競プロ向けのrustテスト/デバッグ環境を作った

最近競技プログラミングにはまっています。
数年前は「誰も使わないコードのためのコードなんて」と思っていたけど、今はスポーツ感覚で楽しめる心境になりました。
継続的に出ることで、小難しいアルゴリズムをバグなくスピーディーに組む力は上がっているのを感じます。

言語は、簡単な問題ではPython、計算量がありそうな問題ではRustを使っています。

Rustは速度が速いわりに、C++より楽にかけるのがよいです。
トッププログラマ達も使い始めていて、競プロ用言語として有望な気がします。

【雑記】最近rust試してるので感想

最近、rustで楽しく書いてます。

C++の古い部分、危険な部分をそぎ落とし、関数型言語の要素が入っているということで、これから新しくC++のプロジェクトを始めるならいっそrustで始めたらいいんじゃないかなと思いました。

まだrust歴二週間程度ですが感想まとめ。

caffeベースで配布されているネットワークをdockerで試す、Refinedetを題材に

caffe本家に含まれていない独自レイヤを使ったネットワークをcaffe実装で公開するとき、追加レイヤ分だけを含むリポジトリを作るのではなく、caffeごとforkして独自レイヤを足す形での配布が多いようです。

（というかそれしか手段がない？）

例えば、物体検出系で言うと、

• Refinedet
• SSD(Single Shot Multi Detector)
• DSSD

あたりがそうですね。

これらをインストールしようとするとcaffeそのものをインストールされる以上、環境が汚れるのは必至、既存のcaffeとバージョンが衝突してどうしたものかなとなりますよね。

そんなときはdockerを使ってみようというお話。

リアルタイム物体検出向けニューラルネット、SSD(Single Shot Multi Detector)及びその派生モデルの解説

さて、昨年行ったGTC Japan 2017では物体検出のデモを行っているブースが多く、盛り上がりを見せている分野と感じています。
たしかに、物体検出のデモってすごくAI感(?)があります。

今回の記事はリアルタイム(~0.1sec)物体検出に使われるSSD及びその派生モデルのお話。

 [1]SSD検出結果

FastRGFはじめました@rgf_python2.3.0

rgf_pythonですが、ありがたいことにPorto Seguro’s Safe Driver Prediction Competitionを中心にkaggleで使ったよ、という報告が増えてきました。

Safety in Numbers - My 18th Place Solution to Porto Seguro's Kaggle Competition – Joseph Eddy – Data scientist, teacher, debate coach

https://www.kaggle.com/scirpus/regularized-greedy-forest/code

RGF単体でXGBやLightGBMを越えない場合でも、アンサンブルのお供には有力な選択肢です。

さて、rgf_pythonは現在も継続的に更新を続けており、デプロイ方法の変更や、docker imageの配布、内部的な変更も大きい物がいくつか入っていますが、なんといっても最近ではFastRGFの導入が大きいでしょう。

今日はFastRGFについて書きます。

chainer GUI designerを使ってchainerのコードを生成してみる

皆さんこんばんは。Chainer Advent Calender 2017の9日目の記事です。

(Advent Calendarに不慣れで、空の記事を公開していました、すいません、)

今回の記事は拙作のGUIクライアント(非公式)でネットを構築してchainerのコードを生成してみようというのが趣旨です。

GitHub - fukatani/ChainerWing: GUI deep learning IDE based on chainer.

ChainerWing自体はデータのハンドリングから、ネット構築、学習、予測まで(限られたタスクではありますが)、サポートされています。
今回はネット構築機能を使ってChainerのコードを生成してみます。
フル機能に興味がある方は、以前の記事を参考にしてください。

CupyとNumpyのパフォーマンスを比較してみた

GPUで、Numpy互換のAPIで行列計算ができるCupyは活発に更新されています。

sortやinv、最近はsparseまで、numpy(とscipy)の機能の多くをカバーするようになってきて、numpyの代用になりえるものになってきたと思います。

そこでどれだけの機能がサポートされているのか、そして、GPUで計算することにより、どれだけ、速くなるのか？調べてみました。