DeepLearningを使って人を笑顔にする - Qiita
Deep Feature Interpolation for Image Content Changes Deep Feature Interpolation(DFI)は、画像に特定の属性(例えば「笑顔」「年配」「あごひげが生えている」)を持たせるための手法です。 特定の属性をもたせる手法としては、"Autoencoding beyond pixels using a learned similarity metric"のようなGenerative Adversarial Network(GAN)を使った手法が知られていますが、DFIはGANとは異なるアプローチをとっています。 論文は https://arxiv.org//abs/1611.05507 にあります。 概要 "A Neural Algorithm of Artistic Style"などで知られているように、画像をCNNに入
2016年の深層学習を用いた画像認識モデル - Qiita
実装 検証が終わっていないモデルの使用は気をつけてください cifar10の数値感覚 現時点で97%以上ではSoTAになると思います。僕が知っている限り、最高精度は96.69%です。そろそろcifar100か別のデータセットを評価の軸にするべきかもしれません。 最近の傾向 今年はResnetファミリーの年だったと思います。特徴的な点として、深さ=精度が終わった点です。googlenetなどは昔から主張していましたが、ある程度深いと、深さよりも幅を広くしたほうが精度が上がるということが、様々な論文の結果で今年は示されました。3月くらいから、Resnetの幅を広くしたほうが良いという結果は副次的にぞろぞろ出ていて、5月23日に出たWide Residual Netowrksで決定的になったような形だと思います。幅が大事といったことが、今年はっきりした点であるように思います。 論文を俯瞰してみる
foobarNet: ディープラーニング関連の○○Netまとめ - Qiita
はじめに もう既に日本の機械学習界隈からも同様の会話は聞こえてくるんだけど、今現在のDeep Learningの研究開発は「こんな凄いネットワーク思い付きました選手権」と「考案したネットワークを巨大なデータセットとGPUン千枚並べて実装と実証してみました選手権」状態になりつつある気がする — TJO (@TJO_datasci) 2016年12月17日 この記事では、そんな「こんな凄いネットワーク思い付きました選手権」の代表選手として、 ○○Netと名の付くネットワーク（＋α）をまとめてみました。 本当にそれだけの内容なのでまともなまとめは以下をご覧下さい。 DeepLearning研究 2016年のまとめ 2016年のディープラーニング論文100選 The major advancements in Deep Learning in 2016 Network (1 character)
府大生が趣味で世界一の認識精度を持つニューラルネットワークを開発してしまった論文を読んだ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Deep Learning Advent Calendar 2016の20日目の記事です。 ConvNetの歴史とResNet亜種、ベストプラクティスに関連スライドがあります（追記） 背景 府大生が趣味で世界一の認識精度を持つニューラルネットワークを開発してしまったようです。 M2の学生が趣味でやっていたCIFAR10とCIFAR100の認識タスクで，現時点での世界最高性能の結果を出したそうだ…趣味でっていうのが…https://t.co/HKFLXTMbzx — ニーシェス (@lachesis1120) 2016年12月7日 府
Pythonにまつわる3タイプ別オススメ書籍 - Qiita
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
医薬品設計とニューラルネットワーク - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Nextremer Advent Calendar 2016の14日目の記事です。 医薬品設計含めケモインフォマティクスの分野でニューラルネットワークがどのように活用されているのか興味があり調べてみました。 簡単に医薬品設計について説明してから、これとニューラルネットワークの最近の動向について記述します。また最後に今回興味を持つきっかけとなった、Variational Auto Encoderを元にして新しい化学構造を生成する生成モデルベースのアプローチについても紹介したいと思います。 自分は有機化学を少しかじった程度なので、誤り等あっ
JavaScript でニューラルネットワーク - Qiita
動機 前回「Ruby でニューラルネットワーク」では、MNIST のデータを使って、数字認識ができるニューラルネットワークを構築しました。元ネタは、名著「ゼロから作るDeep Learning ――Pythonで学ぶディープラーニングの理論と実装」です。 ただ、数字の認識を行えるとはいっても、訓練用のデータもテスト用のデータも MNIST から与えられたものにすぎません。自分で実際に手書きの数字を描いてみたらどうなるのだろう？という興味から、ウェブ上で、実際に数値を手書きして、そのまま数字認識が試せるようなものを作ってみました。 Digit Recognition ソースコード(GitHub) 手書き数値の右隣の "3: 99.6%" みたいなところは、たとえば「『3』である確率は 99.6%」ということを意味します。確率の一番高い数字を認識結果としています。 コード解説 neuralne
MicrosoftのDeep Learningライブラリ「CNTK」チュートリアル - Qiita
CNTKってご存知でしょうか？CNTKは、Microsoftが主導して開発しているオープンソースのDeep Learningライブラリです。正直なところ僕も最近使い始めたのですが、このCNTK、良い意味でMicrosoftらしくなく、なかなかイケているんじゃないかと思っています。今回は、まずCNTKの特徴をざっと紹介し、後半でコード例をJupyter Notebookを使って見ていきます。 チュートリアルはこちら "Microsoft"にこだわらない、オープンな開発方針 Open Source GitHub上で開発が進んでいます。社内版はありません。 公式wiki Python と C++ API Python API C++ API .Net APIは(まだ)ありません。Brainscriptもサポートされています。 LinuxとWindowsで利用可能 "Both Linux and
Deep Learningを用いたサービスまとめ(国内&海外) - Qiita
はじめに Liaroという会社をやってます、花田です。 最初は何か書いて動かそうと思ったのですが、言うて既存の有名所のモデル実装して試して終わりになってしまうので面白くないなと。 なんかそういうのは研究されてるようなもっと詳しい方々がやったほうが見てる方が勉強になるのでそちらはお任せして。仕事柄、普段から海外サービスも含めAIを謳っているものはチェックしているほうなのでそれらをまとめようかなと。 普段メモ書きで残していたものなので雑なのはご了承下さい。 気になった会社/サービスまとめ 画像認識系 Clarifai ニューヨーク：有名どころ。純粋なる画像認識エンジンを開発。動画をアップすると各シーンに写っているものをタグ付けしてくれる。動画像解析APIを提供。 https://www.clarifai.com/ http://wired.jp/2015/02/10/incredible-ai
「ゼロから作るDeep Learning」の環境をDockerで作る - Qiita
ゼロから作るDeep Learning 僕はpythonも機械学習も全く知識が無かったのですが、ここ最近のニュースでも話題が多いですし、何か触りだけでも勉強できたらなと思っていたところにオライリーのゼロから作るDeep Learningがわかりやすいという話を聞いて買ってみました。 適度に数学的な部分も省かれてて、自分のような厳密な証明とかよりイメージを知りたいようなライトな感じの人にはとてもおもしろく読めました。また解説されていることがソースレベルで説明されているのが大変わかりやすかったです。 で、普段pythonとかをガリガリ書いている人はいいんだと思いますが、とりあえずやってみたいときに、pythonいれてnumpyいれて、matplotlibいれてやるのも（一回作ってしまえばいいですが）ちょっとメンドいですよね。 ならDockerで作ってしまおうと思ったのですが、この本ででくるma
[WIP] 1-file Chainerを作る - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 概要 この記事では、Neural NetworkフレームワークであるChainerの最も特徴的なコンセプトである**"Define-by-Run"**を理解するために、手書き数字の分類を行うためのネットワークの記述・学習に必要な最低限の機能だけを持ったライブラリ"1f-chainer"をNumPyのみを使って実装してみます。数式が登場するような説明は全てAppendixに追いやり、本文中ではできるだけコードと文章だけで説明を行うように気をつけて書きました。 本記事で用いた全てのコードは以下に置いてあります：1f-chainer。書き始め
![[WIP] 1-file Chainerを作る - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/ebd6bb58d2408169f453515fabc43367b5d5a8ec/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Fadvent-calendar-ogp-background-7940cd1c8db80a7ec40711d90f43539e.jpg%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMTc5MzQlMkZwcm9maWxlLWltYWdlcyUyRjE0NzM2ODIyOTc_aXhsaWI9cmItNC4wLjAmYXI9MSUzQTEmZml0PWNyb3AmbWFzaz1lbGxpcHNlJmZtPXBuZzMyJnM9NzIyZDFmNTMzMGY4ZWYwYjBjNjI4YTVmZWViYWNiYTk%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Df6fc9f49b4355b6790c6ef6bf32164b4%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCV0lQJTVEJTIwMS1maWxlJTIwQ2hhaW5lciVFMyU4MiU5MiVFNCVCRCU5QyVFMyU4MiU4QiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzM0EzQzNDJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPWZmZDU4NjA0MzQ3ZTIxZWU3MmM0MGM3NzJkZTRmNzM3%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBtaXRtdWwmdHh0LWNvbG9yPSUyMzNBM0MzQyZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz01MzBmMjZmMWI5MTlmNDQ4NTM1NGVkMjNmNjEzZWRiNA%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D961e067b23d4ff87caf1f760b4827c88)
Julia のススメ 〜 Deep Learning のための Julia 〜 - Qiita
TL;DR Julia は速いよ。 Julia は行列演算簡単だよ。 Julia は Deep Learning 向きだよ。 Julia はそもそも書きやすいよはかどるよ！ Julia 良いよ Julia！ 初めに 【注意】この記事は1年以上前の記事です12。 この記事は、Julia Advent Calendar 2016 の3日目の記事です。 と同時に、機械学習 名古屋 第8回勉強会 の発表資料です。 またこの記事は、ゼロから作る Deep Learning（O'reilly, 2016/09）を参考に構築しています。 ↑ をJuliaに移植中 → DLScratch.jl 自己紹介 自己紹介 名前：後藤 俊介 所属：有限会社 来栖川電算 言語：Python, Julia, Ruby, Scala（勉強中）, … twitter: @antimon2 Facebook: antimon
【論文シリーズ】DNCー動的な記憶装置を搭載した人工知能 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 原文のリンク Hybrid computing using a neural network with dynamic external memory (2016) 1. 要約と背景 DeepMind社（現Google子会社）は2016年10月27日に、全く新しいタイプの人工知能のフレームワークをNature論文に発表しました。その名も、DNC (Differential Neural Computer)といいます。 この人工知能の斬新な点は何と言っても外部記憶装置 (external memory)の存在です。これはヒトの海馬のような
C++ヘッダだけでDeep Learning、tiny-dnnの紹介 - Qiita
DeepLearning Advent Calendar,6日目の記事です。 Deep Learningフレームワークも世の中に随分と充実してきた昨今、いかがお過ごしでしょうか。今日はC++プログラマが簡単に導入できるDeep Learningフレームワーク、tiny-dnnを紹介します。 まとめ C++でDeep Learningやるなら、tiny-dnnが便利 Header-only＆外部依存なしで簡単導入 Caffeからのインポートやシリアライズなどの各種機能にも対応 いろんなデバイス上で動かしたい人、既成のModel＋αを素早くアプリケーション化したい人、C++でDeep Learningを理解したい人に最適 背景 Deep Learningフレームワークといえば、 Chainer TensorFlow Caffe あたりが有名ですね。他にも老舗のTheanoにTorch、Tens
MXNet 入門 - Qiita
DeepLearning Advent Calendar 2016 4 日目です。 3 日目は @tereka114 さんの「グレーの画像に色をつけるネットワークについて発表しました。」でした。 最近 AWS が公式にサポートを表明した深層学習フレームワーク MXNet に、彼らの記事や各種チュートリアルを通して入門してみようと思います。 MXNet とは 概要 MXNet はワシントン大学とカーネギーメロン大学によって、CNN と LSTM をサポートするために開発されはじめました。効率的で柔軟な深層学習フレームワークとなるよう設計されています。 特徴 AWS が MXNet を支援すると決めた理由に、以下の 3 つをあげています。 スケーラビリティ 豊富な対応言語 軽量かつ高い可搬性 その他にも MXNet には以下のような特徴があります。 命令的 / 宣言的プログラムの混合 豊富な深
Numpyのみを用いた、畳み込みニューラルネットワークの実装 - Qiita
はじめに 畳み込みニューラルネットワークの理解のため、深層学習用のライブラリに依存せず、Numpyのみを用いPythonでアルゴリズムを実装しました。 今後はGPUに対応させたものに改良したいです。また、逆誤差が適切に伝播しているかは未検証ですので、まだまだ開発途中のものを掲載しています。 GitHub https://github.com/NaotoMasuzawa/Deep_Learning/tree/master/Python_CNN 参照したコードと技術書 コードを実装するにあたって、Yusuke SugomoriさんのGitHubと技術書を参考にしました。大変感謝しています。 GitHub https://github.com/yusugomori 技術書 https://www.amazon.co.jp/Java-Learning-Essentials-Yusuke-Sugom
Deep Learning 入門（１） - Chainerを初学者向けにわかりやすく解説 - - Qiita
はじめに 最近流行りのDeep Learningに関する入門記事です。 Deep Learningは既にオープンソースのライブラリが豊富に出まわっており、今回はその中でも国産で定評があり、とある記事でGPU計算が現状で割と速いと書かれていたchainerを使用します。 ただ、Chainerの入門記事は多くあるのですが、そのほとんどが手書き文字を認識するmnistのサンプルを実行して終わっています。 たしかに、mnistのサンプルを眺めれば、Chainerの使い方はわかってくるのですが、なんとなくわかるのと自分で組めるのは違うなということで、今回はchainerを使ったDeep Learningが自分で組めるというところまでを目標にやっていきます。 開発環境 ・OS: Mac OS X EI Capitan (10.11.5) ・Python 2.7.12: Anaconda 4.1.1 (
Deep Learningの気持ちを理解する - Classification編 - Qiita
画像分野では今やDeep Learningによる解析が主流となりつつありますが、結果の解釈が難しいのが難点です。医療分野などでは特に、モデルの出力に対する説明力が強く求められるのではないでしょうか。今回は、そういった時に活用できる可視化手法を紹介します。 紹介する手法はOBJECT DETECTORS EMERGE IN DEEP SCENE CNNs, Zhou+, '14で提案されている方法です。 論文中でやっていること classificationモデルの学習（通常の学習） 1と同じ前処理を適用した画像を入力として、1で学習したモデルでclass毎の確率値を計算 2で使用した画像の一部の領域をマスクした画像を入力として、class毎の確率値を計算 3を5000個程度の領域で行い、値を取得 4の個々の出力値と2の出力値の差分をとる 任意の閾値を設定し、5の値が閾値を超えていない領域は0
Deep Learning bookを読んで学んだこと - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Deep Learning bookとは？ Deep Learning bookは2016年末にMIT Pressより発売予定の書籍（英語）で、深層学習御三家の一人Bengio先生や画像生成のGANで有名なGoodfellow先生らによって書かれており、現時点で深層学習の決定版と言える教科書です。太っ腹なことに本の内容はウェブサイトで公開されており無料で読むことができます。 Deep Learning; Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016.
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
https://qiita.com/shirono_kei/items/4c6cf757e8ad1b85394d