「AI日常化挑戦する会社」

研究分野・大学等で活用できる機械学習「Renom」

Renom_AI開発ツール

 

GUIを使って開発可能なAI開発プラットフォーム

GRID社が開発したReNomは、『誰にでも簡単にデータ解析やAI開発ができるようにすること』『高度なアルゴリズムを自由に組み合わせて使えること』を目指したAI開発プラットフォーム。 通常、エンジニアが数か月かけて行っているDeepLearningを使ったモデル構築をプログラムが出来ないユーザーでもGUIを使って数日~数週間という短期間で行うことも可能になります。

Renomとは

AI 開発プラットフォーム「ReNom」は、誰でも簡単にデータ解析や AI 開発ができるようにすることと、高度なアルゴリズムを自由に組み合わせて使えることを目指しています。
ReNom は、ディープラーニングにとどまらず、機械学習のアルゴリズムや TDA、深層強化学習など、さまざまなアルゴリズムを組み合わせるアルゴリズムミックスを提唱しています。API の提供だけにとどまらず、さまざまなデータ処理ユーティリティやGUIアプリケーションでモデルの開発ができるSDKを提供しており、幅広い産業分野で活用されています。

また、すべてのオンライン通信に対し暗号化を行っており、パスワードベースの保護から、会議への待機や出席者の保留などを行えます。

ReNomコンセプト

Renom詳細

各層を自由に接続可能で、日々複雑化しているディープニューラルネットの構造を自由に構築でき、一般的に実装が難しいとされる再起型ニューラルネットワークなども容易に構築する事ができます。

機械学習を誰でも使用する事ができるよう、プログラミングする事なくJSONファイルで定義する事ができ、さらに、プログラマーにも大きな自由度を与え、研究者などが行う高度なチャレンジも実現可能にしています。

機械学習では、より複雑で、多層なネットワーク構造が求められるようになってきております。

過去のフレームワークでは、複雑なネットワーク構造になると、そこで行われる計算に必要なリソースを最適にする事が難しかったが、ReNomでは、ネットワーク構造を自由に構築する事と、メモリ管理を両立させる事を目指しました。ユーザーが自由に設計したネットワークの計算に必要なリソースを自動的に理解し、学習時に必要な全ての計算内容を最適化しています。

ReNomでは、ユーザーが個別で設計したネットワークに最適化されたプログラムを動的に生成する事で、計算内容を最適化し、高速化を実現しています。また、さらなる計算速度向上のため、GPUをサポートし、演算処理を高速化しています。さらに今後は、新たなアルゴリズムを追加し、計算方法自体を変えてしまう事で、計算スピードの高速化を目指します。

ReNom DL version 3 は、ユーザーが実装した Neural Network における順伝播計算、 逆伝播計算、データ入力、前処理、後処理、勾配法に基づく重みの更新等の すべての処理をオペレーションノードとして扱い、それらノードのつながりを 計算グラフとして保持します。そして計算グラフ上に存在する並列化可能な オペレーションノードや、学習過程において必要が無いオペレーションノード を自動で発見し、並列実行や処理をスキップするといった最適化を行います。

ReNom DL version 3 では、Defined by Run 方式に基づく実行方法と Define and Run 方式に基づく実行方法の両方を提供しています。それぞれ の実行方法をEager Mode、Executor Modeと呼びます。

Eager Mode では、Defined by Run 方式の特徴であるデータを与えながら Neural Network を構築できるという利点を活かすことができます。具体的には、 ソースコードのようにデータが与えられるたびに、新たな計算履歴を作り直す ようなプログラムを書くことができます。

Executor Modeでは、Define and Run方式の特徴であるNeural Networkの 定義とその全体最適化を行った後にデータを与え、効率的に計算を実行すると いう特徴を活かすことができます。具体的には、最初に与えたデータ形式で計算 グラフを抽出し、その計算グラフを何度も再利用することができます。

ReNom DL version 3 では、過去のバージョンと同様に、さまざまな Neural Networkを構築するために必要な関数を提供しています。 以下はその一部のリストアップです。

<使用可能な関数一覧(一部を抜粋)>

Dense(全結合層)
N-dimentional Convolution(N次元畳み込み層)
N-dimentional Deconvolution(N次元逆畳み込み層)
N-dimentional Pooling(N次元プーリング層)
N-dimentional Unpooling(N次元逆プーリング層)
Lrn(局所レスポンス正規化)
Lstm(Long short time memory層)
Gru(Gated recurrent unit層)
Batch Normalization(バッチ正規化層)
Weight Normalization(重み正規化層)
Layer Normalize(レイヤ正規化層)
各種活性化関数
各種二項演算子
各種単行演算子

 

おすすめワークステーション

 

CERVO Deep for Linux Type-IS1WRe1

オペレーティング・システム : Ubuntu 18.04 LTS
DeepLearningシステム : ReNom(学術利用のみ無償)
プロセッサー : インテル® Xeon W-2123
メモリー : 32GB (8GB x 4) DDR4-2666 Registered-ECC
ストレージ : 512GB 高品質SSD + 4TB エンタープライズHDD
光学ドライブ : DVD スーパーマルチ
ネットワーク : [2ポート]5ギガビット+1ギガビット
グラフィック : NVIDIA® Quadro® P5000 16GB-GDDR5
電源ユニット : 900W 80 Plus Gold 認証