CSVファイルからChainer用のデータセットを作成する - Qiita
概要 ChainerでローカルのCSVファイルを扱う方法です。 Chainerの公式サイトに載っているMNISTのサンプルはライブラリから直接データを取得していたので、CSVファイルを扱う方法が分からず調べた次第です。 環境 $ sw_vers ProductName: Mac OS X ProductVersion: 10.11.6 BuildVersion: 15G1212 $ python --version Python 3.5.2 :: Anaconda 4.1.1 (x86_64) $ pip list --format=legacy | grep chainer chainer (1.18.0) 学習に使用するデータ kaggleのチュートリアル的存在である、タイタニック号の乗客の生死を予測するコンペのデータを使いました。 Titanic: Machine Learning
Chainerチュートリアル(ver. 1.5.1)を和訳 - 日記マン
Chainerがversionを1.5以上にしてから随分変わってて、インストール方法や記述も違うから 正直アップデートせずに見送ってたけど、ここらでしっかり公式チュートリアルを読んで理解すべく和訳に取り組みました。 英語が苦手なので不十分かつ訳注も明示していないので至らないとこだらけです。 間違いなどありましたら是非指摘していただけるとうれしいです。 Chainerチュートリアルを和訳する必要があったからかいてみた(1) そもそもこちらの記事を参考にさせていただいてたのですが、verUPして内容が古くなってしまったので勝手ながら最新のver. 1.5.1版を書き起こします。 Introduction to Chainer 翻訳 これはChainerチュートリアルの第1章です。 この章でやることは なぜChainerを開発したか、既存の他フレームワークとの長所短所 簡単な順伝播・逆伝播計算
機械学習初心者が1からChainerのコードを書き始められるまでに必要だったことをまとめた - sora_sakakiのブログ
ディープラーニングが面白そうだったので、始めたChainer。簡単という噂も聞き選びました。 ですが、いざ手をつけようと環境を用意してから早2週間超、なかなかサンプル以上のものを動かせずに悶々としていました。 そのような焦りの中、できるだけ頑張って情報を集めた結果、ようやっと自分で調べながらなにか書き始められそうなところまできたので、一度ここまでに拾い上げた知識をまとめます。 必要な知識ジャンル別にまとめました。それぞれの題目になってる目的が達成できれば全部読む必要もないかも。 長すぎるので経緯を分離しました。 機械学習初心者が1からChainerのコードを書き始められるまでの経緯を書いたら長くなりすぎた - sora_sakakiのブログ ディープラーニングを知る なにができるのか 人工知能は人間を超えるか (角川ＥＰＵＢ選書) なにができるのか、なにができるようになる可能性があるのかな
Chainerチュートリアル -v1.5向け- ViEW2015
Deep Learning の簡単な説明から実装、そしてChainer の使い方を紹介します。CUDA サポートについても簡単に解説します。 最新のインストール方法も含んでいます。Read less
私的TensorFlow入門 - Qiita
私的Chainer入門してみたイキオイで、続きをやってみることにする。 とはいえ、chainerを極める方向に行くよりも、いろいろと食い散らかしておきたい。 まあ、そんなワケで、TensorFlowである。 MNIST For ML Beginnersを参照しつつすすめる。 私的Chainer入門やPythonでKNNを使った手書き文字認識でもMNISTを扱ったワケだけれど、こいつをつかって「数字判別機を作る」というのは、機械学習のチュートリアルの基礎中の基礎だ。言うなれば、Oracleデータベースを初めて触る人がscott/tigerのempデータベースをselectするSQL文から入るようなもんだ。 TensorFlowの準備から PythonからTensorFlowを使う。AnacondaでPython環境を作っているので、ドキュメントに従い、以下のようにインストールする。
私的Chainer入門 - Qiita
2015年から2016年にかけて流行した言葉の一つに「人工知能」があるワケだけれど、「よく知らないので使えません」なんてことを言ってる場合でもないので、仕事とは関係なくChainerの勉強を始めてみようと思う。 業務などで判別機が必要なシーンでは、SVMとかRandomForestとかを使っていたのだけれど、これから、いつもどおりにSVMで判別機を書いた時にされるであろう質問もなんとなく予想されるし(「それってDeep Learningしたらどうなるの？」→「どうもなりません」って回答だけで済ませたい)、なんだかんだで流行語には敏感な姿勢をアピールしておきたい(謎)。 というワケで、参考文献： - Chainer – A flexible framework of neural networks chainerのインストール http://docs.chainer.org/en/stabl
GPU搭載ノートPCにUbuntuとCUDAを入れるのに挫折した - bohemia日記
少し前に、GTX960M搭載のAlienware 13-R2を購入した。当初は予定になかったのだが、このPCをWindows10/Ubuntu14.04でデュアルブートし、CUDAを入れ、ChainerやTensorflowをGPUで学習を回せる環境を作ろうとしたのだが、問題が多すぎて挫折してしまったので、後の誰かのためと、万が一誰か問題を解決してくれる望みを託して記事を書いた。 なんでそんな環境作ろうとしたのか？ きっかけは、参加した超人工生命ハッカソン 。 Unityで作った環境上で人工生命を作るというハッカソンだった。 元となるソースは用意されていて、UnityとPythonをソケット通信で繋ぎ、CNNとDQNを用いて人工生命を学習させていくというものだった。 こんな感じ 普段使用しているmacを持って行ったのだが、やはりGPU無しのmacでは、DQNの動作も遅く、１秒間に2フレーム
GTX 1060搭載のゲーミングノートでディープラーニングを使ってみる
ディープラーニングを実際に使ってみるには、ディープラーニングフレームワークを利用するのが簡単だ。もちろん、理論を学んでゼロから作ることも不可能ではないし、各種の演算ライブラリーなどに学習に利用できるような機能をサポートしているものもある。しかし、最初から作るというのもかなり大変な作業だ。 ディープラーニングフレームワークを使うと、サンプルやフレームワークとともに運営されているモデルの流通サービスなどが利用できる。簡単に言うと、ディープラーニングの難しい部分を飛ばして、実際にどんなものなのかを試せる。 ここからは、実際にディープラーニングを試してみることにする。 ディープラーニングフレームワークをPCで動かすに当たり、考慮したのは米エヌビディア（NVIDIA）のGPUを搭載していること、ある程度CPU性能が高く、搭載メモリー容量が大きなこと。完全に好みの仕様に仕立てるためにデスクトップPCを
機械学習とオープンデータ | ギャップロ
はじめに 最近は機械学習という言葉、とくにDeepLearningなど耳にした方多いかと思います。 機械学習（Machine Learning）とは、沢山のデータから様々な手法、規則にを利用して解析を行い、ある特定の検知・分類・判定を行うような仕組みです。 機械学習は身近なところにも存在します。 あなたにおすすめの商品/こちらの商品を買った人はこちらの商品を買っています 画像認識 音声認識 スパムフィルタ 異常値検知 チェス・将棋のAI さらに、下記のような機械学習のクラウドサービスが出てきて個人でも容易に動かせるようになりました。 Azure Machine Learning Amazon Machine Learning これらのサービスのおかげで、物理的リソース（マシン）も実装リソース（機械学習部分の実装）も 昔では考えられないくらい簡単になり、手を出しやすい分野になりました。 ただ
TensorFlowでDeep Learning (目次) - Qiita
TensorFlowでDeep Learning 目次 ニューラルネットワークをよく知らない人でも、ディープラーニングや畳み込みニューラルネットワークを利用できるようになるために。 ロジスティック回帰 まずはロジスティック回帰（2クラスの識別）からはじめてみる (tf 2.0: https://qiita.com/kumonkumon/items/46c1490706115de45a9c) 多項ロジスティック回帰 ロジスティック回帰（2クラスの識別）を多項ロジスティック回帰（多クラスの識別）へ (tf 2.0: https://qiita.com/kumonkumon/items/db63e8e95aa2a1c3d124) 多層パーセプトロン ロジスティック回帰に中間層を追加して多層パーセプトロンへ (tf 2.0: https://qiita.com/kumonkumon/items/3
機械学習 はじめよう 記事一覧 | gihyo.jp
運営元のロゴ Copyright © 2007-2024 All Rights Reserved by Gijutsu-Hyoron Co., Ltd. ページ内容の全部あるいは一部を無断で利用することを禁止します。個別にライセンスが設定されている記事等はそのライセンスに従います。
Chainer で Deep Learning: Bokeh で Live Monitoring したい - StatsFragments
概要 Deep Learning の学習には時間がかかるため、進捗が都度 確認できるとうれしい。その際、テキストのログ出力では味気ないので、リアルタイムでプロットを眺めたい。 いくつかの Deep Learning パッケージではそういった機能 (Live Monitoring) が提供されている。 Undefined Intelligence: Monitoring Experiments in Pylearn2 Live plotting — Blocks 0.0.1 documentation fchollet/hualos · GitHub 同じことを Chainer でやりたい。自分は EC2 を使うことが多いので、リモート環境でも利用できるものがいい。そのため、ここでは Bokeh を使うことにした。 Bokeh とは Bokeh とは、D3.js を利用したブラウザベースのイ
畳み込みニューラルネットワークとは？ - 画像処理とか機械学習とか
畳み込みニューラルネットワーク 今回は、Deep Learningのうち、近年画像の分野でどこの学会に行っても聞かないことはない畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）について紹介したいと思います。 この記事は以前紹介した記事の続きとなります。 Deep Learningの基礎の基礎を知りたい方は以下のリンクから。 hiro2o2.hatenablog.jp 深層ニューラルネットワークでは、誤差逆伝播学習という学習手法によって、特徴量の学習が可能となりました。このような学習手法によって様々な問題への応用が可能となったが、層の数を増やすほど誤差伝播学習での学習が勾配消失問題などにより難しくなっていくという問題があります。 畳み込みとは 層が多いネットワークの学習をうまく行うためのアイディアとしてあらかじめ、解きたい問題に対して結合をあ
ChainerとRNNと機械翻訳 - Qiita
自然言語処理とニューラルネット ここ数年で、自然言語処理の分野でもニューラルネットが非常に頻繁に使われるようになってきました。 自然言語処理で主に解析対象となるのは単語の配列や構文木などで、これらの内包する情報を表現するためにrecurrent neural network1やrecursive neural network1などに基づくモデルが頻繁に使われます。これらの最大の特徴はニューラルネットがある種のデータ構造を持っているという点で、1レイヤあたりのノードはそれほど多くない代わりにネットワークの接続が複雑で、しかも入力されるデータごとにネットワークそのものの形状が変化するという特徴があります。このため、伝統的なfeedforward neural networkを前提としたツールキットでは構築が難しいという問題がありました。 Chainerは、そのような問題を概ね解決してしまう強力
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
MNISTの学習用画像を見てみよう！（２） - Qiita
This domain name is registered with Netim
[VRとか機械学習とかに] GeForce10xxシリーズを積んだノートPCを求めて2016![[VRとか機械学習とかに] GeForce10xxシリーズを積んだノートPCを求めて2016](https://cdn-ak-scissors.b.st-hatena.com/image/square/7de7210e512e2f09392cd2046442e8b774cb6e89/height=288;version=1;width=512/https%3A%2F%2Fwww.pc-koubou.jp%2Fweb_images%2Fimg%2Faf_gtx1080note_336x280.jpg)
CUDAなしMacで、Chainer使ってCaffeモデルをインポートして画像認識させてみる
長文日記
「PyData.Tokyo Meetup」イベントレポート：CodeZine（コードジン）
