はてなブックマーク

► Code examples / Timeseries / Traffic forecasting using graph neural networks and LSTM Traffic forecasting using graph neural networks and LSTM Author: Arash Khodadadi Date created: 2021/12/28 Last modified: 2023/11/22 Description: This example demonstrates how to do timeseries forecasting over graphs. View in Colab • GitHub source Introduction This example shows how to forecast traffic condition

Code examples Our code examples are short (less than 300 lines of code), focused demonstrations of vertical deep learning workflows. All of our examples are written as Jupyter notebooks and can be run in one click in Google Colab, a hosted notebook environment that requires no setup and runs in the cloud. Google Colab includes GPU and TPU runtimes.

Working with preprocessing layers Authors: Francois Chollet, Mark Omernick Date created: 2020/07/25 Last modified: 2021/04/23 Description: Overview of how to leverage preprocessing layers to create end-to-end models. View in Colab • GitHub source Keras preprocessing The Keras preprocessing layers API allows developers to build Keras-native input processing pipelines. These input processing pipelin

損失関数の利用方法 損失関数（損失関数や最適スコア関数）はモデルをコンパイルする際に必要なパラメータの1つです: model.compile(loss='mean_squared_error', optimizer='sgd') from keras import losses model.compile(loss=losses.mean_squared_error, optimizer='sgd') 既存の損失関数の名前を引数に与えるか，各データ点に対してスカラを返し，以下の2つの引数を取るTensorFlow/Theanoのシンボリック関数を与えることができます: y_true: 正解ラベル．TensorFlow/Theano テンソル y_pred: 予測値．y_trueと同じshapeのTensorFlow/Theano テンソル 実際に最適化される目的関数値は全データ点における出

functional APIでKerasを始めてみよう functional APIは，複数の出力があるモデルや有向非巡回グラフ，共有レイヤーを持ったモデルなどの複雑なモデルを定義するためのインターフェースです． ここではSequentialモデルについて既に知識があることを前提として説明します． シンプルな例から見てきましょう． 例1: 全結合ネットワーク 下記のネットワークはSequentialモデルによっても定義可能ですが， functional APIを使ったシンプルな例を見てきましょう． レイヤーのインスタンスは関数呼び出し可能で，戻り値としてテンソルを返します Modelを定義することで入力と出力のテンソルは接続されます 上記で定義したモデルはSequentialと同様に利用可能です from keras.layers import Input, Dense from kera

データセット CIFAR10 画像分類 10のクラスにラベル付けされた，50,000枚の32x32訓練用カラー画像，10,000枚のテスト用画像のデータセット． 使い方: from keras.datasets import cifar10 (x_train, y_train), (x_test, y_test) = cifar10.load_data() 戻り値: 2つのタプル: x_train, x_test: shape (num_samples, 3, 32, 32)または(num_samples, 32, 32, 3)のRGB画像データのuint8配列です．これはバックエンド設定のimage_data_formatがchannels_firstとchannels_lastのいずれなのかによって決まります． y_train, y_test: shape (num_samples,)

Callbacks API A callback is an object that can perform actions at various stages of training (e.g. at the start or end of an epoch, before or after a single batch, etc). You can use callbacks to: Write TensorBoard logs after every batch of training to monitor your metrics Periodically save your model to disk Do early stopping Get a view on internal states and statistics of a model during training

トップ1とトップ5の精度はImageNetの検証データセットを参照しています． Xception keras.applications.xception.Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000) ImageNetで事前学習した重みを利用可能なXception V1モデル． ImageNetにおいて，このモデルのtop-1のvalidation accuracyは0.790で，top-5のvalidation accuracyは0.945です． データフォーマットは'channels_last'(height, width, channels)のみサポートしています． デフォルトの入力サイズは299x299． 引

コールバックの使い方 コールバックは訓練中で適用される関数集合です．訓練中にモデル内部の状態と統計量を可視化する際に，コールバックを使います．SequentialとModelクラスの.fit()メソッドに（キーワード引数callbacksとして）コールバックのリストを渡すことができます．コールバックに関連するメソッドは，訓練の各段階で呼び出されます． [source] Callback keras.callbacks.Callback() この抽象基底クラスは新しいコールバックを構築するために使用されます． プロパティ params: 辞書．訓練のパラメータ（例: 冗長性，バッチサイズ，エポック数...）． model: keras.models.Modelのインスタンス．学習されたモデルへの参照． コールバック関数が引数としてとる辞書のlogsは，現在のバッチ数かエポック数に関連したデー

オプティマイザ（最適化アルゴリズム）の利用方法 オプティマイザ（最適化アルゴリズム）はモデルをコンパイルする際に必要となるパラメータの1つです: from keras import optimizers model = Sequential() model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,))) model.add(Activation('tanh')) model.add(Activation('softmax')) sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='mean_squared_error', optimizer=sgd) 上記の例のように，オプティマイザの

SequentialモデルでKerasを始めてみよう Sequential （系列）モデルは層を積み重ねたものです． Sequential モデルはコンストラクタにレイヤーのインスタンスのリストを与えることで作れます: from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, input_shape=(784,)), Activation('relu'), Dense(10), Activation('softmax'), ]) .add() メソッドで簡単にレイヤーを追加できます． model = Sequential() model.add(Dense(32, input_dim=784)) model.add(Activat

Keras FAQ: Kerasに関するよくある質問 Kerasを引用するには？ KerasをGPUで動かすには？ KerasをマルチGPUで動かすには？ "sample","batch"，"epoch" の意味は？ Keras modelを保存するには？ training lossがtesting lossよりもはるかに大きいのはなぜ？ 中間レイヤーの出力を得るには？ メモリに載らない大きさのデータを扱うには？ validation lossが減らなくなったときに学習を中断するには？ validation splitはどのように実行されますか？ 訓練時にデータはシャッフルされますか？ 各epochのtraining/validationのlossやaccuracyを記録するには？ レイヤーを "freeze" するには？ stateful RNNを利用するには？ Sequentialモデ

Keras FAQ A list of frequently Asked Keras Questions. General questions How can I train a Keras model on multiple GPUs (on a single machine)? How can I train a Keras model on TPU? Where is the Keras configuration file stored? How to do hyperparameter tuning with Keras? How can I obtain reproducible results using Keras during development? What are my options for saving models? How can I install HDF

ImageDataGenerator ImageDataGeneratorクラス keras.preprocessing.image.ImageDataGenerator(featurewise_center=False, samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, zca_epsilon=1e-06, rotation_range=0.0, width_shift_range=0.0, height_shift_range=0.0, brightness_range=None, shear_range=0.0, zoom_range=0.0, channel_shift_range=0.0, fi

Keras: Pythonの深層学習ライブラリ Kerasとは Kerasは，Pythonで書かれた，TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリです． Kerasは，迅速な実験を可能にすることに重点を置いて開発されました． アイデアから結果に到達するまでのリードタイムをできるだけ小さくすることが，良い研究をするための鍵になります． 次のような場合で深層学習ライブラリが必要なら，Kerasを使用してください: 容易に素早くプロトタイプの作成が可能（ユーザーフレンドリー，モジュール性，および拡張性による） CNNとRNNの両方，およびこれらの2つの組み合わせをサポート CPUとGPU上でシームレスな動作 Keras.ioのドキュメントを読んでください． KerasはPython 2.7-3.6に対応しています． ガイドライン ユーザー

KERAS 3.0 RELEASED A superpower for ML developers Keras is a deep learning API designed for human beings, not machines. Keras focuses on debugging speed, code elegance & conciseness, maintainability, and deployability. When you choose Keras, your codebase is smaller, more readable, easier to iterate on. inputs = keras.Input(shape=(32, 32, 3)) x = layers.Conv2D(32, 3, activation="relu")(inputs) x =