MXNet

The simple examples in the Guon tutorial for mxnet are very helpful to those of us who are just getting started with mxnet. As yet, there is not a simple example for model parallelism. I see the model parallelism example code for LSTM , but I am new to mxnet and it would help me (and perhaps others) to have a more streamlined example. So, I have created a model parallelism example by working off the regression example in the gluon tutorial, and by mixing in some code from mxnet.gluon.Trainer . However, I am clearly getting something wrong. The gradients do not seem to be updated. Can anyone

在过去的几年中，机器学习在许多行业中开辟了新的视野，出现了一些高级用例：Facebook的面部识别，Netflix推荐的电影，PrismaAI的图像样式转换，Siri的语音识别，Google Allo的自然语言处理， 而这样的例子不胜枚举。 GitHub上有大量精彩的开源机器学习项目。以下是最受开发者们欢迎的项目列表。我希望通过这些项目能让你学到一些新东西，并激发自己的开发项目灵感。 1、TensorFlow TensorFlow是一个用于研究和生产的开源机器学习库。 TensorFlow为初学者和专家提供了针对桌面、移动端，Web和云开发的API。TensorFlow最初由Google Brain团队开发，供内部Google使用，并于2015年11月9日根据Apache 2.0开源许可发布。TensorFlow的最新版本支持Keras，这是高级神经网络API，使用Python编写，并且能够在TensorFlow，CNTK或Theano之上运行。 还有用于Javascript和Swift的接口。 2、Scikit-learn Scikit-learn最初由David Cournapeau在Summer of Code的Google活动中撰写。 它的名称或多或少地引用了SciPy Toolkit。 Scikit-learn具有基于NumPy

在过去的几年中，机器学习在许多行业中开辟了新的视野，出现了一些高级用例：Facebook的面部识别，Netflix推荐的电影，PrismaAI的图像样式转换，Siri的语音识别，Google Allo的自然语言处理， 而这样的例子不胜枚举。 GitHub上有大量精彩的开源机器学习项目。以下是最受开发者们欢迎的项目列表。我希望通过这些项目能让你学到一些新东西，并激发自己的开发项目灵感。 1、TensorFlow TensorFlow是一个用于研究和生产的开源机器学习库。 TensorFlow为初学者和专家提供了针对桌面、移动端，Web和云开发的API。TensorFlow最初由Google Brain团队开发，供内部Google使用，并于2015年11月9日根据Apache 2.0开源许可发布。TensorFlow的最新版本支持Keras，这是高级神经网络API，使用Python编写，并且能够在TensorFlow，CNTK或Theano之上运行。 还有用于Javascript和Swift的接口。 2、Scikit-learn Scikit-learn最初由David Cournapeau在Summer of Code的Google活动中撰写。 它的名称或多或少地引用了SciPy Toolkit。 Scikit-learn具有基于NumPy

前言 从刚开始接触Mxnet这个框架到现在已经大概四个月了。Mxnet最吸引我的地方就是它提供了 很多语言的接口，其中有Scala（my favorite），这是我从Caffe转过来的原因之一。 Mxnet是我第一个参与的开源项目，可以说这四个月来我学到了很多东西。 本文的其中目的在于介绍一下如何用 Mxnet Scala 包来开发自己的 deep learning 的应用，有 哪些坑需要注意的，最后就是安利一下Mxnet 这个框架了。 然后，还有就是Mxnet Scala Package已经开始 Spark了，有兴趣可以尝试一下。 正文 Eclipse配置Mxnet scala的开发环境 这里我是直接用ScalaIDE来开发。下面介绍如何配置开发环境，过程很简单，就是有些小细 节需要注意。 编译Mxnet Scala 包 首先要做的就是要编译出Mxnet的jar包了，环境配置具体可以看官方网站上的流程，这里就 不重复了， https://mxnet.readthedocs.io/en/latest/how_to/build.html ，在 Ubuntu的配置按照流 程来的话一般没什么问题，CentOs的话就有点麻烦，但还是可以的。 我的环境是 atlas + cuda 7.5 + cudnn v4 + opencv 3.0 。atlas + cuda 8.0 + opencv 3

I'm trying to use MXNet's gradient descent optimizers to minimize a function. The equivalent example in Tensorflow would be: import tensorflow as tf x = tf.Variable(2, name='x', dtype=tf.float32) log_x = tf.log(x) log_x_squared = tf.square(log_x) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(log_x_squared) init = tf.initialize_all_variables() def optimize(): with tf.Session() as session: session.run(init) print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared)) for step in range(10): session.run(train) print("step", step, "x:", session

人脸识别简介 简单来讲，人脸识别这个问题，就是给定两个人脸，然后判定他们是不是同一个人，这是它最原始的定义。它有很多应用场景，比如银行柜台、海关、手机解锁、酒店入住、网吧认证，会查身份证跟你是不是同一个人。 关于人脸识别的内容，网上资料很多，这里推荐一篇综述，详细介绍了一些人脸识别的背景和目前的相关研究，以及常用的人脸识别模型： http://www.elecfans.com/d/709424.html 好了，直接进入主题，今天的重点： insightface论文： https://arxiv.org/abs/1801.07698 insightface github项目： https://github.com/deepinsight/insightface 制作数据集 一、环境配置 官方提供的项目是基于mxnet框架的 因此首先需要配置好这些环境，这里假设已经安装好cuda等 mxnet的安装相对来说比较简单（相对于caffe） （1）查询自己cuda的版本 # 输入 nvcc -V # 输出结果 nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2017 NVIDIA Corporation Built on Fri_Sep__1_21:08:03_CDT_2017 Cuda compilation tools,

mxnet package is not installing in r (on windows 10) when I follow the steps given in its documentation. install.packages("drat", repos="https://cran.rstudio.com") drat:::addRepo("dmlc") install.packages("mxnet") It gives the following result Installing package into ‘C:/Users/Ashish/Documents/R/win-library/3.3’ (as ‘lib’ is unspecified) Warning in install.packages : cannot open URL ' http://dmlc.github.io/drat/bin/windows/contrib/3.3/PACKAGES.gz ': HTTP status was '404 Not Found' Warning in install.packages : cannot open URL ' http://dmlc.github.io/drat/bin/windows/contrib/3.3/PACKAGES ': HTTP