PyTorch入門書の決定版！「最短コースでわかる PyTorch ＆深層学習プログラミング」 - karaage. [からあげ]
PyTorch入門書の決定版が出ました！ 日経BP様より「最短コースでわかる PyTorch ＆深層学習プログラミング」を献本いただきました。筆者の赤石さんの書籍のレビューは「ディープラーニングの数学」「Python自然言語処理入門」「Pythonで儲かるAIをつくる」に続き4冊目です。 そうです、私は日経BPさんとも赤石さんともズブズブの関係です！でも、ズブズブである分を差し引いたとしても、この書籍は本当にわかりやすくて良い本です。 「これからPyTorchに入門する一人でも多くの人に読んで欲しい」と強く思ったので是非紹介させてください！ 最短コースでわかる PyTorch ＆深層学習プログラミング 作者:赤石 雅典日経BPAmazon 「最短コースでわかる PyTorch ＆深層学習プログラミング」がPyTorch入門にベストな理由 ここから、「最短コースでわかる PyTorch ＆深
![PyTorch入門書の決定版！「最短コースでわかる PyTorch ＆深層学習プログラミング」 - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/db57b9a114b245ed29f0933cbc53105351cb32db/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20210910%2F20210910210410.jpg)
140 Machine Learning Formulas - DataScienceCentral.com
Home » Uncategorized140 Machine Learning Formulas Vincent GranvilleJanuary 25, 2017 at 1:30 pm By Rubens Zimbres. Rubens is a Data Scientist, PhD in Business Administration, developing Machine Learning, Deep Learning, NLP and AI models using R, Python and Wolfram Mathematica. Click here to check his Github page. Extract from the PDF document This is a 17 page PDF document featuring a collection of
Chainer を振り返って
2015 年 4 月 12 日に Chainer の最初のコードをコミットしてから，およそ 4 年半と少しが経ちました．はじめのはじめは軽い気持ちで書きはじめたコードでしたが，今では一線級の研究を立派に支えるまでになりました．深層学習フレームワークの世界も当時とは様変わりして（当時は TensorFlow も PyTorch もなかったわけですから，本当に変わりました），思えば遠くにきたものです． 今日，PFN は社内の研究開発に用いる主なフレームワークを PyTorch に移行すると発表しました．会社にとってももちろんですが，業務としてはこの 4 年半，Chainer 一筋でやってきた自分にとっては特に，大きな転換点です． まず率直な感想として，Chainer の開発は本当に楽しかったです．書きはじめた頃は，深層学習フレームワーク競争の真っ只中で，Theano の上に乗っかるフレームワー
分散深層学習における耐故障性と可塑性 - Preferred Networks Research & Development
ImageNetを15分で学習して以来 [1]、Chainerと沢山のGPUを使って深層学習を並列化し、一回の学習に必要な時間を大きく短縮することができるようになりました。その後、ImageNetの学習は深層学習における並列化 ・高速化のデファクト標準ベンチマークとなりました [2]。それと同時に、深層学習の並列化および大規模化は進み、複数GPUどころか複数ノードで学習することは当たり前のこととなりました。深層学習の計算が大規模化し所要時間はどんどん短くなりましたが、一般的にはノードが増えれば増えただけ部分故障の確率は高くなります。また、大規模なクラスタでは個々の分散ジョブをスケールアウトしたりスケールダウンする機能、つまり可塑性をもとにした計算資源のやりくりが運用上重要になってきます。そこでChainerを拡張し、分散深層学習に耐故障性だけでなく可塑性を導入する実験を行いましたので、ここ
TF2.0のKerasでPost-training quantization
以前、TF-2.0rc1でtf.kerasのMobileNet v2をfine-tuinginし、Post-training quantizationするノートブックを作った。 TF2.0がリリースされたので、このノートブックをもとにモデルを変換して、いろいろなTF-Lite model を比較してみようと思った。 TF2.0rc1でtf.kerasのMobileNet v2をfine-tuning、Post-training quantizationするnotebookを作ってみたので公開。 Google colabで実行可。 ・Weight quantization ・Float16 quantization ・Integer quantization ・Full integer quantization -> Edge TPU Modelhttps://t.co/18htw5SgFs
TensorFlow 2.0のDockerコンテナをGPU+Python3+Jupyterで使う - Qiita
先日、TensorFlow 2.0が正式にリリースされました。 この記事では、GPUサポートを有効にしたTensorFlow 2.0のDockerコンテナでJupyterを起動し、チュートリアルを動かすまでの手順を紹介します。 主な手順: Dockerのインストール NVIDIAドライバのインストール NVIDIA Container Toolkitのインストール TensorFlowコンテナの起動 Jupyterにアクセス チュートリアルで動作確認 主な環境: OS: Ubuntu 18.04.3 LTS GPU: GeForce GTX 1050 Ti やり方 Dockerのインストール NVIDIA Container ToolkitがDocker 19.03を求めているので、バージョンが古い場合はアップデートしてください。 新規インストールする場合は次のコマンドを実行します。 $
TensorFlow 2.0 is now available!
Posted by the TensorFlow Team Earlier this year, we announced TensorFlow 2.0 in alpha at the TensorFlow Dev Summit. Today, we’re delighted to announce that the final release of TensorFlow 2.0 is now available! Learn how to install it here. TensorFlow 2.0 is driven by the community telling us they want an easy-to-use platform that is both flexible and powerful, and which supports deployment to any
TensorFlow＋KerasでSSDを独自データで使えるようにしてみた - EeePCの軌跡
さて、とりあえず動かすために、Pascal VOCのデータをダウンロードします。 私はVOC2007を使いました。入手の仕方は「The PASCAL Visual Object Classes Challenge 2007 (VOC2007)」のサイトの中ほどにある「Development Kit」の「 training/validation data 」をクリックします。 これを解凍すると、「VOCdevkit」というフォルダができます。これを、上のSSDのコードのあるところ(ssd_keras-master)にそのまま入れます。 他には学習済みデータを入手する必要があります。 「https://mega.nz/#F!7RowVLCL!q3cEVRK9jyOSB9el3SssIA」から「weights_SSD300.hdf5」をダウンロードしてください。右クリックして「ダウンロード」-「
機械学習の初心者がモチベーションを上げるために読む無料記事いろいろ - orangeitems’s diary
機械学習の勉強とモチベーション 機械学習の扉を開いてみた・・のですが、いきなり数学が現れたりPythonが現れたりしてなかなか障壁が高そうな雰囲気です。でも、機械学習のさわりの部分すら知らないでいきなり数学から始めると、モチベーションがどんどん下がってきます。でも数学をわからないと先に進めない・・。 ということで、いやいや、とりあえず機械学習の超基本的なところをその道の達人から教えてもらう。また、こんなのは向いてないからねというアンチパターンも学ぶ。その上で、もし手を動かせるところまで来たらこんなことができるよ！という記事を集めてみました。 基本的な考え方を頭に入れるための資料 とりあえずこの2つの資料は繰り返し読んでおくと、次のステップでつまづきません。読みやすい記事なのでお勧めです。 一から始める機械学習 qiita.com 対象読者 ・機械学習について一から勉強したい人が対象です 目
機械学習のための特徴量エンジニアリング
本書は、機械学習モデルの性能を向上させるために、データから良い特徴量を作る特徴量エンジニアリングについて解説します。 前半では初学者に向けて、数値、テキスト、カテゴリ変数の基本的な取り扱い方を説明し、後半では特徴量ハッシング、ビンカウンティング、PCAによるデータの圧縮、さらに非線形特徴量とモデルスタッキング、画像特徴量抽出と深層学習による自動特徴学習などの高度なテーマを扱います。 特徴量エンジニアリングの原理について直感的な理解が得られるように図や例を豊富に使い、またPythonコードによる実行例を数多くあげて解説しており、実際の業務に適用するための具体的な知識が得られます。 特徴量エンジニアリングを使いこなし、機械学習モデルの性能を最大限に引き出したいエンジニア必携の一冊です。Kaggle GrandmasterのKohei Ozaki（@smly）氏による「日本語版に寄せて」を収録し
「むしろスキルがなければ給与が下がる可能性」、求められるデータサイエンティスト人材になる方法論をプロにイチからいろいろ聞いてみた - GIGAZINE
先端IT人材の中でも急増する需要に追い付かず、慢性的な「売り手市場」となっている「データサイエンティスト」という職種。企業から引く手あまたといわれるデータサイエンティスト職の実態はどうなっているのか？ということで、人材大手パーソルキャリアで現役のデータサイエンティストとして活躍する鹿内学さんに、いろいろと話を聞き、さらに世界最大級のオンライン学習教育プラットフォーム「Udemy(ユーデミー)」で役に立つ講座はどれかというのも教えてもらいました。 世界最大級のオンライン学習プラットフォーム | Udemy 目次 ◆1：「データサイエンティスト」とは？ ◆2：「データサイエンティスト」が引く手あまたなワケ ◆3：データサイエンスが使えないと給料が減る時代が来る！？ ◆4：「データサイエンティスト」になるための学習法とは？ ◆5：プロがおススメするUdemyデータサイエンス講座5選 研究者からビ
【保存版・初心者向け】僕が本気でオススメするPythonと機械学習の良書12選
※実際記事で紹介する書籍は12冊ですが、メンバーが借りてオフィスになかったため、上記画像内に3冊ないものがあります。 はじめに AI Academyを開発・運営しています、株式会社エーアイアカデミー代表の谷です。 6ヶ月ほど前に書いた下記記事は約1200のいいねと7万viewsを超える記事になりました。 【保存版・初心者向け】独学でAIエンジニアになりたい人向けのオススメの勉強方法 お読み頂いた方々、またいいねして頂いた方々ありがとうございました！ あれから6ヶ月ほど経ちまして、さらにPythonや機械学習の書籍が増えて参りましたので、改めて初心者向けにPythonと機械学習の良書12選を紹介し、初学者が独学でも機械学習プログラミングの基礎スキルUPに貢献できたらと思います。 また、AIプログラミングを作りながら学べるプログラミング学習サービスAI Academyを無料でご利用頂けますので
人気のディープラーニング講座が書籍化！『Pythonで動かして学ぶ！あたらしい深層学習の教科書』：CodeZine（コードジン）
プログラミング学習サービスのAidemyで人気の講座「ディープラーニングで画像認識モデルを作ってみよう！」が書籍化、翔泳社から『Pythonで動かして学ぶ！あたらしい深層学習の教科書』として10月22日に発売となりました。関心が高まる一方の深層学習の基本を学びたい方にお勧めです。 『Pythonで動かして学ぶ！あたらしい深層学習の教科書』は、プログラミング学習サービスのAidemyで人気の講座をベースにした、機械学習の中でも注目を集める深層学習の基礎を学べる1冊です。 本書はこれから深層学習の開発に携わりたい方、あるいは最近取り組み始めた方が、その基礎をひととおり習得できる構成になっています。使用言語はもはや機械学習の定番となったPython。Pythonに馴染みがない方でも、基本的な文法から説明しているので、何かしらプログラミング言語を使い慣れていれば読み進めていけるでしょう。 また、中
2018年風TensorFlowでの学習処理の記述方法 - 終末 A.I.
TensorFlowが登場して早いことで3年近く経とうとしています。 Deep Learning自体がブームになってからだと、それ以上の月日が経っているわけで、人工知能ブームも以外と続いているなあというのが正直な感想です。 Theanoやtorch、chainerに遅れをとって立ち上がったTensorFlowでしたが、はじめのうちはチュートリアルコードですらこのようなありさまで、とてもではありませんが簡単に誰もが使えるというような状態ではありませんでした。 1年ほど前からようやく、Keras の取り込みや Dataset API の実装、MonitoredTrainingSession のようなリッチな Session オブジェクトの導入などで、少し凝ったことをする場合でもかなり簡単に書けるようになってきました。 一方で公式のチュートリアルでは、データセットの読み込みはありもののAPIを使
How to build your own Neural Network from scratch in Python
Update: When I wrote this article a year ago, I did not expect it to be this popular. Since then, this article has been viewed more than 450,000 times, with more than 30,000 claps. It has also made it to the front page of Google, and it is among the first few search results for ‘Neural Network’. Many of you have reached out to me, and I am deeply humbled by the impact of this article on your learn
[Pythonコーディング規約]PEP8を読み解く - Qiita
PEP8という、Python自体の標準ライブラリなどに対するコーディング規約に関して、過去誤って理解していたことが何度かありました。（少し理解が大変なところもあって、しっかり読み込まないと、実はその書き方NGだった、という経験が・・） ただ、17年前に書かれたある種古典的なドキュメントで、今でも大事にされているということを考慮すると、とても良いことが書かれているというのも事実なのかなと思います。（Pythonを使用したプロジェクトでPEP8を加味したり、Jupyterの拡張機能含めPEP8を考慮したライブラリなどが多く用意されていることなども考えると） そこで、本記事では個人的な解釈をしつつ、PEP8について読み解いてまとめてみます。（元の記事は著作権がパブリックドメインなので、使いつつまとめさせていただきます） ※PEP8すべては触れません。 はじめに考慮すべきこと プロジェクトごとに、
![[Pythonコーディング規約]PEP8を読み解く - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/d760d7f77baa089a11595183e4d552d57532d59f/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJUUzJTgyJUIzJUUzJTgzJUJDJUUzJTgzJTg3JUUzJTgyJUEzJUUzJTgzJUIzJUUzJTgyJUIwJUU4JUE2JThGJUU3JUI0JTg0JTVEUEVQOCVFMyU4MiU5MiVFOCVBQSVBRCVFMyU4MSVCRiVFOCVBNyVBMyVFMyU4MSU4RiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9ZjE1ZDFlNmFiZjUyNzU1MGIxYTVmYTRlM2E1NmU2MWI%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBzaW1vbnJpdGNoaWUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTAzNTFhOWFiMzVlNjQwNDIxNzY0MDEzZTMzZTZhNmZk%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D1d0d8e156218cb694c862d173caf4aa4)
TensorFlow.jsでPython学習済モデルを読み込み、ブラウザで予測結果を出力する - Qiita
はじめに TensorFlow Developer Summit 2018 にて Webブラウザ上で機械学習のモデルの構築、学習、学習済みモデルの実行などが可能になるJavaScriptライブラリ「TensorFlow.js」がGoogleによって公開されました。 今はやりっぽいのでJavascriptの勉強もかねてちょっと動かしてみました。 目的 Python モデルをTensorFlow.js で読み込む方法メモ 作ったもの Pythonのモデルを用いた推測結果をTensorFlow.jsのコンソール上で表示 コード https://github.com/hiyashichuka/tfjs-iris ※以下を参考にしました https://github.com/tensorflow/tfjs-examples/tree/master/iris 環境 OS Windows 10 Bash
物体検出における学習モデル評価方法(Python3) - Qiita
対象 各種機械学習手法等を用いて物体検出を行っているが、 作成したモデルをどう評価して良いかわからない人 何となくIoU、mAP などで評価すれば良いと知っているが、実装方法が分からない人 はじめに 大学の研究で画像認識を行うことになったのですが、 作成したモデルをどう評価すれば良いかを学ぶ必要があったので、 折角なので記事にまとめさせていただきました。m(__)m 何を評価すべきか 物体検出精度 名前の通り、画像中の検出したい物体を、作成したモデルがどの程度正しく検出できるかを評価する指標です。機械学習で基本的な評価指標であるPrecision、Recall等を組み合わせ、複数の画像に対してモデルがどの程度機能しているかを評価します。 参考:Deep Learningによる一般物体検出アルゴリズムの紹介 今回は、代表的な評価指標であるmAP、IoUというものについて見ていきます。 処理速
elasticsearchでユーザベクトルを用いて検索する - Qiita
ユーザベクトルとは、ユーザの最近の興味を表す数値からなるベクトルのことです。このベクトルを用いて検索できれば、検索結果にユーザの興味が反映されます。ここでは、ユーザベクトルによる検索をelasticsearchを用いて行う方法を書きます。 ユーザベクトルについて ドキュメントをベクトル化する方法があると仮定します。例えば、tensorflow-hubのnnlmエンベディングを用いれば、ドキュメントをベクトル化することが可能です。 ユーザが検索をして、検索結果のある特定のリンクをクリックします。すると、クリックされたリンクのドキュメントベクトルはユーザベクトルの一部として保存されます。例えば、保存できるベクトルの件数を最新100件などとしておきます。 そして、検索をする際に「ユーザベクトルの平均ベクトル」と「ドキュメントベクトル」の類似度を使うようにすれば、ユーザの興味に類似した記事が検索可
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
機械学習／統計学／データサイエンスの無償gacco動画、全まとめ【2021年秋版】：AI・機械学習の独学リソース（1/3 ページ） - ＠IT
