[レポート] Tensorflow勉強会（3） が開催されました! | DevelopersIO
はじめに 先日 4/13 六本木ヒルズの Google Inc 東京オフィスでTensorFlow勉強会の三回目が開催されました！本記事はそのレポート記事となります。 Machine Intelligence at Google Scale: Vision/Speech API, TensorFlow and Cloud Machine Learning Google Developer クラウドデベロッパー アドボケイト 佐藤一憲氏 新しいAPI Cloud vision API Cloud speech API Tensorflow playground Inputと学習器のプロパティを設定できる、またニューラルネットのレイヤも設定できる Cloud machine learning Tensorflowで定義した分類のグラフをFull managedで分散学習してくれる Destri
![[レポート] Tensorflow勉強会（3） が開催されました! | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/d31a36e185555d1c0dca2a8ca8dba86ad1243522/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2015%2F11%2Ftensor_flow-1.png)
NeuroEvolutionモデル 〜 深層学習 と 遺伝的アルゴリズム の 融合モデル について - Qiita
NeuroEvolutionモデル 〜 深層学習 の ネットワーク構成 と 隠れ層のパラメータ を 環境の変化 に 適応させながら、「進化論的」に世代を繰り返して、動的 に 修正進化するモデル １. 今回 見つけたもの NeuroEvolution: Evolutionary Artificial Neural Network, EANN ＝ 「ニューラルネットワーク」or 「深層ニューラルネットワーク」 × 「遺伝的進化計算アルゴリズム」 Wikipedia NeuroEvolution Neuroevolution または Neuro-evolution は人工ニューラルネットワークの学習に遺伝的アルゴリズムを用いる機械学習の手法である。 ネットワークの性能を測るのが容易であるが、教師あり学習を用いて正しい入力と出力の対の概要を作るのが困難または不可能であるゲームやロボットのモーター制
TensorFlow : ML 初心者向けの MNIST （コード解説） – OpenAI API / Gemini API | ClassCat® Chatbot
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
Self-Driving Cars in the Browser
Self-Driving Cars in the BrowserThis project demonstrates how a computer can learn by itself how to control a car. Using reinforcement learning, the agent's neural network is trained to maximize its reward, which in this case is the speed of the car. The code runs in the browser and you can watch the cars drive below. February 1, 2017 • Jan Hünermann Figure 1: You can see cars racing around and av
TensorFlowのキーコンセプト: Opノード、セッション、変数 - Qiita
はじめに TensorFlowは、「データフローグラフ」という形で計算を表現し、機械学習をプログラミングします。この形式は、大規模な並列計算を行うのに有用とされています(参考記事)が、スクリプトを上から下に読んで計算を行う普通のプログラミング言語とは考え方が異なるので、はじめは少しとっくきづらさがあります。 そこで、この記事では、TensorFlowのプログラミングで必要になる3つのキーコンセプト Opノード セッション 変数 について簡単に説明します。 データフローグラフとOpノード 「データフローグラフ」はノードといわれる計算ブロックのようなものをエッジといわれる線で繋げたもので、データはノードからノードへ、エッジのつながり方に従って受け渡され、計算が行われます。 似たようなプログラミング手法は、SIMULINKやUnreal Engine4のBlueprintでも見られますね。 Te
SensorBee: An open source stream processing engine for IoT
Stateful Extracting useful information from unstructured data often requires machine learning. SensorBee works well with online machine learning algorithms by storing machine learning models as user-defined states. It supports various machine learning toolkits, including Chainer and some components of Jubatus. In addition, SensorBee’s query language enables stateful temporal data handling. Express
NVIDIA DIGITS
The NVIDIA Deep Learning GPU Training System (DIGITS) puts the power of deep learning into the hands of engineers and data scientists. DIGITS can be used to rapidly train the highly accurate deep neural network (DNNs) for image classification, segmentation and object detection tasks. DIGITS simplifies common deep learning tasks such as managing data, designing and training neural networks on multi
［GTC 2015］GPUが機械学習型AIを人間より賢くする？ NVIDIA CEOによるGTC 2015基調講演レポート
［GTC 2015］GPUが機械学習型AIを人間より賢くする？ NVIDIA CEOによるGTC 2015基調講演レポート ライター：西川善司 Jen-Hsun Huang氏（Co-Founder and CEO, NVIDIA）。最近，講演で氏が登壇するときは，決まって肩に鋲の入ったこのジャンパーを着ている 北米時間2015年3月17日，NVIDIA主催のGPUコンピューティング開発者会議「GPU Technology Conference 2015」（以下，GTC 2015）が米国サンノゼで開幕した。会期初日には，NVIDIAの社長兼CEOであるJen-Hsun Huang（ジェンスン・フアン）氏が登壇する基調講演が行われ，同社の最新製品や，GPGPU分野の最新動向についてが解説されている。 講演の冒頭で，Huang氏は「今日，アナウンスしたいことは4つある」と語りだした。スライドで掲
Deep Learning研究のためのGPU環境構築 | Deep Learning JP
Torch7やTheano、CaffeといったライブラリをGPU上で実行するために必要となるCUDA環境の構築について基本的な情報と、よくひっかかる点やその解決方法を示します。 注意：GPU環境構築は、環境（ハード構成等）によっては、Linuxの専門的な知識を要する場合があります。 Deep Learning研究において、GPUを利用した計算ができることはほぼ必須だと言っても過言ではありません。これは、GPUを使う場合と使わない場合では数倍から１０倍程度、計算時間に差がでるためです。大量のデータを訓練データとして利用することが多いDeep Learningの研究においてこの差は致命的になることが多いです。 GPUの計算環境といっても、いくつかの実装があります。代表的なGPGPU用のライブラリとしては、OpenCLやCUDAが挙げられます。Torch7やPylearn2、Caffeといったメ
Deep Learningによるハンドサイン画像認識デモ 解説 (第一回) - 技ラボ
「ビッグデータEXPO東京 2015春」に展示しました「Deep Learningを利用したハンドサイン画像認識のデモ」について、全三回に分けて解説します。 今回は第一回です。シリーズ概要とデモ全体の概要について解説します。 by NagasawaKazuki 2015/04/20 はじめに ISPは、2015年3月12日(木)、13日(金)にザ・プリンスパークタワー東京で開催された「ビッグデータEXPO 東京」に出展しました。 ブースでは「Deep Learningを利用したハンドサイン画像認識のデモ」と「Deep Learningスターターキット」を展示し、多くの方に来訪していただきました。 当日の様子とブース 本連載では、ブースで展示していました「Deep Learningを利用したハンドサイン画像認識のデモ」について、技術的な内容を含めて全三回に分けて解説します。 シリーズ構成 本
時系列データを高精度に分析する新たなDeep Learning技術を開発 : 富士通
English PRESS RELEASE （技術） 2016年2月16日 株式会社富士通研究所 時系列データを高精度に分析する新たなDeep Learning技術を開発 IoTデータに適用し、既存技術に比べ約25％の大幅な精度向上を実現 株式会社富士通研究所（注1）(以下、富士通研究所)は、IoTアプリケーションに活用が期待される、振動が激しく人による判別が困難な時系列データに対して高精度な解析を可能とするDeep Learning技術（注2）を開発しました。 Deep Learning技術は、人工知能の発展におけるブレークスルーとして注目されており、画像や音声では極めて高い認識精度を達成している一方で、適用できるデータの種類は限られています。特にIoT機器などから得られる、人による判別も困難なほどの激しい振動の時系列データを精度よく自動的に分類することは困難でした。 今回、最先端数学を
TensorFlowでディープラーニングによる『キュウリ』の仕分け | Workpiles
ディープラーニングを使ってキュウリの仕分け（選果とも言う）をしてみました。 今回試してみたのは、TensorFlowのチュートリアル『Deep MNIST for Experts』の畳み込みニューラルネットワークに少し手を加え、キュウリの仕分け作業をやらせてみるとう試みです。 キュウリをWebカメラで撮影した画像により、仕分けを行います。 キュウリの仕分けとは キュウリの仕分けとは、出荷する際に傷や病気があるものを弾いたり、形や色合い、大きさによりランク別に選別したりする作業です。 選別には、とくに統一規格があるわけではなく、各農家によって独自ルールがあったりします。 （主に、出荷先の希望、市場での値の付き方、作業効率などにより決めていると思われる） さて、うちの仕分けルールは、だいたいこんな感じになります。（実際にはもう少し細かいのですが…） 2L〜2S:良品。色艶がよく、比較的まっすぐ
TensorFlowでのMNIST学習結果を、実際に手書きして試す - すぎゃーんメモ
Deep Learningという言葉を色んなところで聞くようになり、Googleからも TensorFlow というものが出たし、そろそろちょっと勉強してみるか〜 ということで初心者が機械学習に手を出してみた。 TensorFlowのtutorialを見てみると、まず最初に「MNIST」という手書き文字の識別問題が出てくる。その問題に対して、こういうモデルを作ってこうやって学習させていくと91.2%くらいの識別率になります、さらに飛躍させてこういうモデルでこうやって学習させると99.2%くらいまで識別率が上がります、とか書いてあって、確かになるほどーと数字で納得もできるのだけど、せっかくなら実際にその学習結果を使って自分の書いた数字を識別してもらいたいじゃないか、ということで そういうのを作ってみた。 https://github.com/sugyan/tensorflow-mnist c
データ分析の「7つの進化のステップ」を今一度おさらいしてみる - 渋谷駅前で働くデータサイエンティストのブログ
2016年最初の記事ということで、もはや1月下旬に差し掛かりつつありますがこちらでは改めて、あけましておめでとうございます＆本年もよろしくお願いいたします。 で、新年一発目のお題は。。。実は似たようなお題で過去にも記事を書いていますが（笑）、年も改まったことなので今一度備忘録的におさらいしてみたいと思います。観点としては、どちらかというと「これからデータ分析のカルチャーを職場に導入していくとしたらどうやってステップアップさせていくか」みたいなところです。なお過去記事はこちら。 この辺の話題を踏まえながら、過去記事リンクのオンパレードで恐縮ですがちょっと一席やってみます。なお以下に挙げる「ステージ」はあくまでも一例であり、業界によってはもっと高度な方向に展開させられる（orもっとプリミティブなレベルに留まる）こともあるので、参考程度に見てもらえればと。 特にここでは「まだデータ分析を始めてい
Chainerでファインチューニングするときの個人的ベストプラクティス - Qiita
メリークリスマス！！！！ @tabe2314です。 この記事では、明日から使えるChainerテクニックとして、既存モデルをファインチューンして新しいモデルをつくる際の個人的なベストプラクティスを紹介します。 ニューラルネットを学習するために、別の問題、別のデータセットで学習済みのモデルのパラメータをコピーして、それを新しいニューラルネットのパラメータの初期値として使うことをファインチューニングといいます。 典型的なケースとして、一般物体認識のデータセットであるImageNetで学習したネットワークを物体検出やSemantic Segmentationといった別の問題に使用するといった例があります。 一般的にDeep Learningでは大量の学習データが必要とされていますが、あらかじめ（大量のデータで）学習したモデルを初期値として使いファインチューニングすることで、実際に解きたい問題に関
TensorFlowをscikit-learnライクに使えるskflow - Qiita
Pythonで機械学習を行う際によく使われるscikit-learnから、最近話題のTensorFlowを呼び出して使えてしまうという、目がくらむようなライブラリが登場しました。しかもgoogle謹製。それがskflowです。 TF Learn ※0.8.0から、TensorFlow本体に組み込まれました scikit-learnには今までニューラルネットワーク系の実装がなかったのですが、これによりニューラルネットワークはもとより、ディープラーニングまで扱えるようになります。 また、TensorFlow側にとってもscikit-learn側に豊富にあるデータの前処理の機能(Preprocessingなど)と連携できるのは大きなメリットです。 そういう意味では、この二つをつなぐskflowの登場により機械学習処理の構築は非常にやりやすくなると思います。 インストール TensorFlowの0
深層学習でバラ積みロボットの0から学習 - Preferred Networks Research & Development
乱雑に積まれた物体を取り出す産業用ロボットの動作を、ディープラーニングで学習しました。 こんにちは、松元です。今回は、国際ロボット展2015にてFANUCブースで出展した「バラ積みロボットの0から学習」について解説したいと思います。 まずは次の動画をご覧ください。 背景 「物を取る」というのはロボットの最も基本的なタスクの一つで、あらゆる場面で必要となります（たとえば産業用では、カゴから部品を取り出してベルトコンベアに乗せるといった用途で頻繁に使われます）。このときに、取るべき部品が決まった位置に整然と並んでいたり、平らな面に一つだけ置かれているなら簡単なのですが、箱にぐちゃっと積まれたところから一つ取り出したいというケースもあります。このようなタスクをバラ積み取出しといいます。 様々なバラ積み取出しの活用例(google画像検索) いま、3Dカメラによってバラ積みされた領域の深度付き画像
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
AI & Machine Learning Products & Services
TensorFlowのAPIメモ（Python） - Qiita
Google Prediction API — Google Developers