【PyTorch、Chainer、Keras、TensorFlow】ディープラーニングのフレームワークの利点・欠点【2017年10月更新】 - HELLO CYBERNETICS
ディープラーニングの大流行の中、様々なフレームワークが登場し、気軽にプログラミングができるようになりました。しかし、そんな中どのフレームワークを選べば良いかわからないという人も多いと思います。そんな人に少しでも参考になればと思い記事を書きます。 はじめに Chainer 特徴 柔軟な計算グラフの構築が可能 Pythonによる実装 直感的な計算グラフの構築が可能 メリット・デメリット メリット デメリット まとめ Keras 特徴 とんでもなく簡単に計算グラフを記述可能 高速計算ライブラリのディープラーニング用ラッパー もはやプログラミングの経験すら不要 メリット・デメリット メリット デメリット まとめ TensorFlow 特徴 圧倒的な利用者数 テンソル計算を行うライブラリ Define and Run 追加のライブラリが豊富 メリット・デメリット メリット デメリット まとめ PyT
ディープラーニングと機械学習の違い (Vol.5)
パーセプトロンとシグモイドニューロン パーセプトロンもシグモイドニューロンも人工ニューロンです。なにが違うのかざっくり説明します。パーセプトロンは、1957年に考案された歴史のある理論で、上記で説明したように人間の脳をモデル化したものです。これをベースに1985年にパーセプロンを使った2層のモデル（ボルツマンマシン）が考案されましたが、そのときのパーセプトロンは入出力が1か0の二値でした。 そして層が増えたものが多層パーセプトロンで、入出力が1か0ではなく実数となったものがシグモイドニューロンです。さらに、この後説明するように層が何層にも深くなったのがディープラーニングです。 制限付きボルツマンマシン(RBM) 制限付きボルツマンマシン(Restricted Boltzmann machine)という言葉も抑えておきましょう。手っ取り早く言えば、図1のようなノードと接続線（Connecti
TensorFlowでうなぎと寿司を判定するAndroidアプリを作ってみた． - Qiita
tensorflowを使ってうなぎと寿司の判別するClassifier（分類器）を作ってみました． （今の季節に旬なものを分類したいというのが今回の記事のきっかけです．） おおまかな流れとしては，コンピュータでモデルの学習を行って完成したモデルをandroidに入れて使用するという感じです． 記事の内容は任天堂のキャラを分類するこの記事をかなり参考にさせてもらいました．記事では多クラスですが，今回はtensorflowの理解を深めることが目的なので，２クラス分類問題としました． (もちろん２つ以上のものを学習させることは可能です．３個でも１００個でも２００個でも．．．) では早速やっていきましょう！ まずは分類したいものの画像を集めましょう！ だいたい４０〜６０枚ぐらいだといいですね．最低でも３０枚は必要です． 多い分には問題はないのが深層学習ですが，極端に多い枚数２００００枚とかだと精度
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
