TensorFlowOnSpark (readme翻訳) – OpenAI API / Gemini API | ClassCat® Chatbot
TensorFlowOnSpark （readme 翻訳） 翻訳 : (株)クラスキャット セールスインフォメーション 日時 : 02/14/2017 * 本ページは、github TensorFlowOnSpark の readme を翻訳したものです： https://github.com/yahoo/TensorFlowOnSpark/blob/master/README.md TensorFlowOnSpark とは何か？ TensorFlowOnSpark はスケーラブルな深層学習を Apache Hadoop と Apache Spark にもたらしました。深層学習フレームワーク TensorFlow とビッグデータ・フレームワーク Apache Spark / Apache Hadoop 由来の顕著な特徴を結合することにより、TensorFlowOnSpark は GPU と
TensorflowのFaster RCNN実装を試す - Qiita
この記事は ちょっと前まで最速とされていた物体検出のディープニューラルネットであるFaster RCNNのTensorflow実装Faster-RCNN_TFを使ってみたのでメモです 時代はSingle Shot Multibox Detector (SSD)らしいですが、Tensorflow実装はこんな開発中のしかないので一週遅れ感は否めませんが。 セットアップ 前提 TITAN X (Pascal) ubuntu14.04.5 LTS python2.7 Tensorflow v0.12 その他cython, python-opencv, easydictなど適当にインストール インストール README通りにセットアップしました。 # git clone --recursive https://github.com/smallcorgi/Faster-RCNN_TF.git # cd
TensorFlow User Group ハード部 #1 (2017/02/27 19:00〜)
TensorFlowとハードウェア、どちらも好きな人達の集まりです。当日はライブ配信もありますので、ご都合つかない方はできるだけ早めのキャンセルをお願いします。 セッション前半 7:00pm 「TensorFlowの量子化について」 by 夏谷実さん（株式会社パソナテック） Google社のオリジナルプロセッサTPU(Tensor Processing Unit)では、精度を犠牲にして速度と消費電力を改善させる量子化という技術が使われます。量子化の技術を使うことで、8bitでありながら浮動小数点数の範囲のデータを扱えるようになります。TensorFlowのソースコードから量子化の謎にせまり、量子化されたデータの演算の仕組やTPU、DSPで速く動く理由を探求します。 8:00pm - 8:30pm 懇親タイム セッション後半 8:30pm「IkaLog によるスプラトゥーン画像解析とFPGA
KerasがTensorFlow本体に統合される？ - studylog/北の雲
TensorFlowをバックエンドとして使用しており、Python製DeepLearningライブラリとしては頭5つぐらい抜け出している感じのあったKerasですが、TensorFlow本体に取り込まれる？動きがあるようです。TensorFlow/Keras人気はさらに加速して他のライブラリを寄せ付けないでしょう。 自分が使いやすいライブラリを使えばいいと思いますし各ライブラリごとにいい所はあるので多様性万歳ではあるんですが、TensorFlow本体にKeras由来の使いやすいAPIが統合されちゃうと、DeepLearningライブラリのシェア争いという観点ではほぼ勝負あったかなという感じがします。 以下ソースなど。fcholletさんはKerasの開発者でGoogleにお勤めの人です。 @rbhar90 @tensorflow we will be integrating Keras (
深層学習 TensorFlow ベースの高速な一般物体検出ソリューションを2017年2月から提供開始 – OpenAI API / Gemini API | ClassCat® Chatbot
深層学習 TensorFlow ベースの高速な一般物体検出ソリューション 「ClassCat® ObjDetector v1.0」を2017年2月から提供開始 – マルチクラウドでサービス提供 / 人工知能研究開発支援サービス – 株式会社クラスキャット（代表取締役社長：佐々木規行、AI研究所：茨城県取手市）は、米 Google 社によりオープンソース化された深層学習フレームワーク TensorFlow をベースとし、最新の人工知能・コンピュータビジョン技術と GPU (Graphics Processing Unit) を利用して高速化を図った、一般物体検出ソリューション新製品「ClassCat® ObjDetector v1.0」を2017年2月から提供開始することを発表致しました。一般物体検出は画像上の複数種類の物体の位置を特定してクラス分類することを可能にする、応用範囲が広い技術で
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でDeep Learning (目次) - Qiita
TensorFlowでDeep Learning 目次 ニューラルネットワークをよく知らない人でも、ディープラーニングや畳み込みニューラルネットワークを利用できるようになるために。 ロジスティック回帰 まずはロジスティック回帰（2クラスの識別）からはじめてみる (tf 2.0: https://qiita.com/kumonkumon/items/46c1490706115de45a9c) 多項ロジスティック回帰 ロジスティック回帰（2クラスの識別）を多項ロジスティック回帰（多クラスの識別）へ (tf 2.0: https://qiita.com/kumonkumon/items/db63e8e95aa2a1c3d124) 多層パーセプトロン ロジスティック回帰に中間層を追加して多層パーセプトロンへ (tf 2.0: https://qiita.com/kumonkumon/items/3
TensorFlow の RNN チュートリアルやってみた - Qiita
自分用のメモ／学習を兼ねて、TensorFlow の RNN のチュートリアルを一行ずつみながらやってみる。 LSTM とはなんぞや、とか、そもそもの TensorFlow の使い方とかは、チュートリアル中にあるので割愛。 チュートリアルで用いているコードの内容の解説だけをおこなう。 コードのインデントが2で気持ち悪いとか、この関数 deprecated なんだけど💢といった苦情は Google 社へお願い致します。 対象としているチュートリアルは、 Language and Sequemce Processing の下にある、Recurrent Neural Networks というページ。 データ準備 まずはチュートリアル中で使用するデータ／コードのDLから。 コード TensorFlow 本体にはチュートリアルのコードが一部しか含まれていないため、別途DLが必要。 TensorFl
Raspberry Pi 深層学習ライブラリで物体認識（Keras with TensorFlow・Open CV） - Qiita
以前からやってみたかったRaspberry Piの物体認識を試してみました。今回はクラウドサービスを使わずに深層学習ライブラリと学習済みモデルを使ってみました。 環境 Raspberry Pi3 (RASPBIAN JESSIE WITH PIXEL 4.4 / Python 3.4.2) LOGICOOL ウェブカム HD画質 120万画素 C270 ミニロボットPC等用スピーカー小型かわいい白 7インチ(1024*600) IPS液晶パネル ディスプレイ 今までカメラモジュールを利用していたのですが、OpenCVでストリーミングをさせるためWebカメラを購入しました。ついでにちょっと可愛らしいロボット型のスピーカーも合わせて買ってみました。 ロボット型のスピーカーがWebカメラに映った物をしゃべってくれます（英語です）。 こんな感じ Deep Learning Object Recog
TensorFlowのチュートリアルを通して、人工知能の原理について学習する - Qiita
以下のことについて知りたい人向けの記事。 ①機械学習の利点と欠点、TensorFlowの利点と欠点 ②ニューラルネットワークの原理についての簡潔な説明 (オンライン書籍：http://nnadl-ja.github.io/nnadl_site_ja/index.html をまとめたもの) ③TensorFlowのチュートリアルに沿ってプログラム作成、その実行結果 以下、参考にしたサイト 1次関数の近似： https://www.tensorflow.org/versions/master/get_started/index.html http://qiita.com/MATS_ELB/items/fec7f54de2dd18b043ae n次関数の近似： http://msyksphinz.hatenablog.com/entry/2015/11/19/085852 手書き数字画像認識：
分散学習用TensorFlowコードの書き方 - めもめも
何の話かというと Google Cloud MLを利用して、TensorFlowの分散学習を行う方法です。取り急ぎ、自分用のメモとして公開しておきます。 分散学習にはいくつかのパターンがありますが、最もシンプルな「データ分散」の場合を説明します。各ノードは同じモデルに対して、個別に学習データを適用して、Variableを修正する勾配ベクトルを計算します。それぞれで計算した勾配ベクトルを用いて、共通のVariableを修正していきます。 前提知識 TensorFlowの分散学習処理を行う際は、3種類のノードを使用します。 ・Parameter Server：Workerが計算した勾配ベクトルを用いて、Variableのアップデートを行います。 ・Worker：教師データから勾配ベクトルを計算します。 ・Master：Workerと同様の処理に加えて、学習済みモデルの保存やテストセットに対する
LSTMを超える期待の新星、QRNN - Qiita
RNN「これってもしかして」 CNN「わたしたちのモデルが・・・」 「「入れ替わってる～～～！？」」 というわけでQRNN、QUASI-RECURRENT NEURAL NETWORKSとは、RNNの機構をCNNで「疑似的(QUASI)に」実装するというモデルです。これにより、既存のRNN(というかLSTM)が抱えていたいくつかの問題の解決を試みています。 元論文は以下となります。 QUASI-RECURRENT NEURAL NETWORKS 作者によるブログ 作者の方のブログにChainerのサンプルコードがあったので、それを元にTensorFlowで実装してみました。早く動かしたい！という方はこちらを見てみてください。 icoxfog417/tensorflow_qrnn (Starを頂ければ励みになります m(_ _)m) 本記事では、この研究のモチベーションとそのアプローチについ
機械学習モデルの実装における、テストについて - Qiita
数あるフレームワークに付属するExample、機械学習モデルを実装してみた、という話。これらに共通して言えるのは「テストがない」ということです。 機械学習のモデルだって、アプリケーションに組み込まれればプロダクションコードの一部です。テストがない実装を本番環境に組み込むか？というと通常そんなことありえないと思います。 (スタジオジブリ 紅の豚 より拝借) 忘れられがちな点ですが、機械学習モデルは「リリースした瞬間」が最高精度になります。なぜなら、リリースした瞬間こそがその時点で手に入るフルフルのデータを使って鍛え上げたモデルであり、それ以降はどんどん未知のデータが入ってくるためです。 そのため、モデルの精度、また妥当性をいつでも検証できるようにしておくというのはとても重要です。これは通常のコードにテストをつける理由と同等で、つまり機械学習モデルだからと言って特別ではないということです。 本
TensorFlowのinitialize_all_variablesがDeprecatedになった件 - Qiita
先日(2016/11/29)TensorFlowの最新版r0.12がリリースされました。 TensorFlow r0.11で開発していたアプリケーションを本番リリース前のテスト環境として用意したr0.12で実行したところ、起動時に見覚えのない警告メッセージが表示されました。 WARNINGの内容 WARNING:tensorflow:From :1 in .: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use tf.global_variables_initializer instead. initialize_all_variablesは2017/
「TensorFlow Tutorialの数学的背景」シリーズの目次 - めもめも
TensorFlowを使って、実際にコードを動かしながら、DeepLearningの仕組みを段階的に学んでいきましょう。 目次 ・No.1 TensorFlow Tutorialの数学的背景 − MNIST For ML Beginners（その1） 平面上の2種類のデータをロジスティック回帰で直線的に分類するという、機械学習の基礎を説明します。 ・No.2 TensorFlow Tutorialの数学的背景 − MNIST For ML Beginners（その2） 線形多項分類器とソフトマックス関数で、3種類以上のデータを分類する方法を説明します。 ・No.3 TensorFlow Tutorialの数学的背景 − TensorFlow Mechanics 101（その1） No.1で説明した問題に対して、もっとも単純なニューラルネットワークを適用して、複雑な境界を持つ分類を実現します
お手軽にrealtime画像認識をAndroid/iOSで動かす - Qiita
こちらはTensorFlow Advent Calendar 2016の5日目です。 この記事はこれからTensorflow始めてみようというAndroidエンジニア、iOSエンジニア向けです。 開発環境: Mac Tensorflow: r0.12 検証端末: Galaxy S6 検証端末: iPhone 6 理論はともかく動かしてみよう！ 機械学習って自分には関係ないって思ってませんか？TensorflowはAndroid/iOSローカルで動きます！リアルタイムです！ 公式のチュートリアルでは、Bazelっていうビルドツールが必要なのですが、独自色が強く、Android/iOSエンジニアには敷居が高いです。そんなBazelのインストールから説明していきたいと思います。 Bazelのインストール 参考: https://www.tensorflow.org/versions/r0.12/
TensorFlow 0.12で追加されたEmbedding Visualizationを試す - Qiita
はじめに 先日 TensorFlow 0.12 がリリースされました。 その機能の一つとして、埋め込み表現の可視化があります。これにより高次元のデータをインタラクティブに分析することが可能になります。 以下は MNIST を可視化したものです。以下の画像は静止画ですが、公式サイトでは3次元でぬるぬる動いているところを見ることができます。 本記事ではWord2vecの可視化を通じて、Embedding Visualization の使い方を試してみました。まずはインストールから行っていきます。 インストール まずは TensorFlow 0.12 をインストールします。以下のページを参考にインストールしてください。 Download and Setup インストールが終わったら可視化のために学習を行います。 モデルを学習する まずはリポジトリをクローンした後、以下のコマンドを実行して移動しま
ニューラルかな漢字変換 - Qiita
3行まとめ Recurrent Neural Networkによるかな漢字変換をTensorFlowを使って実装しました。 既存手法のN-gramと比べて高い精度（文正解率2.7ポイント向上・予測変換3.8ポイント向上）を実現しました。 RNNの特性により離れた単語の共起関係と低頻度語の扱いが改善されました。 かな漢字変換とN-gramモデルの限界 パソコンやスマートフォンで日本語を入力するためのかな漢字変換には、同音異義語や単語区切りに曖昧さがあります。この問題に対処するため、現在は大規模な訓練データに基づく統計的言語モデルが主流になりました。その中でも代表的な単語のN-gramモデル1では、連続する単語列の頻度を使って言語モデルを構成し、変換候補の確率が高いほど順位が高いと考えます。 しかし、N-gramモデルには離れた単語の共起関係を考慮できないという問題点（マルコフ性）と、低頻度語
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
François Chollet on Twitter: "@rbhar90 @tensorflow we will be integrating Keras (TensorFlow-only version) into TensorFlow."
TensorFlowをRaspberryPIにインストールする手順 - Qiita
