pytorch-pix2pix - にほんごのれんしゅう
pytorch-pix2pix 一年ほどまえ、pix2pix系のネットワークを編集して色々おもしろいことができると言うことを示しました。当時はブログ等に何かポストする際に再現可能なコードを添付することを諸事情により十分にできなかったのですが、pytorchに元論文の実装に近いImage to Imageが登場し、かなり強力で表現力の高いネットワークであったので、いくつか再現性とデータセットを再び添付して公開したいと思います 白黒画像に色をつける 不完全な欠損した画像を復元する フォントのスタイル変換 Image-to-Imageのネットワークと論文とその実装系のForkのForkになります。 素晴らしい編集力と、コードの一般化を行った方々に感謝を申し上げます A fork of PyTorch implementation of Image-to-Image Translation Usi
ポアンカレエンベッディング - にほんごのれんしゅう
ポアンカレエンベッディング Euclid空間にエンベッディングするようなword2vecは意味の上下関係が明示的に記されません。(情報としたあったとしても僅かでしょう) ポアンカレボールという双曲幾何学空間に埋め込むことで、効率的に意味(や木構造)の上位関係をとらえることができます[1] 理解 ポアンカレボールはこのような、外周部に行くほど密になる球みたいなものなのです。 図1. ハニカム構造のPoincare Ball(Wikipediaより) ポアンカレボールでは外に行くほど情報が密になり、空間が広がっているともとらえます。 数式で表現するとこのようになって、 gEというユークリッド距離がxが1に近づけば無限に大きくなることがわかります。 このポアンカレボール上にある二点間の距離はこのように表現され、単純なユークリッド距離ではないことが見て取れます。 この距離関数に基づいて損失関数L(
Gradient Boosting Machineで特徴量を非線形化 - にほんごのれんしゅう
Gradient Boosting Machineで特徴量を非線形化 Practical Lessons from Predicting Clicks on Ads at Facebook Facebook社のGradient Boosting Machineで特徴量を非線形化して、CTRを予想するという問題の論文からだいぶ時間が立っていますが、その論文のユニークさは私の中では色あせることなくしばらく残っています。 原理的には、単純でGrandient Boosting Machineの特徴量で複数の特徴量を選択して決定木で一つの非線形な状態にして、数値にすることでより高精度でリニアレグレッションなどで予想できるようになります。私の雑な解釈では、GBMがその誤差を最小化しようと試みる時に、複数の特徴量を選んで木を作成するのですが、この時の木がうまく特徴量の相関を捉えて、結果として特徴量の圧
Pix2pix with Text - にほんごのれんしゅう
Pix2Pixとは 01/06/2017. この記事の生成物に関して、修正点があるのであとで修正します 自動生成系の深層学習の一つ ２つの画像の差を学習して、その差を補う形で画像などを出力する 図1. facadeとよばれるデータで学習した場合 図2. GANのモデルの様子。生成器と、判別機が対立して競い合う 先行研究 初心者がchainerで線画着色してみた。わりとできた。[1] ヒント情報として、色情報を書き足すことで、色を指定している Pic Source: qiita.com 図3. オレンジ色で色のヒントを与えている様子がわかる Icml2016[2] テキスト情報をSkip Thought Vectorでembeddingすることで、意図した画像を生成する Pic Source: github.com 図4. 左のテキスト情報から右の花の絵を生成している モチベーション 色指定
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
