サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
ブックレビュー
qiita.com/namakemono_no_ahiru
はじめに Dockerを使ってRuby on Railsの環境構築をした際に、デバックの仕方に困ったので、そのメモ書きになります。 今回はpry-railsを使ってのデバックです。 Gemfile Gemfileに以下を追記します
qiita.com/namakemono
日本語の単一テキストが与えられたときにクラス分類するシンプルなTensorflowのコードが欲しかったので作成 やりたいこと 日本語の単文が与えられたときにクラス分類したい. (計算効率とか,文章のペアで判定とかは,とりあえず置いとく) texts = [ "この犬は可愛いです", "その猫は気まぐれです", "あの蛇は苦手です" ] labels = [1, 0, 0] # 1: 好き, 0: 嫌い
バックエンドをTensorFlowとしてKerasを利用しようとすると,デフォルトだとGPUのメモリを全部使う設定になっていて複数の実験を走らせられないので,GPUメモリの使用量を抑える設定方法について紹介します.1 2 検証環境 GPUのメモリ使用量を抑える 下記コードを貼り付けるなり,importするなりすれば大丈夫です. 最小限のGPUメモリのみ確保 gpu_options.allow_growthで設定可能です. 実行時に必要な分だけ確保する方法で,さらに必要になるとメモリ領域を拡張するようになっています. ただし自動的にはメモリを開放しないので,メモリが断片化して性能が悪化する可能性があり注意が必要です.1 import tensorflow as tf from keras import backend as K config = tf.ConfigProto() config
サンプルコード OpenAI Gymの倒立振子は, - 状態空間: 連続(座標と傾き) - 行動空間: 離散(左 or 右) なので,上記表よりDQNかCEM, Deep Sarsaで解けば良いことがわかります. Keras-RLにあるCEMで解くサンプルです. import gym from keras.models import Sequential from keras.layers import Dense, Activation, Flatten from rl.agents.cem import CEMAgent from rl.memory import EpisodeParameterMemory env = gym.make("CartPole-v0") nb_actions = env.action_space.n model = Sequential() model.
「Prophetで遊んでみる」の続きで,ビットコインの価格の推移を予測してみました. Datasets From: 2017-05-27 To: 2017-09-08 最近のトレンドとしては上がり調子ということらしい. 週ごとの傾向としては「火曜日に買って日曜に売れ」ということらしい. 胡散臭いので,もう少し調べてみる. 性能検証 訓練データ: 2017-05-27 〜 2017-08-31 検証データ: 2017-09-01 〜 2017-09-08 としてSMAPE1で性能を調べてみる. 期間を少し変えるだけで,weeklyの傾向が変わってる.どゆこと?? changepoint_prior_scale=0.05(default)の場合 y_true = forecast["y"].values y_pred = forecast["yhat"].values print "FOREC
どういう話かというと,時系列解析は色々ややこしくて良くわからないけど,とりあえずデータは持っているので試してみたいといったときにオススメのライブラリProphet1 2の紹介です. Prophetとは Facebook謹製の時系列解析ツール 時系列解析に詳しくなくてもデータを突っ込むだけで解析してくれる. RとPythonで使える. 性能を発揮させやすい条件 数ヶ月(可能なら1年)の時系列データがある イベントのタイミングは既知 すごいところ 欠損値や異常値があっても大丈夫 傾向の変化にも対応してくれる. 熟練した分析者と同程度の性能をデフォルト値で出せたこともある. 時系列解析が苦手な人でも使える. Prophetの仕組み 下記4つの重ね合わせによって予測. 自動検出した傾向の変化点 年間の大まかな流れ 週ごとの流れ ユーザー提供のイベント情報 インストール
サーバー上での作業などで,とりあえずcurlとかwgetでGoogle Drive上の一般公開されているデータをダウンロードしたいといったときの対処方法です. ファイルサイズが小さい場合 ファイルを右クリック > 共有可能なリンクを取得 > FILE_ID("id="以降の文字列)を取得し, wget "https://drive.google.com/uc?export=download&id=<FILE_ID>" -O <FILE_NAME>
ビットコインの買い時を予測できるか実験してみた結果の共有です. 参考になりそうでしたら幸いです. 仮想通貨とは ビットコインが有名.他にもアルトコインと呼ばれる仮想通貨がある. 最近何かとニュースになってる ビックカメラ、仮想通貨を店頭で利用開始1 YouTuberヒカルVALU騒動2 “ビットコイン”女性遺棄事件3 COMSA4 アルトコインとは ビットコインの代わりとなるべく作られた通貨 半年間で100倍以上に価値が上がる通貨も存在5. 数百とか数千種類のアルトコインが存在. 現時点では投機目的で利用が主? 通貨ごとに用途が異なる. 2017年8月時点でも100%近く上昇するコインも存在.(e.g. Lisk6, Bitcoin Cash7) 仮想通貨への投機のメリット? 一日の変動が激しい.(1日で100%以上変動することもある.) ビットコイン以外にもアルトコインと呼ばれるコインが
KaggleのInstacart Market Basket Analysis1の上位陣解法についてまとめました. 参考になりそうでしたら幸いです. Instacart Market Basket Analysis1とは ユーザーが次に注文する商品の予測. データ構成2 ユーザー数: 20万 注文回数: 340万 商品数: 5万 全体の把握には記事2が参考になります. [2位] 2nd Place Solution Name: ONODERA Kaggle Discussion: https://www.kaggle.com/c/instacart-market-basket-analysis/discussion/38143 Code: https://github.com/KazukiOnodera/Instacart Writeup: http://blog.kaggle.com/2
ディープラーニングは,GPU付きのPCがないと学習に数週間以上かかったりして,気軽に試しづらかったりします.また,学習データ数も数万以上必要になることが多いことも更にハードルを挙げる要因となっています. そこで今回はGPUなしのPCかつ少ないデータ数で学習させる方法について紹介します. 対象読者 GPU付きのPCは持ってないし,AWSとかでGPU付きのインスタンスとか借りるのも嫌だけど,CNNとかで遊んでみたいという方. 既製のネットワークではなくて別の目的に特化したネットワークを作りたい方.(例: 顔認識とか流行りそうな絵か判断等) ディープラーニングの問題点 GPUなしのPCだと,MNISTやCIFAR10ぐらいしか学習時間的に解ける問題がない. 簡単な画像分類問題でも5万枚〜の学習データが必要. ネット上に上がっている既存の学習済みネットワークが実際に分類したい項目と異なって使えない
このページを最初にブックマークしてみませんか?
『qiita.com』の新着エントリーを見る
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