっており、実装できるようになればその後の研究・開発に役立つことでしょう。 ディープラーニングの発展・応用手法を楽しく学んでいただければ幸いです。 実装環境 ・読者の PC (GPU 環境不要) 、 Anaconda と Jupyter Notebook 、 AWS を使用した GPU サーバー ・ AWS の環境:p2.xlarge インスタンス、 Deep Learning AMI (Ubuntu) マシンイメージ (OS Ubuntu 16.04|64 ビット、 NVIDIA K80 GPU 、 Python 3.6.5 、 conda 4.5.2 、 PyTorch 1.0.1)