TensorFlow : ML 初心者向けの MNIST （コード解説） – ClassCat® AI Research
TensorFlow : コード解説 : ML 初心者向けの MNIST * 本ページのベースとなっている TensorFlow : Get Started : ML 初心者向けの MNIST は TensorFlow のバージョンアップに伴い、大幅に加筆修正されましたが本ページには反映されておりません。必要ならばリンク先を参照してください。(03/19/2017) * (Obsolete) TensorFlow : Tutorials : ML 初心者向けの MNIST に、数式は排除/コード重視の方針で詳細な解説を加筆したものです。 データセットはまた、どの数字かを教えてくれる各画像へのラベルを含みます。例えば、上の画像へのラベルは 5, 0, 4 そして 1 です。 このチュートリアルでは、画像を見てどの数字であるか予測できるようにモデルを訓練していきます。我々の目的は Tensor
TensorFlowのチュートリアルをやってみる（2） | mwSoft
TensorFlowのチュートリアルをやってみる（2） 概要 NN初心者がTensorFlowのチュートリアルの内容を寄り道しながらこなす企画のパート2。 今回はDeep MNIST for Expertsのところ。前回は単純なモデルで91%程度の精度だったけど、今回は畳み込みニューラルネットワーク（convolutional neural network）で99%以上の精度を達成するらしい。 バージョンは0.7.1でPython3.4、GPU版を利用。OSはUbuntu系。 @CretedDate 2016/03/21 @Versions python3.4.3 tensorflow0.7.1, CudaToolkit7.5 前回の復習 まずは前回の復習からスタートしている。 import tensorflow as tf # MNISTのデータ読み込み from tensorflow.
Tensorflowにおける各種演算まとめ - Qiita
はじめに Tensorflowではテンソルと呼ばれる量を扱うので、Numpyのメソッド等は使えません。そのためTensorflowに用意されているメソッドを用いる必要があります。 ここでは基本的な四則演算と行列演算についてまとめています。特にPythonで定義されている各種演算(+, -, /, //, %)と比べています。 注意 - すべての演算をまとめているわけではないので、その他の演算については公式ドキュメントを参照ください。 - Tensorflowでは全てテンソルを扱うので、データの種類に言及するときは、テンソルを飛ばして「リストは〜」「ベクトルは〜」などと書いています。その点注意していただければと思います。 - 2018/01/31: 1月26日にTensorflow v1.5.0がリリースされました。このバージョンからeager executionというメソッドが実装され、S
TensorFlowでカスみたいな線形回帰(Linear Regression) - Qiita
TensorFlowでカスみたいな線形回帰をやってみます。ダミーデータを作り、回帰直線が「Y = 2X + 3」になるようにがんばってみます import tensorflow as tf import numpy #学習率 learning_rate = 0.01 training_epochs = 1000 display_step = 100 # -1から1を100等分した数値が入った配列 train_X = numpy.linspace(-1, 1, 100) # shapeで配列の次元数を取得 # 誤差を生成 err = numpy.random.randn(*train_X.shape) * 0.5 # Y = 2X + 3に誤差を加える train_Y = 2 * train_X + 3 + err n_samples = train_X.shape[0] #モデルを作成(p
Install TensorFlow 2
Deploy ML on mobile, microcontrollers and other edge devices
ニューラルネットワークでプロ野球選手の給与を査定してみる - Qiita
概要 TensorFlowでニューラルネットワークを使い、94人のプロ野球投手の年間の成績から年俸を推定してみます。 訓練データとして89人の成績と年俸を使い、残りの5人の選手の年俸をどれだけ精確に推定できるかを検証します。 注：この記事は選手の年俸についての意見を述べるものではなく、検証の結果はいかなる選手の年俸の不当性を訴えるものでもありません。 入力 以下の33種類のデータを入力として取り扱います。 球団(12個のOne-Hot Vector) 防御率 出場試合数 勝利数 敗北数 セーブ ホールド 勝率 打者 投球回数 被安打 被本塁打 与四球 与死球 奪三振 失点 自責点 WHIP DIPS 所属年数 年齢 国内選手 or 国外選手 各データは最小0、最大1の値を取るように正規化しました。 94人の選手のうち89人のデータを訓練データとして、残りの5人の選手のデータをテストデータと
TensorFlow データ読込実用編 - Qiita
初めに 転職して約1ヶ月経過1 仕事でバリバリ TensorFlow 活用中 ↑にともなって月の前半は TF(再)勉強 その成果の紹介 主にデータ収集・読込回りの情報共有 あとQiitaスライドモードのテストも兼 tf.train.batchXXX() 指定したバッチサイズのミニバッチをどんどん生成してくれる「データプロバイダ」を生成する関数 内部でキューを利用して、先読み・送出する仕組み 複数のデータを同時（同期）的に送出可能（画像とラベルとか） 参照：Batching at the end of an input pipeline サンプル # データ・ラベルの定義 data = tf.random_uniform([2], -1, 1) label = tf.cast(tf.reduce_prod(data)>=0, tf.float32) # バッチデータプロデューサ（バッチサイズ
tf.data: Build TensorFlow input pipelines | TensorFlow Core
The tf.data API enables you to build complex input pipelines from simple, reusable pieces. For example, the pipeline for an image model might aggregate data from files in a distributed file system, apply random perturbations to each image, and merge randomly selected images into a batch for training. The pipeline for a text model might involve extracting symbols from raw text data, converting them
Session management | TensorFlow
Overview r0.12 Python API r0.12 Overview r0.12 Building Graphs Overview Core graph data structures Tensor types Utility functions Graph collections Defining new operations For libraries building on TensorFlow Other Functions and Classes Asserts and boolean checks. Overview Asserts and Boolean Checks Constants, Sequences, and Random Values Overview Constant Value Tensors Sequences Random Tensors Va
[TF]TensorflowのAPIについて - Qiita
Constant Value Tensors zeros numpyのzerosみたいなもの TensorのデータタイプとShapeを指定する import tensorflow as tf x = tf.zeros([1], dtype=tf.float32) with tf.Session() as sess: print(x.eval()) [ 0.] import tensorflow as tf x = tf.zeros([10], dtype=tf.float32) with tf.Session() as sess: print(x.eval()) [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
![[TF]TensorflowのAPIについて - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/250153c2bd5ad92fd22869cad281927f4ca757f4/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCVEYlNURUZW5zb3JmbG93JUUzJTgxJUFFQVBJJUUzJTgxJUFCJUUzJTgxJUE0JUUzJTgxJTg0JUUzJTgxJUE2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz03OGUwNDUzYTg0YmRhMDk1ZDYzY2I5ZWU1MDRiYjA3OA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBzdXBlcnNhaWFrdWppbiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NDM4YTY0ZDdkYWRmMTQxNDhkYTFiMzYzY2M5NjlkNjA%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D7f23583382eb362e5db855101d62458c)
Tensorflowを２ヶ月触ったので"手書きひらがな"の識別95.04%で畳み込みニューラルネットワークをわかりやすく解説 - Qiita
Tensorflowを２ヶ月触ったので"手書きひらがな"の識別95.04%で畳み込みニューラルネットワークをわかりやすく解説Python機械学習DeepLearning画像認識TensorFlow どうも、データセットの用意でバイナリーとの戦いを5時間繰り広げたあげく、記事に１日かかりました。丁寧に記事書くって大変ですね。うふふっ☆ 前回: 特にプログラマーでもデータサイエンティストでもないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説 に続き、MNISTのエキスパート編を解説しようと思ったのですが、せっかくなので数字ではなくひらがなデータセット計71文字を識別していくなかで"畳み込みニューラルネットワーク"の解説をしたいと思います。 英語ではConvolutional Neural Networkなので以下CNNと呼びます コードはほぼTensorflowのチュートリアル
Revisions of "特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説" - Qiita
Revisions of 特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説
TensorFlowをiOSで動かしてみる - その後のその後
TensorFlow に iOS サポートが追加された というニュースを見かけたので、ビルドして、iOSで動作させてみました。 （たまたま目の前にあった扇風機もバッチリ認識してくれました） 本記事では最終的にうまくいった手順を書いています。この手順をなぞってみるにあたってTensorFlowや機械学習・ディープラーニングについての専門知識は不要ですのでぜひお試しください！ ビルド手順 （2017.4.15追記）v1.1.0 RC2 のビルド 現時点での最新Release（候補）である v1.1.0 RC2 も、tensorflow/contrib/makefile/build_all_ios.sh を実行するだけでビルドできました。 （2016.8.22追記）v0.10.0 RC0 のビルド 現時点での最新Releaseである v0.10.0 RC0 は、上記手順でビルドしようとすると c
TensorFlowで学習したモデルを使ってiOS/Swiftで実行する - Qiita
最近 Qoncept では TensorFlow を使った案件が続いており、その中で TensorFlow を iOS 上で使いたいことがありました。 ぱっと浮かんだ選択肢は次の二つでした。 TensorFlow を iOS 用にビルドして C++ の API を Swift から叩く 学習は TensorFlow / Python で行って、テンソルの計算だけを iOS / Swift でシミュレーションする しかし、前者ついては、まだ TensorFlow を iOS 用にビルドできなさそうでしたしできるようになりました（コメント参照）、たとえできたとしても C++ の API を Swift から叩くのは辛そうです。 TensorFlow がありがたいのは学習時の自動微分等の機能であって、学習済みのモデルを利用するときはただテンソルの計算をしてるだけです。別に学習を iOS 上でやり
TensorBoardでデータフローを可視化する - Qiita
-supervisor_labels_placeholder = tf.placeholder("float", [None, 3], name="supervisor_labels_placeholder") -input_placeholder = tf.placeholder("float", [None, 3], name="input_labels_placeholder") -feed_dict={input_placeholder: input, supervisor_labels_placeholder: winning_hands} -with tf.Session() as sess: - summary_writer = tf.train.SummaryWriter('data', graph_def=sess.graph_def) +with tf.Graph().
TensorFlow Tutorial MNIST For ML Beginners やった - Qiita
TensorFlow が公開されたので, これを使いながらニューラルネットを勉強することにしました. 気分次第で勉強の記録を残します. インストールしてみる pip があれば, CPU 版は readme の指示通りにコマンドを打つだけです. どうせ我が家に GPU はありません. https://github.com/tensorflow/tensorflow Ubuntu と Mac で正常に動くの確認できました. Windows の人はやり方わからないので頑張ってください. インストールが済んだら import tensorflow as tf と打って怒られないことを確認しましょう. 動かしてみる まずは以下のチュートリアルから始めてみました. http://tensorflow.org/tutorials/mnist/beginners/index.md まあなんか出力を 10
TensorFlowでアニメゆるゆりの制作会社を識別する - kivantium活動日記
ついにガロアが死んだ年齢を超えてしまったことに気がつき、自分がまだ何も成し遂げていないことを悲しく思う今日このごろです。 さて、今日はGoogleが出した機械学習ライブラリのTensorFlowの使い方について軽く説明しつつ、ゆるゆりの制作会社の識別を行おうと思います。 TensorFlowとは TensorFlowはGoogleが11/9に公開したApache 2.0ライセンスで使える機械学習ライブラリです。Googleは様々なところでプロダクトに機械学習を活用していますが、TensorFlowは実際にGoogle内部の研究で使われているそうです（TensorFlow: Google 最新の機械学習ライブラリをオープンソース公開 - Google Developer Japan Blog）。 Googleのネームバリューは恐ろしいもので、GitHubのStar数はすでにChainerやC
落ちこぼれないためのTensorFlow Tutorialコード - Qiita
前記事にて，Deep Learning Framework "TensorFlow" のドキュメントが難しい，という点に触れた．本記事では，TensorFlowの2層ネットワークを使って MNIST（手書き数字の分類問題）を解くことをやってみたい． 動機 - for Beginners と for Experts の間を埋めたい TensorFlowのTutorialに目を通すと，最初に ”MNIST for Beginners” があってその次が "Deep MNIST for Experts" となっており，かなり技術レベルのジャンプがあるように見える． For Beginners ... Softmax Regression （ソフトマックス関数による多クラス，ロジスティック回帰） （ネットワークモデルの基本，MLP (Multi Layer Perceptron Neural Ne
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
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
How do you extract the weights used in the model? · Issue #6 · google/prettytensor
KSKアナリティクス TensorFlow 情報提供サイト