中一が深層学習でAI作った話 - Qiita
本題 今回は信号機の分類をしていきたいと思います。 画像はgoogleで"赤信号","青信号","黄信号"と検索し、17枚くらい手動でダウンロードしました。なぜスクレイピングしないかというと、googleで検索したところ、写真の数が全然なくて、関係ない人がめっちゃ写っていたので、使える写真をダウンロードしていったら17枚ぐらいでした。 データの前処理をして、そっからテスト用に5枚ぐらいとっておき、後の12枚を水増ししました。 from PIL import Image import os, glob import numpy as np classes = ["red", "blue", "yellow"] num_classes = len(classes) image_size = 50 num_testdata = 5 X_train = [] X_test = [] Y_train
ディープラーニングに入門するためのリソース集と学習法（2018年版） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 最近Bitcoinの方が流行っている印象を受けますが，ディープラーニングの勢いは依然強く，Google Trendを見ても未だに検索数は上昇傾向にあるように見えます． 実際体験してみるとわかりますが，ディープラーニングはとんでもなく強力な機械学習の手法で，うまく使いこなせれば強力な武器になります．しかし，「ディープラーニングにはPhDが必要だ」「ディープラーニングは素人には学べない」といった幻想もちらほらあり，興味はあってもなかなかこの世界に飛び込めない人も多いのではないでしょうか？ この記事の目的 この記事では筆者がディープラーニング
怠け者のためのディープラーニング入門 - イントロ
目次 イントロ ← 今ココ Scikit-learn・Keras モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping) 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 はじめに 大学3年生のとき、小林雅一『AIの衝撃 人工知能は人類の敵か』という本をなんのきなし読んだことがあります。その本の中で「最先端のAIを実装できるのは世界でも50人くらいの研究者・大学院生くらいだ」といった文章を読み、なんだかすごそうという動機で機械学習に触れ始めました。そのころちょうど、TensorFlow 0.0.5が公開されて騒がれていたことを覚えていますが、当時ディープラーニングとは何かすらまったく分かりませんでした。それから約2年の月日が経ちますが、TensorFlowをはじめとしたフレームワークの普及もあってか「最先端のAI」というものを研究し実装
TensorFlow理解のために柏木由紀さん顔特徴を調べてみた【中編】 - Qiita
TensorFlowおよびCNN(畳み込みニューラルネットワーク)を理解するために柏木由紀さんの顔特徴を調べてみました。記事「TensorFlow理解のために柏木由紀さん顔特徴を調べてみた【前編】」の続編です。今回は、全体処理の中のTensorFlowの学習部分にフォーカスして解説します。解説と言いながら、わかってない部分も多くてすいません 判定部分にフォーカスしている後編に続きます。 #学習処理概要 前編でも説明しましたがTensorFlowを使って学習しています。TensorFlowエキスパート向けチュートリアルDeep MNIST for Expertsとほぼ同じモデルです。その解説については、記事[「【入門者向け解説】TensorFlowチュートリアルDeep MNIST」] (http://qiita.com/FukuharaYohei/items/0aef74a04112737
AWSの機械学習／ディープラーニングサービス、新たな展開とは
AWSの機械学習／ディープラーニングサービス、新たな展開とは：AWS re:Invent 2017、大量発表の文脈（1）（1/2 ページ） Amazon Web Services（AWS）は、2017年11月末から12月初めにかけて開催したAWS re:Invent 2017で、さまざまな分野にわたる大量の発表を行った。本連載では、各分野における発表の文脈を探る。第1回は、機械学習／AI関連の発表について紹介する。 AWSのディープラーニング／AI担当ゼネラルマネージャーであるマット・ウッド氏は、AWS re:Invent 2017の全体セッション全てに登場し、機械学習関連の新たな発表について説明した。これだけでもAWSの機械学習／AIへの力の入れ方がうかがい知れる。では、AWSはどんな機械学習／AI関連サービスを、どのような人のために提供しているのか。ウッド氏との個別インタビューの内容と
TensorFlowで顔検出器を自作する - すぎゃーんメモ
19日に行われた Kyoto.なんか #3 で発表・デモをさせていただいた内容まとめです。 はじめに: 検出器の重要性 アイドル顔識別 をずっとやっている中で、顔の識別・分類(Classification)はCNNを使って出来ているけれど まだ上手く出来ていない別のタスクがあって。 それが画像内からの顔領域の検出 (Detection, Localization)。 「画像内に写っている人物が誰であるか」を識別するためには、まずはその画像に写っている「顔」を検出する必要がある。 その検出された顔それぞれについて分類器にかけて「この顔は○○さん」「この顔は××さん」と分類していくことになるわけで。 分類器に与える入力画像を切り抜いて抽出するのにもまず顔領域を検出する必要があるし、その分類器を学習させるためのデータセットも、様々な画像から顔領域を検出して切り抜いてそれぞれに対してラベル付けする
ある美女が，どの大学にいそうかを CNN で判別する - Qiita
INTRODUCTION 上の画像は，2014年のミスキャンパス立命館のものです．みんなとても美人ですね． その一方で，パッと見た感じ，どの方も同じような顔をしているように見えます．類は友を呼ぶのでしょうか．これを 立命館っぽい顔 と呼ぶことにします． また「青学っぽい」「学習院にいそう」みたいな言葉をよく耳にはさみますが，これもやはり 青学っぽい顔 や 学習院っぽい顔 というものがあるが故なように思います． そこで今回は，大学ごとの顔の傾向を Deep Learning させ，ある美女がどの大学にいそうかを判別できるモデルを作成してみました． APPROACH 1. 大学ごとの女性の画像収集 まず，各大学の女性の画像をひたすら取得します．ミスコンテストのポータルサイト に，各大学の過去のミスコンの写真が体系的にまとまっていたので，利用させていただきました． # -*- coding:ut
Deep Learningで「いらすとや風人間画像生成モデル」を作った話（DCGAN、Wasserstein GAN） - ぬいぐるみライフ？
フリー素材サイト「いらすとや」に出てくる人間風の画像を自動生成するモデルをDeep Learningで作りました。実装にはGoogle製のライブラリ「TensorFlow」と機械学習アルゴリズムの「DCGAN」「Wasserstein GAN」を用いています。 以下は生成された人間画像のうちそれなりにきれいなものの一例です。頬のところが赤くなっていて何となく本家いらすとやの特徴を捉えられていると思います。 「いらすとや」とは？ 実装した手法の概要 DCGAN、Wasserstein GANについて Generator Discriminator GeneratorとDiscriminatorの学習 学習や実装の詳細 Generator、Discriminatorのネットワーク構成やパラメーター 訓練データ その他 学習経過 モデルを検証する 入力にバイアスを掛けていい画像を出やすくする ま
TensorFlow iOS カメラサンプルで自作した画像分類器を動かす - Qiita
TensorFlow で自作した画像分類器モデルを TensorFlow iOS で動かします。 大抵の記事では分類器モデルの作成までは説明されているのですが（Mac や Ubuntu で動かすにはそれで十分）、iOS カメラサンプルで使われている pb（protocol buffers） ファイルの作成の部分まで触れているものがなかったのでその部分を説明しようかと思います。 ちなみに僕はこの方法で作成した pb ファイルを使って「B'z 分類器を作って iOS で動かす」というのをやってみました。 B'z 分類器つくって iOS で動かしてみました。 #TensorFlow pic.twitter.com/Iq9Y4lcyNM — シン・キョンホン (@keonheon) 2017年2月1日 環境 Python 2.7 TensorFlow 1.0 やること 学習済みの ckpt から
TensorFlow for iOS のモデルについて - Qiita
以前、『TensorFlowの学習済みモデルを拾ってきてiOSで利用する』という記事を書いたのですが、そのとき用いたモデルデータはいずれも Protocol Buffers 形式でした。 （YOLOモデルでリアルタイム一般物体認識） Protocol Buffersはプラットフォーム等を問わない汎用的なフォーマットですが、上の記事を書いたときにわからなかったのが、.pbでエクスポートされたTensorFlow用のモデルでも、iOSで使えるものと使えないものの違いはあるのかないのか、あるとしたら何なのか（単にサイズや使用メモリ量とかが制限になってくるのか）、という点です。 理解の手がかりになるかわかりませんが、TensorFlowのiOSサンプルがどうやってモデルデータを読み込んでいるか、コードをちょっとだけ追ってみます。 なお、今回利用するサンプルはsimpleです。 .pbファイル読み込
TensorFlowで学習済みモデルを使用する(Deep MNIST for Expertsの応用) - walkingmask’s development log
Deep MNIST for Experts(TensorFlow Tutorial)を応用したものを記録． 学習データやカーネルを可視化した話はこちら． walkingmask.hatenablog.com Deep MNIST for Experts Deep MNIST for Expertsは，TensorFlowのチュートリアルで，MNISTという手書き文字数字を認識するCNN(畳み込みニューラルネットワーク)をサクッと実装するもの．20000回学習したNNはテストデータの認識率が99.2%にもなるすごいやつ． 学習済みモデルを使ってみる 数時間にも及ぶ学習を終えて，99.2の数字を目にした時「オオおおおお！」と感動できるチュートリアルだが，ちょっと実感が薄い．そこで，学習したこのモデルを使って，自分で作った手書き数字を認識してくれるかテストしてみる． 自作テストデータ まずは，
TensorFlowのSeq2Seqモデルでチャットボットっぽいものを作ってみた - Qiita
のような感じです。これをtest_data_in.txtとtest_data_out.txtも同様に準備をします。 訓練用306文とテスト用306文(IN,OUTが153ずつ)の計712文で、語彙数は訓練用とテスト用それぞれ約500ずつです。 データは非常に少ないです（泣） 学習のコード 学習を行うコードです。 チュートリアルのデフォルトではバッチ（batch_size）が６４、層の数（num_layers）が3、層のユニット（size）が1024、語彙数が（vocab_size）が40000の大きさでした。 #!/usr/bin/env python # -*- coding: utf-8 -*- # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file ex
ディープラーニングの有名ライブラリ5種を最短距離で試す半日コース（TensorFlow, Chainer, Caffe, DeepDream, 画風変換） - その後のその後
「いつか勉強しよう」と人工知能／機械学習／ディープラーニング（Deep Learning）といったトピックの記事の見つけてはアーカイブしてきたものの、結局2015年は何一つやらずに終わってしまったので、とにかく一歩でも足を踏み出すべく、本質的な理解等はさておき、とにかく試してみるということをやってみました。 試したのは、TensorFlow、Chainer、Caffe といった機械学習およびディープラーニングの代表的なライブラリ／フレームワーク3種と、2015年に話題になったディープラーニングを利用したアプリケーション2種（DeepDream、chainer-gogh）。 （DeepDreamで試した結果画像） タイトルに半日と書きましたが、たとえばTensorFlowは環境構築だけなら10分もあれば終わるでしょうし、Chainerなんてコマンド一発なので5秒くらいです。Caffeは僕はハ
Googleの機械学習フレームワーク「TensorFlow」でImageNetの学習データを使った画像認識を試してみた - TensorFlowのインストールから画像認識まで - Qiita
この記事はGoogleが公開した機械学習フレームワークのTensorFlowを使って画像認識を試してみたときのセットアップ手順と画像認識結果について記載しています。公式ドキュメントのチュートリアルではいくつかハマりどころがあったのでそこの解決策も折り込んでいます。 画像認識はあくまでもTensorFlowの用途の一つであり、この記事はTesnorFlowの本質や機械学習というテーマを深堀するというより、現在の画像認識のレベルとそのテクノロジーが身近になっているというところをお伝えすることに重きを置いています。 TensorFlowとは？ TensorFlowはいわゆる機械学習のフレームワークです。 特にニューラルネットワークの敷居を下げるフレームワークとして注目されているようです。 とはいってもここではDeep Learning/深層学習、ニューラルネットワークといった機械学習の仕組みには
ディープラーニング(seq2seq)でtwitter chatbotを作ってみた - Qiita
こんにちは。今年は冬休みをとても長くとったのですが、肉や蟹や餅や酒を連日消費しているうちに人体が終わっていき、気持ちになったので(様々な方向に感極まった状態のことを「気持ちになる」と表します)、世間で流行っているらしいディープラーニングの関連情報をつまみ食いしてチャットボットを作ってみることにしました。 入力文に対しニューラルネット(RNN)で応答文を生成して返事します。 @neural_chatbot というtwitterアカウントで動かしています。 ご興味があればぜひ@neural_chatbotに話しかけてみてください。 あらすじ ニューラルネットというものがあり、関数を近似することができ、知られています。 Recurrent Neural Network (RNN)というものがあり、内部状態を持つことができ、自然言語を含む可変長の系列を取り扱うのに便利で、知られています。 Sequ
TensorFlowのRNNを基本的なモデルで試す - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? TensorFlowにもRNN(Reccurent Neural Network) が実装されており，Tutorialもあるものの，例題自体が言語モデルを扱った少し複雑なもので，初学者にはとっつきにくいなと感じました． 今回は言語モデルでない，より単純なモデルを扱う問題を例に挙げ，TensorFlowでのRNN実装を試します． 注意 TensorFlowのバージョンがあがり，動かなくなっている部分があるので，こちら(TensorFlow RNN関連のimportやBasicLSTMCellでエラーが出た場合の対処(v 0.11r~))
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
長文日記
TensorFlowで会話AIを作ってみた。
Python未経験エンジニアがMacでTensorFlowの実行環境+快適なコーディング環境を構築するまで - Qiita
TensorFlow を使った�機械学習ことはじめ (GDG京都 機械学習勉強会)
