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
『みんパイ』著者が、Pythonはなぜ流行ったのかを考える
空前のPythonブーム、到来!! 「Python」流行っていますね。最近は、AIや機械学習、データサイエンスというようなキーワードを頼りに、Pythonを探しあてる人が多いようです。他にも、ネットワーク、IoT、Webやスクレイピングなど、いろいろなキーワードでPythonにたどり着く人がいます。応用範囲が広く、学びやすく、それでいて長く使えるのがPythonの魅力です。 コンピューターが便利な点は、「手順」を自動化してくれるところです。たとえば、Webから必要な文字や数字を取ってきて、Excelのシートにまとめる手順を自動化することで、面倒なルーチンワークから解放されます。あるいは、CO2濃度が高まって眠気が増すのを避けるために、センサーで検知した数値が2,000ppmを超えたら自動的に社内SNSにお知らせを投げるプログラムを書くこともできます。こうして換気をうながすことにより、生産性
なぜ日本企業は「ビッグデータ集めなきゃいけない病」にかかるのか？ | Business Insider Japan
大企業に蔓延する「データ集めなきゃいけない病」とは？Shutterstock弊社のクライアント企業の経営陣は、よく以下のような質問を投げかけて来ます。 • 集められるデータを集められるだけ収集しないと、AI活用できないのか？ • 分析するのは「ビッグデータ」じゃないといけないのか？ • どれだけの容量のデータが集まれば、「解析するのに十分だ」と言えるのか？ データが十分に集まっているだけでは、ゴールにたどり着けません。それを考えるきっかけとなる例が、少し前にみつけたこの記事にありました。 IoTで取得できるようになった健康データの量と、アメリカ人の肥満率レベルをまとめたものです。 関連記事：Does More Data Really Lead To Better Decision Making?（Forbes） 記事が投げかける疑問は端的でユニークです。 IoTデバイスやウェラブルが溢れた
Amazon Echoとラズパイで、音声で照明をon/offする - Qiita
はじめに (Alexaで家の任意の機器を制御したい) Amazonのスマートスピーカー、Echo (やEcho Showなど)は、音声で家電などを制御できて非常に未来的な感じで楽しいのですが、操作できるのは基本的には対応デバイスだけです。 ですが、APIは公開されているので、対応機器以外でも操作できるようにする方法はあるだろうと思っていました。そして探してみたらやっぱりありました。 Echosim.ioを使うと日本でもAlexaでSmart Homeを実現できるので、安価なBlack Beanで照明やエアコンを制御してみた キモはNode-RED Alexa Home Skill Bridgeで、これがNode-REDで記述可能な、Alexaから操作できるデバイスを定義してくれるサービスです。このサービスを使えば、家の任意のデバイスをAlexa(Echo)上に見せられるのです！！ 上の例で
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
処理を実行中です
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
404 PAGE NOT FOUND
