Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up
$ sudo killall -INFO mDNSResponder $ sudo grep mDNSResponder /var/log/system.log mDNSResponder[96]: ---- BEGIN STATE LOG ---- mDNSResponder mDNSResponder-625.40.20 (Feb 11 2016 18:14:38) OSXVers 15 mDNSResponder[96]: Timenow 0x7475882C (1953859628) mDNSResponder[96]: ------------ Cache ------------- mDNSResponder[96]: Slt Q TTL if U Type rdlen mDNSResponder[96]: 5 224 -U- Addr 4 appspot.l.google.c
はじめに こちらで顔の検出と抽出を行いましたが、あまり何も考えることなくコピペで実現できたのと、 今度は顔以外の物体の検出をやってみたくなったので、色々知識がないながらも見よう見まねで作ってみました。 TensorFlowを使ってDir en greyの顔分類器を作ってみた - ④顔抽出編 参考 opencv チュートリアル チャレンジ9 OpenCVにおける輪郭(領域) 環境 こちらをご覧ください。 TensorFlowを使ってDir en greyの顔分類器を作ってみた - ②環境構築編 使用する画像 あぽーです。 結果 以下の3つが検出されます。 以下の3つの矩形画像が出力されます。 ソースコード #!/usr/local/bin/python #! -*- coding: utf-8 -*- import cv2 import numpy as np # 指定した画像(path)の
概要 Keras(Tensorflowバックエンド)で、画像認識の分野で有名なモデルVGG16を用いた転移学習を行いました。 そもそもディープラーニングとは?Kerasって何?という方は、こちらの記事をご参照下さい。 転移学習とファインチューニングの違い 転移学習とファインチューニングは、どちらも既存のモデル(今回はVGG16)を応用したディープラーニングの学習方法です。その為この2つはよく混同されていますが、厳密には異なります。 参考:Quora: What is the difference between transfer learning and fine tuning? ざっくりと説明すると、違いは以下になります。 - 転移学習:既存の学習済モデル(出力層以外の部分)を、重みデータは変更せずに特徴量抽出機として利用する。 - ファインチューニング:既存の学習済モデル(出力層以外の
機械学習を実務で使う場合、「ではお客様、ラベルデータを・・・」と申し出て色よい返事が返ってくることはあまりありません。また、例えば自動運転車を作るときに、データが足りないからその辺流してくるか、お前ボンネットに立ってデータとってな、とするのは大変です。 NICO Touches the Walls 『まっすぐなうた』 より そこで必要になってくるのが転移学習です。 転移学習とは、端的に言えばある領域で学習させたモデルを、別の領域に適応させる技術です。具体的には、広くデータが手に入る領域で学習させたモデルを少ないデータしかない領域に適応させたり、シミュレーター環境で学習させたモデルを現実に適応させたりする技術です。これにより、少ないデータしかない領域でのモデル構築や、ボンネットに立つという危険を侵さずにモデルを構築することができるというわけです。 この転移学習の可能性は、NIPS 2016
概要 機械学習超初心者の僕が、画像を使ったWebアプリを思いついたので、 「ディープラーニング使えばなんとかなるやろ〜」 って思っていたら上手く行かず、社内の名だたる機械学習の先輩方に相談させていただいたときのメモ。 今回やりたいこと 飲み会で「好きなタイプの芸能人はだれ?」と訊かれたときに答えることができるWebサイト 必要なUX ユーザーがWebサイトに来訪する 50人位のモデルの画像が出てくるので、1枚1枚に対して「タイプ」「ちょっと好き」「普通」「少し苦手」「だいぶ苦手」のうち1つを選択して入力する その結果から、ユーザーが好きになるであろう芸能人の顔写真と、「あなたはこの方が好きになるでしょう」的な文言が表示される 飲み会で「俺、人工知能に堀北真希がタイプだって言われたんすよ」って回答できる めっちゃ欲しくないですか? 飲み会で定番のあの質問が社会人になってから結構面倒だったので
UdacityのDeep Learning Nanodegree Foundation のコースでFloydHubという便利なサービスが紹介されていました。ディープラーニングのHerokuだそうです。 GPUが使えるプランも月額14ドルからなので、手軽にGPUでディープラーニングを始めることができます。 TensorFlowとKerasがデフォルトですが、他にもPyTorchやChainerなどメジャーなフレームワークはだいたい使えるようになっています。 2017/10/18 追記 この記事を書いた直後に、KaggleのKernelについての記事が投稿されています。Kaggleのデータセットに限って言えば、Kernelを使う方が簡単そうです。 パワーアップしたKernelでKaggleに飛び込もう - Qiita FloydHubのいいところ 起動が簡単 floyd-cliというコマンドラ
環境 ドローンの種類 http://www.parrot.com/products/minidrones/airborne-night-drone/swat/ Parrot社 AIRBORNE NIGHT DRONE「swat」 swatって呼んでいきましょう まず、ドローン購入までに開発に関して調査しました そこでやはりといったところか、Parrot社のドローンがオープンソースでSDKも公開しているとのこと その中でも値段や大きさなどなど考慮して「swat」にしてみました 後述するが、同じMiniDroneシリーズの「Rolling-spider」と同じSDKでも動くらしい 基本スペック ・3軸ジャイロ ・3軸加速度計 ・対地速度計測用の垂直カメラ ・超音波センサー ・圧力センサー ・静止画は640x480ピクセル まずは提供されているアプリで飛ばそう まずはドローン自体のフォームウェア
$ cd $HOME/Downloads $ tar xvfz mecab-0.996.tar.gz $ cd mecab-0.996 $ ./configure --enable-utf8-only --prefix=/usr/local/mecab $ make $ sudo make install $ cd $HOME/Downloads $ tar xvfz mecab-ipadic-2.7.0-20070801.tar.gz $ cd mecab-ipadic-2.7.0-20070801 $ ./configure --prefix=/usr/local/mecab --with-mecab-config=/usr/local/mecab/bin/mecab-config --with-charset=utf8 $ make $ sudo make install
趣味でディープラーニングで遊ぶためのPCを作ったので、メモ。 前提 趣味ならクラウドでいいじゃん、と思われるかもしれないが、AWSのGPUインスタンスだと1時間に100円くらい取られる。GAN系の画像の生成とかやりたい時は、様々なパターンを試してみて、いいものができるか試行錯誤するので、結構使う。 AWS止め忘れて過大な請求くるのも怖い。あくまで趣味の範囲なので、のびのびと遊べるローカル環境の構築を行った。 もともと使ってたPCは、 Intel Core i7 4770 メモリ8G GTX 750Ti に、Ubuntu入れて使っていた。色々できないので、ディープラーニング専用機を構築しようと決意。 GPU まずはGPU。趣味用とは言え、GPUをケチるとやりたいことができない。特にメモリサイズは重要。モデルの読み込みに支障が出たり、学習時のバッチサイズに影響が出てくる。 2016/1/30現
前置き このページは基本的な使い方を説明するページです。使い方のすべてを説明するわけではありません。 Pythonのslackbotライブラリを用いれば、Slackで特定のメッセージを受け取って、処理を行ったり、返事を行うことができます。 本ページでは、slackbotの導入と基本的な使い方を紹介します。 また、文字を扱うことが多いので、デフォルトでユニコードを扱えるPython3系で書くことにします。 Python2系でも作れるが、文字の比較などでユニコード文字列指定を行うなど、めんどくさいからです。 以降、Pythonという言葉は、断りがない限りPython3系を指します。 slackbotのインストール $ sudo apt-get install python3-pip # pip3を導入済みなら不要 $ sudo pip3 install slackbot # slackbotラ
追記部分 こちらの記事はレガシーなトークンを使っていますので、 Slack API レガシーじゃないほうのTokenについてに新しい記事を書きました。 こちらの記事のトークンは「Slackのほぼすべての機能を使えるToken」で、 ここのTokenが流出すればチャンネルの削除とか好き放題できると思います。 リンク先は「必要な機能にしかアクセス権を与えないToken」になります。 必要な方を選んでお使いください。 Slack API - Tokenの場所と取得 作成済みの場合どこにあるかわからなくて 20分くらい迷ったので同じく迷う方いたらと思って、投稿しておきます。 token作成済 https://api.slack.com >> Custom integrations >> legacy-tokens つまりここ >> https://api.slack.com/custom-inte
はじめに Python 用モジュールの pandas-datareaderで株価を取得し、Matplotlibでグラフ化する方法を紹介します。 開発環境 Windows 10 Pro (64-bit) Python 3.6.0 (64-bit) Anaconda 4.3.0 (64-bit) Jupyter QTConsole 4.2.1 pandas-datareader 0.4.0 Matplotlib 2.0.1 日経平均を取得してグラフに表示 FRED | St. Louis Fed のデータベースから 1970/05/16 ~ 2017/06/23 までの日経平均を取得してみます。 なお、本記事執筆時点(2017/06/26)では 1949/05/01 ~ 2017/06/23 までのデータを取得する事ができます。 最新情報は Nikkei Stock Average, Nikk
Machine Learning Advent Calendar 2015 第14日です。去年のAdvent Calendarで味をしめたので今年も書きました。質問、指摘等歓迎です。 この記事の目的 ここ2~3年のDeep Learningブームに合わせて、リカレントニューラルネットワークの一種であるLong short-term memory(LSTM)の存在感が増してきています。LSTMは現在Google Voiceの基盤技術をはじめとした最先端の分野でも利用されていますが、その登場は1995年とそのイメージとは裏腹に歴史のあるモデルでもあります。ところがLSTMについて使ってみた記事はあれど、詳しく解説された日本語文献はあまり見当たらない。はて、どういうことでしょうか。 本記事ではLSTMの基礎をさらいつつ、一体全体LSTMとは何者なのか、LSTMはどこに向かうのか、その中身をまとめ
Python 2.7で実行。まだPILはPython 3系には対応していないもよう。 ※自分の学習用のメモです。 PIL(Python Imaging Library)とは Python Imaging Library (PIL) Python Imaging Library - Wikipedia 画像処理ライブラリ。さまざまな画像処理が実装されているらしい。 とりあえずサンプル #!/usr/bin/env python # -*- coding: utf-8 -*- """ 画像ファイルを作成する """ import Image def make_image(screen, bgcolor, filename): """ 画像の作成 """ img = Image.new('RGB', screen,bgcolor) # #ここに、いろいろな処理を追加する # img.save(f
/usr/binにファイルを移動しようと思っても,Operation not permittedでなかなか移動できない なので,http://berukann.hatenablog.jp/entry/2015/12/30/123020 を参考にさせていただきました 移動できない原因 OS X 10.11 El Capitanより追加されたセキュリティ機能,SIP(System Integrity Protection)によってガードされている /bin /sbin /System 配下で,ルートユーザでも書き込みできない 対処方法 Macを再起動し,command + Rを押し続けてリカバリーモードにする 上のバーから,ターミナルより, コマンドを打ち込む
この記事は 2016年 Schoo Advent Calendar の18日目の記事です。 今日はSchooと特に関係ないですが、2016年の圧倒的Pythonブームを、出版された書籍を中心に振り返り、タイプ別Python系オススメ本をエンジニアが勝手に選んでみたいと思います。 2016年はすごい一年だった こちらはAmazonで「Python」を検索した結果ですが、ほとんどが2016年に発売されたものです。 2015年12月に発売された O’Reillyの「入門 Python3」を皮切りに今年だけで、有名出版社などから10冊以上発売されているのを観測しています。 なぜなのか これは肌感ですが、やはりデータ分析、機械学習の人気に引っ張られる形で、それらをやるならPythonらしい…!ということが認識されてきたのが大きい理由ではないかと感じています。 例えば Caffe, Theano, T
サンプルアプリのソースコードをGitHubで公開しました。 https://github.com/gabu/android-twitter-sample はじめに Android再入門 - 目次 に引き続き、 第7回名古屋Android勉強会 Java+Eclipse再入門 on Zusaar 第7回名古屋Android勉強会 Java+Eclipse再入門 学生枠 on Zusaar のために書きました。 イベントの流れの都合上 再入門 になっていますが、全然 再 な内容を含んでいないので 入門 でいいんじゃないかと思ってます。 あと、Java + Eclipseというよりは初心者の方でも Androidアプリを作る体験ができること と イヤにならないこと を考えた結果、逆に、Java + Eclipseにあまり触れられませんでした。Java + Eclipseについては今後の宿題という
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