Enviar pesquisa
Carregar
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
•
6 gostaram
•
5,531 visualizações
Preferred Networks
Seguir
2020/10/23 (金)の名古屋大学主催、NVIDIA・PFN共催の「Optuna講習会」の資料です。
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 86
Baixar agora
Baixar para ler offline
Recomendados
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
Recomendados
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
最適輸送の解き方
最適輸送の解き方
joisino
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Preferred Networks
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
PRML学習者から入る深層生成モデル入門
PRML学習者から入る深層生成モデル入門
tmtm otm
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
harmonylab
[DL輪読会]World Models
[DL輪読会]World Models
Deep Learning JP
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
ディープラーニングでラーメン二郎(全店舗)を識別してみた
ディープラーニングでラーメン二郎(全店舗)を識別してみた
knjcode
Mais conteúdo relacionado
Mais procurados
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
最適輸送の解き方
最適輸送の解き方
joisino
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Preferred Networks
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
PRML学習者から入る深層生成モデル入門
PRML学習者から入る深層生成モデル入門
tmtm otm
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
harmonylab
[DL輪読会]World Models
[DL輪読会]World Models
Deep Learning JP
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII
Mais procurados
(20)
「世界モデル」と関連研究について
「世界モデル」と関連研究について
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
backbone としての timm 入門
backbone としての timm 入門
Depth Estimation論文紹介
Depth Estimation論文紹介
最適輸送の解き方
最適輸送の解き方
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
PRML学習者から入る深層生成モデル入門
PRML学習者から入る深層生成モデル入門
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
[DL輪読会]World Models
[DL輪読会]World Models
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説:Offline Reinforcement Learning as One Big Sequence Modeling Problem
最適輸送入門
最適輸送入門
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
Semelhante a 不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
ディープラーニングでラーメン二郎(全店舗)を識別してみた
ディープラーニングでラーメン二郎(全店舗)を識別してみた
knjcode
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
Micrometer/Prometheusによる大規模システムモニタリング #jsug #sf_26
Micrometer/Prometheusによる大規模システムモニタリング #jsug #sf_26
Yahoo!デベロッパーネットワーク
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
DataWorks Summit/Hadoop Summit
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
Recruit Technologies
Sano web広告最適化20131018v3
Sano web広告最適化20131018v3
Masakazu Sano
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
miyanegi
【HinemosWorld2014】A2-3_01_クラウドプラットフォームMicrosoft Azureの全体像と最新アップデート、Hinemosによる...
【HinemosWorld2014】A2-3_01_クラウドプラットフォームMicrosoft Azureの全体像と最新アップデート、Hinemosによる...
Hinemos
ブロックチェーンアプリケーションプラットフォームの現在と未来
ブロックチェーンアプリケーションプラットフォームの現在と未来
dmm-smacon
C14 Greenplum Database Technology - Large Scale-out and Next generation Analy...
C14 Greenplum Database Technology - Large Scale-out and Next generation Analy...
Insight Technology, Inc.
機械学習システムの品質保証に向けた課題とコンソーシアム活動
機械学習システムの品質保証に向けた課題とコンソーシアム活動
Hideto Ogawa
ma112007id413
ma112007id413
matsushimalab
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Yusuke Uchida
【RSJ2021】LiDAR SLAMにおける高信頼なループ閉合の実装について
【RSJ2021】LiDAR SLAMにおける高信頼なループ閉合の実装について
MobileRoboticsResear
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
Norishige Fukushima
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
Wandb Monthly Meetup August 2023.pdf
Wandb Monthly Meetup August 2023.pdf
Yuya Yamamoto
12082018 ibm cloud community summitchampion lightning_talk_jimuc
12082018 ibm cloud community summitchampion lightning_talk_jimuc
ChikakoInami1
SORACOM UG 宮城 初心者向けSORACOMワークショップ (もくもく会) | SORACOM とは?サービスや最新情報の紹介【2019春】
SORACOM UG 宮城 初心者向けSORACOMワークショップ (もくもく会) | SORACOM とは?サービスや最新情報の紹介【2019春】
SORACOM,INC
Semelhante a 不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
(20)
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
ディープラーニングでラーメン二郎(全店舗)を識別してみた
ディープラーニングでラーメン二郎(全店舗)を識別してみた
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Micrometer/Prometheusによる大規模システムモニタリング #jsug #sf_26
Micrometer/Prometheusによる大規模システムモニタリング #jsug #sf_26
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT - the details and actual use cases of "Analytics & Artificial intelligen...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
A3RT -The details and actual use cases of“Analytics & Artificial intelligence...
Sano web広告最適化20131018v3
Sano web広告最適化20131018v3
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
【HinemosWorld2014】A2-3_01_クラウドプラットフォームMicrosoft Azureの全体像と最新アップデート、Hinemosによる...
【HinemosWorld2014】A2-3_01_クラウドプラットフォームMicrosoft Azureの全体像と最新アップデート、Hinemosによる...
ブロックチェーンアプリケーションプラットフォームの現在と未来
ブロックチェーンアプリケーションプラットフォームの現在と未来
C14 Greenplum Database Technology - Large Scale-out and Next generation Analy...
C14 Greenplum Database Technology - Large Scale-out and Next generation Analy...
機械学習システムの品質保証に向けた課題とコンソーシアム活動
機械学習システムの品質保証に向けた課題とコンソーシアム活動
ma112007id413
ma112007id413
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
【RSJ2021】LiDAR SLAMにおける高信頼なループ閉合の実装について
【RSJ2021】LiDAR SLAMにおける高信頼なループ閉合の実装について
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Wandb Monthly Meetup August 2023.pdf
Wandb Monthly Meetup August 2023.pdf
12082018 ibm cloud community summitchampion lightning_talk_jimuc
12082018 ibm cloud community summitchampion lightning_talk_jimuc
SORACOM UG 宮城 初心者向けSORACOMワークショップ (もくもく会) | SORACOM とは?サービスや最新情報の紹介【2019春】
SORACOM UG 宮城 初心者向けSORACOMワークショップ (もくもく会) | SORACOM とは?サービスや最新情報の紹介【2019春】
Mais de Preferred Networks
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
Preferred Networks
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Preferred Networks
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
Preferred Networks
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Preferred Networks
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Preferred Networks
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Preferred Networks
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Preferred Networks
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
Preferred Networks
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
Preferred Networks
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Preferred Networks
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Preferred Networks
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
Preferred Networks
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
Preferred Networks
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Preferred Networks
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
Preferred Networks
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
Preferred Networks
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
Preferred Networks
Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50
Preferred Networks
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
Preferred Networks
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
Mais de Preferred Networks
(20)
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
続・PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜 #2
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50
Topology Managerについて / Kubernetes Meetup Tokyo 50
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN Summer Internship 2021 / Kohei Shinohara: Charge Transfer Modeling in Neu...
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Último
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Último
(8)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
1.
https://bit.ly/optuna-tutorial-ja 1 2020年10月23日@名古屋大学 今村 秀明
(Hideaki Imamura) Preferred Networks, Researcher 不老におけるOptunaを利用した 分散ハイパーパラメータ最適化
2.
https://bit.ly/optuna-tutorial-ja 2 自己紹介 今村秀明
@mamurai1208 • ~2020 東京大学大学院, 情報理工学系研究科, コンピュ ータ科学専攻, 杉山・佐藤・本多研究室, 修士 • 2020~ Preferred Networks, Researcher: Optuna開発
3.
https://bit.ly/optuna-tutorial-ja 3 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
4.
https://bit.ly/optuna-tutorial-ja 4 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
5.
https://bit.ly/optuna-tutorial-ja 5 ハイパーパラメータとは 推論や予測の枠組みの中で決定されないパラメータのこと つまり、学習の前に事前に決める必要があるパラメータ 層の数ユニット数 ハイパーパラメータ データから学習する パラメタ
6.
https://bit.ly/optuna-tutorial-ja 6 ハイパーパラメータ最適化とは はじめにこの値で 試そう learning_rate: 0.1 num_units:
30 … 完了! Accuracy: 0.6 Trial 1 小さくしたらどうか な? learning_rate: 0.01 num_units: 20 … 完了! Accuracy: 0.5 Trial 2 うーん、次は少し大 きくして... learning_rate: 0.05 num_units: 50 … 完了! Accuracy: 0.8 Trial 3
7.
https://bit.ly/optuna-tutorial-ja 7 最適化には多大なコストがかかる はじめにこの値で 試そう learning_rate: 0.1 num_units:
30 … 完了! Accuracy: 0.6 Trial 1 小さくしたらどうか な? learning_rate: 0.01 num_units: 20 … 完了! Accuracy: 0.5 Trial 2 うーん、次は少し大 きくして... learning_rate: 0.05 num_units: 50 … 完了! Accuracy: 0.8 Trial 3 オペレーションのコスト計算機の料金・電気代1回に数時間〜数日
8.
https://bit.ly/optuna-tutorial-ja 8 ハイパーパラメータ最適化の自動化 はじめにこの値で 試そう learning_rate: 0.1 num_units:
30 … 完了! Accuracy: 0.6 Trial 1 小さくしたらどうか な? learning_rate: 0.01 num_units: 20 … 完了! Accuracy: 0.5 Trial 2 うーん、次は少し大 きくして... learning_rate: 0.05 num_units: 50 … 完了! Accuracy: 0.8 Trial 3
9.
https://bit.ly/optuna-tutorial-ja 9 ハイパーパラメータ最適化とは Trial iではこの値で 試そう learning_rate:
0.1 num_units: 30 … 完了! Accuracy: 0.6 Trial i 定式化: ブラックボックス関数 y = f(x) の最大化問題 e.g. 精度など ハイパーパラメータの組 特徴: ● あるxにおける目的関数y = f(x) の値の計算は高コスト ● 目的関数値の観測にはノイズが乗る ● 目的関数の微分は計算できない
10.
https://bit.ly/optuna-tutorial-ja 10 ハイパーパラメータ最適化のアルゴリズム Trial iではこの値で 試そう learning_rate:
0.1 num_units: 30 … 完了! Accuracy: 0.6 Trial i アルゴリズム: 各ステップ i において逐次的にx_iを選ぶ 考えられるアプローチ: ● 最適化履歴を利用しないもの ○ グリッドサーチ ○ ランダムサーチ ● 最適化履歴を利用するもの ○ ベイズ最適化 (Optunaのデフォルト) ○ 進化計算
11.
https://bit.ly/optuna-tutorial-ja 11 ハイパーパラメータ最適化のアルゴリズム ランダムサーチ ベイズ最適化
12.
https://bit.ly/optuna-tutorial-ja 12 ベイズ最適化とは 各ステップにおいて、 ● 目的関数の確率モデルの更新 ●
モデルと獲得関数を利用した 次の点の選択 を繰り返す。 詳細は[Shahriari+ 2016]を参照 [Shahriari+ 2016] Taking the Human Out of the Loop: A Review of bayesian Optimization, B. Shahriari and et al. Proceedings of the IEEE, 104(1):148-175, 2016
13.
https://bit.ly/optuna-tutorial-ja 13 例: ランダムサーチ
v.s. ベイズ最適化 簡単な比較実験 ● Data: UCI Adult dataset ● Library: scikit-learn ● Model ○ GradientBoostingClassifier ● Hyperparameter ○ max depth ○ min sample split
14.
https://bit.ly/optuna-tutorial-ja 14 例: ランダムサーチ
v.s. ベイズ最適化 Gradient Boosting のデフォルト値 Better
15.
https://bit.ly/optuna-tutorial-ja 15 例: ランダムサーチ
v.s. ベイズ最適化 ランダムサーチ Better Gradient Boosting のデフォルト値
16.
https://bit.ly/optuna-tutorial-ja 16 例: ランダムサーチ
v.s. ベイズ最適化 ベイズ最適化 Better Gradient Boosting のデフォルト値 ランダムサーチ
17.
https://bit.ly/optuna-tutorial-ja 17 Faster and
Better!
18.
https://bit.ly/optuna-tutorial-ja 18 ハイパーパラメータ最適化のまとめ • ハイパーパラメータとは学習の前に決めるパラメータ •
ハイパーパラメータの最適化は高コスト – 時間、計算機コスト、オペレーションコスト • Optunaはハイパーパラメータ最適化を自動化 – 最適化履歴を元に効率的に最適化(ベイズ最適化) – ランダムサーチ, グリッドサーチ, 進化計算もサポート
19.
https://bit.ly/optuna-tutorial-ja 19 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
20.
https://bit.ly/optuna-tutorial-ja 20 Optunaとは • ハイパーパラメータ最適化のための
Python ライブラリ • ベイズ最適化や並列分散実行による効率的な自動探索 • ユーザは目的関数を記述するだけでよい 2018年12月ベータ版リリー ス 2020年1月 v1.0リリース 2020年7月 v2.0リリース
21.
https://bit.ly/optuna-tutorial-ja 21 Optunaのユースケース紹介 • Mozilla/DeepSpeech •
SLAM • COVID-19分析 ML Non ML Non ML
22.
https://bit.ly/optuna-tutorial-ja 22 Mozilla/DeepSpeech Deep LearningベースのSpeech-To-Textエンジン Mozilla
Common Voiceのプロジェクト ML 画像出典 https://voice.mozilla.org/
23.
https://bit.ly/optuna-tutorial-ja 23 Optunaはスコア関数の調整に利用 RNNの出力、言語モデル、系列長の3つの重み付け和 データセットによって、適する重みが異なる 出典: https://arxiv.org/abs/1412.5567
24.
https://bit.ly/optuna-tutorial-ja 24 SLAM 自己位置推定と地図生成を同時に行う技術 SLAMのパラメータチューニングに利用 Non ML 画像出典:
Geiger et al., Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite, CVPR 2012 自動車とセンサ 観測 推定された軌跡
25.
https://bit.ly/optuna-tutorial-ja 25 SLAMはハイパーパラメータだらけ 画像サイズ ロバストコスト関数選択 LM法のlambda
イテレーション回数 VisionとIMUのバラン ス外れ値しきい値 画像ピラミッドのレイヤー数 特徴点数 収束判定条件 自動で最適化する 出典: 第6回 3D勉強会@関東 のmiyanegi 「SLAM開発における課題と対策の一例の紹介」
26.
https://bit.ly/optuna-tutorial-ja 26 導入のポイントと効果 1. SLAMの実験を1コマンド化 2.
最適化したい評価指標を定義 実績:手動調整より10%向上 出典: 第6回 3D勉強会@関東 のmiyanegi「SLAM開発における課題と対策の一例の紹介」
27.
https://bit.ly/optuna-tutorial-ja 27 COVID-19分析 Non
ML 出典: https://twitter.com/maruyama/status/1231836868221603840
28.
https://bit.ly/optuna-tutorial-ja 28 2/6-2/15の検査陽性数の推移(公開データ) 疑問: 2/5時点の感染者数は?何日で回復? 出典:
https://twitter.com/maruyama/status/1231836868221603840
29.
https://bit.ly/optuna-tutorial-ja 29 SIRモデルのパラメータフィッティング 変数 t: 2/5からの経過日 S(t):
感受性宿主数 (免疫が低下し感染症になりやすい人) I(t): 感染者数(症状のない者も含む) R(t): 回復者数 x(t): 発症者数 (観測される数) 推定したいパラメタ I0: 初期の感染者 α: ある感染者がある日に発症する率 β: 感染率 γ: 発症期間(感染力がなくなるまでの日数)の逆数 x(t)が観測数と合致するようにパラメータチューニング SIRモデル 出典: https://twitter.com/maruyama/status/1231836868221603840
30.
https://bit.ly/optuna-tutorial-ja 30 結果 best modelのプロット best
modelのパラメタ 2/5時点の感染者数: I0 = 209 人 何日で回復: 1/γ ≒ 5 日 出典: https://twitter.com/maruyama/status/1231836868221603840
31.
https://bit.ly/optuna-tutorial-ja 31 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
32.
https://bit.ly/optuna-tutorial-ja 32 例: Kerasの訓練スクリプト(ハイパラ最適化前)
33.
https://bit.ly/optuna-tutorial-ja 33 例: Kerasの訓練スクリプト(ハイパラ最適化前) データのダウンロード ネットワーク構築 訓練と評価
34.
https://bit.ly/optuna-tutorial-ja 34 例: Kerasの訓練スクリプト(ハイパラ最適化前) ユニット数は? 学習率は?
35.
https://bit.ly/optuna-tutorial-ja 35
36.
https://bit.ly/optuna-tutorial-ja 36 Diff: Optunaの適用前後 Without
Optuna With Optuna
37.
https://bit.ly/optuna-tutorial-ja 37 OptunaでKerasコード 訓練ロジックを ラップ Optunaから パラメタ値を取得 最適化の実行
38.
https://bit.ly/optuna-tutorial-ja 38 基本的な使い方 • MLの訓練ロジックをobjective
function で包む • ハイパーパラメタの値をsuggest APIで取得 objective function suggest APIs
39.
https://bit.ly/optuna-tutorial-ja 39 基本的な使い方 Trialは1回の訓練、 Studyは最適化における一連のTrial
40.
https://bit.ly/optuna-tutorial-ja 40 基本的な使い方 Trial.suggest APIでユニット数と学習率を決める ユニット数 学習率
41.
https://bit.ly/optuna-tutorial-ja 41 実数値 [a,
b) • 素直にサンプル: Trial.suggest_float(“x”, a, b) • 対数変換した空間からサンプル: Trial.suggest_float(“x”, a, b, log=True) • q間隔で離散的にサンプル: Trial.suggest_float(“x”, a, b, step=q) – 注意: stepを指定した場合は右端点bを含む 整数値 [a, b] • 素直にサンプル: Trial.suggest_int(“x”, a, b) • 対数変換した空間からサンプル: Trial.suggest_int(“x”, a, b, log=True) カテゴリカルな値 {a, b, c, d} • {a,b,c,d}から一つ選ぶ Trial.suggest_categorical(“x”, (a, b, c, d)) 基本的なTrialの使い方
42.
https://bit.ly/optuna-tutorial-ja 42 基本的なStudyの使い方 Studyを作成→Study.optimizeを呼んで最適化を開始
43.
https://bit.ly/optuna-tutorial-ja 43 Optuna is Platform
Agnostic
44.
https://bit.ly/optuna-tutorial-ja 44 Scikit-learnの例 Without Optuna
With Optuna
45.
https://bit.ly/optuna-tutorial-ja 45 LightGBMの例 Without Optuna
With Optuna
46.
https://bit.ly/optuna-tutorial-ja 46 Optunaの基本的な使い方まとめ • 訓練コードを3点書き換えるだけ –
目的関数 objective – パラメータ取得 Trial.suggest – 最適化の実行 Study.optimize • Platform非依存 – PyTorchもLightGBMも。機械学習でなくてもOK
47.
https://bit.ly/optuna-tutorial-ja 47 Hands-on: http://bit.ly/optuna-tutorial-ja 実際に動かしてみましょう!
48.
https://bit.ly/optuna-tutorial-ja 48 一歩進んだ使い方 Visualization分散並列最適化 枝刈り
(早期終了)
49.
https://bit.ly/optuna-tutorial-ja 49 一歩進んだ使い方 Visualization分散並列最適化 枝刈り
(早期終了)
50.
https://bit.ly/optuna-tutorial-ja 50 分散並列最適化 Trial 1 Trial
2 Trial 3 Trial 4 Trial 5 Trial 6 並行して実行
51.
https://bit.ly/optuna-tutorial-ja 51 分散並列最適化の方法 この1行変えるだけ!
52.
https://bit.ly/optuna-tutorial-ja 52 分散並列最適化の方法 Study名とDB URLを指定
各ワーカーでスクリプトを実行
53.
https://bit.ly/optuna-tutorial-ja 53
54.
https://bit.ly/optuna-tutorial-ja 54 分散並列最適化の効果 Near-Linearなスケーラビリティを実現 • モデルの訓練時間が支配的な場合は 効果大 •
例: CNNのハイパラ最適化(右図)
55.
https://bit.ly/optuna-tutorial-ja 55 分散並列最適化の仕組み ● 最適化の履歴は全て共有ストレージに保存 ●
各ワーカーは履歴を参照してサンプリングを実行
56.
https://bit.ly/optuna-tutorial-ja 56 一歩進んだ使い方 Visualization分散並列最適化 枝刈り
(早期終了)
57.
https://bit.ly/optuna-tutorial-ja 57 枝刈り (早期終了) ●
見込みの薄いTrialの訓練を途中で打ち切る ● 同じepoch消費量で、試せるパラメータの数が飛躍的に増大
58.
https://bit.ly/optuna-tutorial-ja 58 枝刈り (早期終了)の方法 中間値の報告と枝刈りのロジックを追加 prunerの指定が必要 トライアル数指定の変更を推奨
59.
https://bit.ly/optuna-tutorial-ja 59 枝刈り (早期終了)の方法:objectiveの変更点 変更点は以下の2点 ●
評価値(中間値)を計算し報告 ● 枝刈りのロジックを追加
60.
https://bit.ly/optuna-tutorial-ja 60 枝刈り (早期終了)の方法:study.optimizeの変更点 これまで示してきた呼び出し方 •
study.optimize(objective, n_trials=100) • トライアル数 = 一定 • これだと100トライアルが早く終わるだけで、試せるハイパラの数は変わらない。 枝刈りを用いるときに推奨される呼び出し方1 • study.optimize(objective, timeout=30) • 時間 = 一定 • これだと与えられたリソース(30秒)のなかで、最大限多くのハイパラを試せる。
61.
https://bit.ly/optuna-tutorial-ja 61 枝刈り (早期終了)の方法:study.optimizeの変更点 枝刈りを用いるときに推奨される呼び出し方2 •
消費step数 = 一定 • これでも与えられたリソース(step数)のなかで、最大限多くのハイパラを試せる。
62.
https://bit.ly/optuna-tutorial-ja 62 枝刈り (早期終了)
の効果 詳細は OptunaのベンチマークWiki 1budget=100step 同じstep消費量で、より速く より良いハイパーパラメータを 発見 Better 枝刈りなし 枝刈りあり
63.
https://bit.ly/optuna-tutorial-ja 63 一歩進んだ使い方 Visualization分散並列最適化 枝刈り
(早期終了)
64.
https://bit.ly/optuna-tutorial-ja 64 Visualization Optunaには豊富な可視化関数が用意されている 最適化後のstudyを利用するだけで、簡単に分析が可能
65.
https://bit.ly/optuna-tutorial-ja 65 Visualizationの方法: plot_optimization_history() 最適化の履歴を、横軸トライアル数、 縦軸目的関数値として出力する 使い方: 最適化後のstudyを関数に渡すだけ optuna.visualization.plot_optimization_history(study)
66.
https://bit.ly/optuna-tutorial-ja 66 Visualizationの方法: plot_contour() 全てのハイパーパラメータに対して、 それらの任意の2個を縦軸横軸として 目的関数値の等高線を表示する 使い方: 最適化後のstudyを関数に渡すだけ optuna.visualization.plot_contour(study)
67.
https://bit.ly/optuna-tutorial-ja 67 Visualizationの方法: plot_param_importances() 最適化したハイパーパラメータに対し て、目的関数の値に与えた影響の度合 い(重要度)を計算して出力する 使い方: 最適化後のstudyを関数に渡すだけ optuna.visualization.plot_param_importances(study)
68.
https://bit.ly/optuna-tutorial-ja 68 Optunaの一歩進んだ使い方まとめ • 分散並列最適化 –
RDB をURLで指定 – 複数のワーカーで同じスクリプトを起動するだけ • 枝刈り (早期終了) – objectiveで中間値報告&Trial.should_pruned()を呼ぶ – かけるリソース量を考慮してstudy.optimize • Visualization – 最適化後のstudy を可視化関数に渡すだけ
69.
https://bit.ly/optuna-tutorial-ja 69 Hands-on: http://bit.ly/optuna-advanced-tutorial-ja 実際に動かしてみましょう!
70.
https://bit.ly/optuna-tutorial-ja 70 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
71.
https://bit.ly/optuna-tutorial-ja 71 不老における環境構築 • 不老では、Singularityというコンテナプラットフォームが利用可能 •
Optunaを含む環境を、Singularityを用いて構築することを推奨 開発環境 今回はOptunaや関連機械学習ライブラリを含む環境 の構築に焦点を当てる。Singularityの他の利用の仕 方は、こちらを参照 Optuna PyTorch scikit-learn Singularity
72.
https://bit.ly/optuna-tutorial-ja 72 不老における環境構築 まずは、不老 Type
Ⅱサブシステムにログイン $ ssh <ログイン名>@flow-cx.cc.nagoya-u.ac.jp 今回使うハンズオン資料をダウンロードし、作業ディレクトリに移動 $ cp -r /home/center/a49979a/share/20201023 ./optuna-hands-on-flow $ cd optuna-hands-on-flow 会話型バッチジョブを起動 $ pjsub --interact -L rscgrp=cx-interactive,jobenv=singularity (リソース割り当てに失敗した場合は、 別のリソースグループで実行してみましょう。) ($ pjsub --interact -L rscgrp=cxgfs-interactive,jobenv=singularity) Singularity モジュールをロード $ module load singularity OptunaのDockerイメージをベースにビルド $ singularity build optuna.sif docker://optuna/optuna:py3.7-dev 毎日ビルドされている最新のPython 3.7用のイメージ。バージョンを固定したかっ たり、違うPythonバージョン用のイメージが欲しければ、こちらを見るように。
73.
https://bit.ly/optuna-tutorial-ja 73 不老における環境構築 ダウンロードしたイメージをもとにsingularity shellで呼び出して起動 $
singularity shell --nv ./optuna.sif 必要なパッケージがあれば、ここでインストールする。(今回は特になし) Singularity > pip3 install <必要なパッケージ> 現在のイメージにインストールされているパッケージが確認できる。 Singularity > pip3 list Ctrl+Dを2回押すと、singularity shellと会話型バッチジョブが順に終了する。 Singularity> exit $ logout [INFO] PJM 00xx pjsub Interactive job xxxxx completed. $
74.
https://bit.ly/optuna-tutorial-ja 74 不老におけるOptunaの利用(単一ノード) まずは、簡単な二次関数の最適化を題材にOptunaがうまく動くか確認 `quadratic_simple.py`と`quadratic_simple.sh`を読んでみましょう $ vim
quadratic_simple.py $ vim quadratic_simple.sh バッチジョブとして実行 $ pjsub quadratic_simple.sh 実行結果は、ジョブIDをもとに確認できる $ cat quadratic_simple.sh.<ジョブID>.out
75.
https://bit.ly/optuna-tutorial-ja 75 不老におけるOptunaの利用(単一ノード) 実行結果の例: $ cat
quadratic_simple.sh.<ジョブID>.out ...
76.
https://bit.ly/optuna-tutorial-ja 76 不老におけるOptunaの利用(単一ノード) 次に、PyTorchを利用したMNISTデータに対するMLPのハイパラ最適化を題材 に動作を確認 `pytorch_simple.py`と`pytorch_simple.sh`を読んでみましょう $ vim
pytorch_simple.py $ vim pytorch_simple.sh バッチジョブとして実行 $ pjsub pytorch_simple.sh 実行結果は、ジョブIDをもとに確認できる $ cat pytorch_simple.sh.<ジョブID>.out
77.
https://bit.ly/optuna-tutorial-ja 77 単一ノード実行のまとめ • Singularityを利用してコンテナ開発環境を構築 •
.pyで実行コード、.shでジョブスクリプトを準備 • ジョブIDをもとに実行結果などが確認できる
78.
https://bit.ly/optuna-tutorial-ja 78 Today's Outline •
ハイパーパラメータ最適化とは • Optunaとは • Optunaの使い方 • 不老におけるOptunaを利用した最適化 • 不老におけるOptunaを利用した分散最適化
79.
https://bit.ly/optuna-tutorial-ja 79 RDBストレージの準備 複数ノードでOptunaを利用したハイパラ最適化を行うには 、最適化履歴を保存するRDBストレージが必要 → RDBストレージを保持するサーバーノードを準備する $
pjsub launch-postgres.sh [INFO] PJM 0000 pjsub Job xxxxx submitted. コレ!
80.
https://bit.ly/optuna-tutorial-ja 80 RDBストレージの準備 ジョブID xxxxxを利用してサーバーノードにアクセス可能 $
ls -a | grep xxxxx .d00000xxxxx .d00000xxxxx_nodeinfo .d00000xxxxxe .d00000xxxxxp $ cat .d00000xxxxx_nodeinfo 10.102.1.95 このIPアドレスを利用して、サーバーノードには以下のURLでアクセス可能 postgres://postgres@10.102.1.95:5432/ ここにサーバーノードのIPアドレスが格納されている サーバーノードのIPアドレス(例)
81.
https://bit.ly/optuna-tutorial-ja 81 RDBストレージの準備 サーバーノードのIPアドレスをワーカーノードに受け渡す必要がある • サーバーノードではファイル`rdb_server_nodeinfo`にIPアドレスを書く •
ワーカーノードではファイル`rdb_server_nodeinfo`からIPアドレスを読む
82.
https://bit.ly/optuna-tutorial-ja 82 不老におけるOptunaの利用(複数ノード) 簡単な二次関数の最適化を題材にOptunaが複数ノードでうまく動くか確認 `quadratic_rdb.py`と`quadratic_rdb.sh`を読んでみましょう $ vim
quadratic_rdb.py $ vim quadratic_rdb.sh バルクジョブとして実行(ここでは3並列) $ pjsub --bulk --sparam 1-3 quadratic_rdb.sh 実行結果は、このOptunaジョブのジョブIDとバルク番号をもとに確認できる $ cat quadratic_rdb.sh.<ジョブID>¥[<バルク番号>¥].out
83.
https://bit.ly/optuna-tutorial-ja 83 不老におけるOptunaの利用(複数ノード) PyTorchを利用したMNISTデータに対するMLPのハイパラ最適化を題材に複数 ノードで動作を確認 `pytorch_rdb.py`と`pytorch_rdb.sh`を読んでみましょう $ vim
pytorch_rdb.py $ vim pytorch_rdb.sh バルクジョブとして実行(ここでは3並列) $ pjsub --bulk --sparam 1-3 pytorch_rdb.sh 実行結果は、このOptunaジョブのジョブIDとバルク番号をもとに確認できる $ cat pytorch_rdb.sh.<ジョブID>¥[<バルク番号>¥].out
84.
https://bit.ly/optuna-tutorial-ja 84 複数ノード実行のまとめ • RDBストレージを用意してIPアドレスをもとにアクセス •
バルクジョブ実行により、1コマンドで一気にジョブが 立ち上がって便利 • ジョブIDとバルク番号をもとに実行結果が確認できる
85.
https://bit.ly/optuna-tutorial-ja 85 おわりに • Optunaはプラットフォーム非依存でどんな機械学習ライ ブラリとも連携できる •
RDBを用意すれば不老上でも簡単に分散最適化が可能 Optunaの最新ニュースはTwitter @OptunaAutoMLで! 質問はGitHub, Gitter, Stack Overflowで受け付けています ぜひGitHubページでStarを押してください!
86.
https://bit.ly/optuna-tutorial-ja 86
Baixar agora