【ディープラーニング】ChainerでAutoencoderを試して結果を可視化してみる。 - Qiita
ChainerでAutoencoderを試してみる記事です。前回の記事、「【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。」の続きとなります。ディープラーニングの事前学習にも使われる技術ですね。 本記事で使用したコードはコチラから取得できます。 1.最初に AutoencoderとはAuto(自己) encode(符号化)er(器)で、データを2層のニューラルネットに通して、自分自身のデータと一致する出力がされるようパラメーターを学習させるものです。データだけあれば良いので、分類的には教師なし学習になります。 学習フェーズ こんなことをして何が嬉しいのかというと、 入力に合わせたパラメーター$w_{ji}$を設定できる。（入力データの特徴を抽出できる） その入力に合わせたパラメーターを使うことでディープなニューラルネットでの学習を可能にする（ランダム値
受容野 - 脳科学辞典
田中 宏喜 京都産業大学 コンピュータ理工学部 インテリジェントシステム学科 DOI：10.14931/bsd.1032 原稿受付日：2012年4月27日 原稿完成日：2012年8月13日 担当編集委員：藤田 一郎（大阪大学 大学院生命機能研究科） 受容野 (receptive field)とは、感覚処理系の個々の細胞が、外界あるいは体内に生じた刺激に対し、感覚受容器を通じて、反応することのできる末梢器官上での空間範囲あるいはそれに対応する外界空間での範囲をいう。受容野の位置、大きさ、形および内部構造は細胞により異なるため、個々の細胞はそれぞれ特定の刺激に感受性を示すようになる。感覚処理経路の初期段階の細胞ほど、小さく単純な構造の受容野をもち、後の段階の細胞ほど、広く複雑な構造の受容野を持つ。このため、感覚処理系では、その処理経路に沿って、逐次、複雑な情報伝達が行われるようになっている。
Perception Lecture Notes: LGN and V1
Professor David Heeger What you should know about this lecture visual field vertical & horizontal meridia blind spots left & right hemifields Principle of lateralization (left-hemifield -> right hemisphere and vice versa) LGN (anatomy and physiology) magnocellular and parvocellular layers center-surround receptive fields retinotopic maps V1 (anatomy and physiology) simple cells, complex cells, and
ChainerでCIFAR-10の分類を行ってみる - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか。私は元気です。 前回はChainerの紹介をしました。nonbiri-tereka.hatenablog.com 本日はこのChainerを使って、CIFAR-10の分類を行ってみようと思います。 アーキテクチャとして利用するのはConvolutional Neural Networkを利用します。 What is CIFAR-10 CIFAR-10 and CIFAR-100 datasetsにあるデータセットです。32x32pixelのカラー画像を10のクラスに分類する問題が含まれています。 画像の大きさはTraining画像が50000枚、Test画像が10000枚です。 研究とかのベンチマークでお世話になっている人も多いと思いますが・・・ 以下の図は本家に掲載されているサンプル画像です。 データセットの読み込み CIFAR-10ではPythonでの読
gamma conversion(glayscale)
明るさの調整(γ補正) 明るさの調整は、各画素ごとの輝度値を指数関数で変換することによって行います。 CCDカメラ等のイメージセンサにおいて、入力光量Eと出力値Dは以下のようなγ特性と呼ばれる指数関数の関係を持っています。 D = Eγ このγ特性を補正すること(=γ補正)が、この変換の本来意味しているものです。 具体的には、以下の変換式を用いて画素値の変換を行います(画素値は0〜255の値をとるものとします)。 Y = 255 x ( Y ÷ 255)( 1 / γ) γの値が１より大きいとき、明るくなります。 γの値が１より小さいとき、暗くなります。 標準画像 couple の輝度成分(計算式はRGB->YUV変換参照のこと)画像に対して、γ補正を行った画像を以下に示します。
Theano で Deep Learning <3> : 畳み込みニューラルネットワーク - StatsFragments
Python Theano を使って Deep Learning の理論とアルゴリズムを学ぶ会、第三回。今回で教師あり学習の部分はひと段落。 目次 DeepLearning 0.1 について、対応する記事のリンクを記載。 第一回 MNIST データをロジスティック回帰で判別する 英 第二回 多層パーセプトロン 英 第三回 畳み込みニューラルネットワーク (今回) 英 第四回 Denoising オートエンコーダ 英 第五回 多層 Denoising オートエンコーダ 英 第六回の準備1 networkx でマルコフ確率場 / 確率伝搬法を実装する - 第六回の準備2 ホップフィールドネットワーク - 第六回 制約付きボルツマンマシン 英 Deep Belief Networks 英 Hybrid Monte-Carlo Sampling 英 Recurrent Neural Network
機械学習プロフェッショナルシリーズ輪読会 #2 Chapter 5 「自己符号化器」 資料 - 圧倒亭グランパのブログ
下記勉強会での資料になります。 ml-professional.connpass.com ページ数多いように見えますが、アニメーションのビルド回数なのでお気になさらず。 間違い等あればご指摘くださいmm 追記 色々とご指摘を頂き議論が深まりました。 詳しくは下記ハッシュタグを御覧ください。 twitter.com
Python Tips: ライブラリ・モジュールの場所を調べたい
Python でライブラリ（モジュールやパッケージ）がどのディレクトリに入ってるのか、その場所を調べる方法についてご紹介します。 ライブラリの場所は、モジュールの __file__ アトリビュートか __path__ アトリビュートで調べることができます。
「データ分析プロセス」福島真太朗
書籍のタイトルは「データ分析プロセス」とありますが、偉い人を説得してどのようにデータを集めていくかを決めて、KPIをどう設定して～という、いわゆる啓蒙書ではありません。すでに顧客の行動データやPOSデータなどをデータベースに格納しつつあり、そこから例えば解約予測をするにはRで具体的にどうすればよいか、という問いに答えるRの本です。Useful RというRのシリーズ本の中の一冊であり、Rを使って機械学習をするためのエンジニア向けの本です。特におすすめする読者は、Rで機械学習をする人の他、欠損値・外れ値・不均衡データといったものにどういった対処方法があるのか知りたい、使ってみたいという人です。また、書籍のページではRのソースコードとともに対応するPythonのソースコードが一部提供されています。 まえがきには「本書では、可能な範囲で実データを使用した分析例を例示しようと心がけた」とあり、そのた
初心者用 畳み込み（たたみこみ）解説
理工系の大学や高専で学ぶ皆さんが だいたい20才くらいになると直面する「たたみこみ」。 特に、 電気回路が必修になっているようなところでは 避けて通れないものです。 さっぱりわからず、 ネットで探せば何かないかなと思ったのに、 いきなり 「合成積とは ∫ot f(t-τ) g(τ) dτ 」 とか出てきちゃって嫌になってる皆さん。 嫌になってる理由は、 「やれといわれればやるけれど、 何を表してるのか意味分からない」 とか 「f(t-τ) の t-τ が なんで出てくるのか納得できない」 とかではありませんか。 基本思想を以下に説明するので、今学期 最後のチャンスと思って理解してください。
大学以降の「数学」の勉強に役立つ動画のまとめ - 勉強メモ （大学の講義動画や，資格試験の対策）
大学の数学を，Youtubeの動画で独学できる。 実際に大学で講義している様子を録画したビデオなので， 板書を読めるし，先生の説明も聞ける。 大学生の定期試験・院試対策や，社会人になってからの復習にもどうぞ。 これがあれば，通勤・通学中の電車内で， あるいはベッドの中にいても 時間や場所を問わずに勉強ができる。 なお，大学の「物理学」の動画はこちら。 ※PDF形式の講義ノートはこちらのサイトに集約されているので，動画とあわせて活用しよう。 大学の初年度 統計学 物理数学 微分方程式 解析学・応用 代数学・応用 圏論 幾何 その他数学 数学検定 大学の初年度 行列論と「線形代数」の講義を動画で学ぶ。Youtubeで大学の授業を勉強 大学の数学で，一変数と多変数の微積分の講義を，Youtubeの動画で学ぶ 統計学 統計学の基礎の講義を，Youtube動画で。明治薬科大の「DAIWA統計学」 生
尤度と最尤推定法について | Sunny side up!
最近はstanでMCMCするのが楽しいわけですが，僕のごくごく近い範囲の人間から「そもそも尤度ってなんだ」という話があったので，今回は尤度や最尤推定法について書きます。 統計モデリングは確率分布を扱う 何を今更，と思うかもしれませんが，統計モデリングと確率分布は切っても切れない関係にあります。今回は二項分布について話をします。次回はたぶん正規分布について書きます。 さて，二項分布とは，成功と失敗といった2値で表現される結果がでる試行をN回繰り返したとき，成功する回数について表される確率分布です。詳しくはWikipediaを見てください。 二項分布は試行回数と成功確率が決まれば分布の形が決まります。ここで，Rを使って分布を直感的に理解してみましょう。 ここでは試行回数は10回で，成功率は0.5としましょう。バスケットボールのシュートが入るかどうかとか，バッティング練習でヒットになるかどうかと
可視化で理解するマルコフ連鎖モンテカルロ法(MCMC) - ほくそ笑む
先日行われた第9回「データ解析のための統計モデリング入門」読書会にて、 「可視化で理解するマルコフ連鎖モンテカルロ法」というタイトルで発表させて頂きました。 発表スライドは以下です。 可視化で理解するマルコフ連鎖モンテカルロ法 from hoxo_m この発表は、みどりぼんに登場する、マルコフ連鎖モンテカルロ法(MCMC)のアルゴリズムである「メトロポリス法」と「ギブス・サンプラー」について、可視化して理解しようというお話です。 「マルコフ連鎖モンテカルロ法」というのは、字面だけ見ると難しそうですが、この発表で理解すべきポイントは、次のスライド 1枚に凝縮されています。 このことを念頭に置いて、それぞれの手法を見ていきましょう。 まず、メトロポリス法ですが、これは、 前の状態の近くの点を次の遷移先候補として選ぶ（マルコフ連鎖） そのときの確率比 r < 1 ならば確率 r で棄却する。それ
【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。 - Qiita
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです！ Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.co
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
Hypercomplex cell - Wikipedia
【gif画像】 橋本環奈ちゃんのお胸ぶるんぶるんでワロタｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗｗ｜ラビット速報
ディープラーニング チュートリアル（もしくは研究動向報告）
GitHub - jcjohnson/cnn-vis: Use CNNs to generate images
機械学習を利用した画像の高品質拡大ツール「waifu2x-caffe」が実写にも対応
GitHub - google/deepdream
