TensorFlowによる精度計算の流れを追う - test.py
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(Y, 1), tf.argmax(Y_, 1)), tf.float32)) Yをニューラルネットワークの出力層、Y_をその正解ラベルとした場合、学習モデルの精度を計算するとき、 TensorFlowでは上記ようにAPIを組合せて書くことがある。 式が長いので、各APIの処理の流れを、１つずつ出力しながら追ってみる。 分かれば非常にシンプルな処理の流れである。 計算の流れ NumpyとTensorFlowをimportしておく。 >>> import tensorflow as tf >>> import numpy as np YとY_に[3, 4]のサンプルデータをセットする。 1行目を不正解としている。 >>> Y = np.array([ ... [0.1, 0.2, 0.3,
ディープラーニングの判断根拠を理解する手法 - Qiita
ディープラーニングは特定分野で非常に高い精度が出せることもあり、その応用範囲はどんどん広がっています。 しかし、そんなディープラーニングにも弱点はあります。その中でも大きい問題点が、「何を根拠に判断しているかよくわからない」ということです。 ディープラーニングは、学習の過程でデータ内の特徴それ自体を学習するのが得意という特性があります。これにより「人が特徴を抽出する必要がない」と言われたりもしますが、逆に言えばどんな特徴を抽出するかはネットワーク任せということです。抽出された特徴はその名の通りディープなネットワークの中の重みに潜在しており、そこから学習された「何か」を人間が理解可能な形で取り出すというのは至難の業です。 例題：このネットワークが何を根拠に猫を猫として判断しているか、ネットワークの重みを可視化した上図から答えよ(制限時間:3分) image from CS231n Visua
あらゆるデータを可視化するTensorBoard徹底入門
TensorBoardの主要機能 折れ線グラフ 画像 音声 ヒストグラム 計算グラフ 次元削減のプロット TensorBoardの読み方 シンボルの意味 name scopeとnode グラフの色 Structure View Device View 計算時間・メモリ テンソルの次元数 Summary Operation scalar histogram image audio 可視化してみる ハイパーパラメータの探索 Embedding Visualization メタデータファイルの作り方 スプライト画像の作り方 ラベルによる色分け t-SNEとPCA まとめ TensorFlowの優れた機能として、TensorBoardによる充実した可視化環境が挙げられます。TensorBoardがあれば、ニューラルネットワークの学習が上手くいかないときに、俯瞰してネットワークを表示したり、様々なデ
VR統計解析ツールの「Virtualitics」、シリーズAラウンドで440万米ドルを調達——人工知能が見つけたパターンをVR空間に可視化 - BRIDGE（ブリッジ）テクノロジー＆スタートアップ情報
（上）VR 分析ツールを提供する Virtualitics Image Credit: Virtualitics VR の開発者にとって、人々が仮想世界の中でどこを訪れているかといった分析は必要不可欠だ。Virtualitics は VR と AR（拡張現実）アプリ用の分析ツールを開発するため、440万米ドルを資金調達した。 カリフォルニア州パサデナに本社を置く Virtualitics は、VR と AR 向けにデータの可視化・分析ツールを開発した。The Venture Reality Fund がリードしたラウンドで資金を調達している。 この資金で Virtualitics は開発チームを拡大し、新機能の追加開発を加速したい考えだ。この新機能とは、VR／AR データの可視化、人工知能、自然言語、機械学習を組み合わせて、多次元関係を分析したり、複雑なデータセットから有意義なデータを抽出
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://gakuseibiz.com/?p=905
