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 - QiitaDeleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
nvidia-dockerでtensorflowを動かす - Qiita
#はじめに 前回の 記事 ではtensorflow/tensorflowのイメージを元にdocker上でGPUモードのtensorflowを動かせる環境を構築しました． 先日，caffeのdocker環境を構築する機会がありまして，nvidia-dockerというものを使いました．nvidia-dockerを使うとdocker上から簡単にcudaにアクセスすることができます．今回はnvidia-dockerを使ってtensorflowを動かしてみようと思います． 追記 - 現在はtensorflow公式のイメージもnvidia-dockerを使うようになっています． #nvidia-dockerの導入 dockerを導入した環境において，以下で導入できます．
TensorFlowを理解するための基礎情報共有（５） - Qiita
今回はMNIST For ML Beginnersの解説です。何人かの方々がわかりやすい解説を既にされていますので、それらには言及されていない箇所に重きをおいて記述します。まず、TensorFlow.orgの当該ページで五月雨式に書かれているPythonのコードをまとめて書きますと下記です。 2018/01/30 追記： TensorFlow ver 1.5のSyntaxに対応してコードをアップデートしました。 python:MNIST_For_ML_Beginners.py # -*- coding: utf-8 -*- # Implementing the Regression import tensorflow as tf # このコードと同じ階層にinput_data.pyがあるとして import input_data # このコードと同じフォルダ階層にMNIST_dataという
メモ：TensorFlowでCSVファイルを読む - Qiita
>>> import tensorflow as tf >>> filename_queue = tf.train.string_input_producer(["/tensorflow_dev/csvTest.csv"]) >>> reader = tf.TextLineReader() >>> key, value = reader.read(filename_queue) >>> sess = tf.Session() >>> tf.train.start_queue_runners(sess) >>> sess.run(value) '0,1,2,3,4,5' >>> sess.run(key) '/tensorflow_dev/csvTest.csv:2' >>> sess.run(value) '0,1,2,3,4,5' >>> sess.run(value) '10,20,3
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
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 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 h
TensorFlow Expertを超えて - Qiita
下記コマンドでディープMNISTを実行します。初回は、MNISTデータをダウンロードする必要があります。 python 1_mnist_exp.py 基本チュートリアルをそのままコピーして作ったコードなので、実行環境に問題がなければ、チュートリアル同じ99.2%~99.3%の結果が得られます。下記は出力の例ですが、初期値がランダムなので毎回違う結果になります。 step 18000, training accuracy 1, test accuracy 0.9924 step 18100, training accuracy 1, test accuracy 0.9931 step 18200, training accuracy 1, test accuracy 0.992 step 18300, training accuracy 1, test accuracy 0.9925 ste
機械学習（TensorFlow）+ ロト6 - Qiita
ディープラーニングを使ってロト6の数字でも予想してみようかという遊びです。 もちろんロトは毎回ランダムな数字を出しているだけなので上手くいくはずないんですが、真剣に予想されている方もいるようだし、ササッとコードも書いてしまったので、HDDに埋めておくよりは公開しておきます。 あまり真剣にやってないので、解説も適当です。気になることがあればコメントください。 目標 ロト6の当選番号予測。 ※ロト6を選んだのは、私が唯一買ったことがある数字当て系宝くじだからです。 概要 入力はどーしようかと思ったのですが、過去5回分くらいの当選番号としました。 ロト6は、43個の数字の中から6つが選んで、6つ全部当たれば1等賞というような仕組み。ですので、出力としては43個のフラグで、例えば1,3,4,11,20,43が当選番号の場合、[1,0,1,1,0,0,.....0,0,1]みたいなフラグを予想するも
【爆速なるか!?】OSXでTensorflowのGPU版を使うためのセットアップ - Qiita
※2016/5/12追記 公式Tensorflowのレポジトリにマージされたので、この記事は完全にDeprecatedになります。 -> TensorflowでOSXのGPUが対応されたよ まぁあまりインストールの仕方は変わらないのですが。 ※非公式なので何が起きても責任負えません。 自分のMacbook Pro(Retina, 15-inch, Mid 2014)がIntel Iris Proの他にNVIDIA GeForce GT 750Mも積んでいたことを思い出したので、「Cudaで3.0やん。TensorflowのGPUいけるやん」と思い、やり方探してたら海外ですでにやってる人いたので、参考にした時の手順を残します。 ただしver0.6.0に戻ります bazelとか使うのでpip,Virtualenv ,dockerのインストールした人は、まず普通にソースからのインストールした方が
Windows上でTensorFlowを使用する環境構築 - Qiita
やりたいこと 最近話題のGoogleの人工知能エンジン TensorFlow。残念ながら、LinuxとMac OS Xしかサポートしていません。 ところが、Windows上でTensorFlowを使用する環境を作る方法がありました。しかも、10分くらいで簡単に準備出来ます。 必要な動作環境 Windows7以上 (Windows 8.1で動作確認) 仮想化が有効になっていること タスクマネージャー→パフォーマンス タブ→ CPU → 「仮想化: 有効」となっていることを確認 OSが64 bitであること Docker for Windowsの準備 STEP1 Docker Toolboxのダウンロード Docker Toolboxにアクセスして、ダウンロードします。 STEP2 Docker Toolboxのインストール 設定はすべてデフォルトで、インストールを行います。 STEP3 Do
[TensorFlowで株価予想] 0 - Google のサンプルコードを動かしてみる - Qiita
TensorFlowで株価予想シリーズ 0 - Google のサンプルコードを動かしてみる 1 - 終値が始値よりも高くなるかで判定してみる 2 - 日経平均225銘柄の株価予想正解率ランキング〜 3 - 日本3506銘柄の株価予想ランキング 4 - 実際に売買したら儲かるのかシミュレーションしてみる 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション 6 - 学習データの項目を増やす！隠れ層のサイズも増やす！ 7 - 株価が何%上昇すると予測したら買えばいいのか？ 8 - どの銘柄を買うか 9 - 年利6.79% 前置き 猫も杓子もディープラーニングディープラーニング。なにそれ美味いの？ って感じだけど、 2015年末に Google が書いた 「Machine Learning with Financial Time Series Data on Google Clo
![[TensorFlowで株価予想] 0 - Google のサンプルコードを動かしてみる - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/bb9b7689898c065dd0cc54f4376d81dcddc2e230/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%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnMzLWFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkZxaWl0YS1pbWFnZS1zdG9yZSUyRjAlMkYzMzcwNCUyRmVjN2NhM2ZlMDkxYWQ0NjAxZWJlYzZhNWJiMWYzOTMwZDNkNWIwNzMlMkZsYXJnZS5wbmclM0YxNjM3MDg3NzY0P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPWQyYWI1MmRlMjNjNTZmYzM3MGUzMTA2Nzg1ODgyNTdi%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D405056e52d61f8ead8149adbc09a89a1%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBha2lyYWFrJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LXBhZD0wJnM9MjZjYzg1ZmM1Y2JiNjUzOTU5MjkyNDJjZDAxMmZjNjc%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D10ead2e5d19ea9372187a266994086e0)
深層生成モデルのtensorflowによる実装(Importance Weighted Autoencoders) - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Importance Weighted Autoencoders 最近、深層生成モデルに興味あるのでICLRにも採択されていたIWAE(Importance Weighted Autoencoders)の実装をTensorFlowで行いました。ついでにBengio達の書いたDeepLearning本の20章(Deep generative models)を一部まとめました。 深層生成モデルとは？ 深層生成モデルが何かと言われる難しいですがおそらくNeural Networkを使った生成モデルです。 Bengio本にも書かれていますがDe
DNN（ディープラーニング）ライブラリ : chainerとTensorFlowの比較 (1) - Qiita
#はじめに 近年，機械学習の分野でディープラーニング(ディープニューラルネットワーク:DNN)に注目が集まっています．それに伴って様々なDNNライブラリが公開されていますが，それぞれどんな違いがあるのでしょうか（どれを使えば良いのだろう）．本稿ではDNNのネットワーク構造を，各ライブラリでどのように記述するのか比較してみたいと思います． 本稿で想定するのは，DNNについてはある程度知っているが，ライブラリについては知らないという方への説明です．各ライブラリのチュートリアルを読んで実際にコードを書いたことがある場合は，それ以上の内容はないです． #ライブラリ 多数のライブラリが公開されていますが，本稿ではchainerとTensorFlowの2つを扱います．将来的には他のライブラリについても追加できればと思っていますが． 以下ではまず各ライブラリの簡単な基本情報だけまとめてみます．速度等の比
tensorFlow : ニューラルネットワークによる回帰(regression) - Qiita
#はじめに 画像の分類やオブジェクト認識などの問題でDNNが注目されていまして，たくさんのサンプルコードが公開されています．これらは分類(classification)の問題ですが，回帰(regression)の問題をDNNで解きたい場面もあると思います．本稿ではtensorFlowとscikit-learnのデータセットを用いて回帰の問題を解いてみようと思います． #データセット scikit-learnの"diabetes"のデータセットを用います．これは糖尿病患者の生理学的な特徴量(10次元, real)と1年後の病状を表すターゲット(1次元, int)をセットにしたデータです．特徴量は$\pm0.2$に正規化されており，ターゲットの値域は$25<y<346$となっています．各特徴量がそれぞれの値が何を意味しているか理解していませんが，とりあえず回してみます．サンプル数は442です．
円周率を計算するコードをTensorFlowで書いてみる - Qiita
本稿の目的 TensorFlow...かっこいい名前ですね．ロゴとかクール・クーラー・クーレストの三拍子です．坂本ですね．ただこのライブラリに限った話ではないと思いますが，少し記述に癖があって個人的に描きづらいというのが第一印象です．そこで，自分へのメモとして，もしくは成長の一環としてここに記事を残してみようと思います． 今回私は初めから Deep な沼に入水するのではなく，勉強の一歩目として TensorFlow を用いて円周率を求めるコードを書きました．記述言語であるpython，TensorFlowともに未熟者ですがどうぞ宜しくお願いします．また，両ツールともに現在勉強中であるために，間違ったことを記述している場合があります．訂正コメントなどでご指摘・ご指導いただけたら幸いです． TensorFlow TensorFlowは機械学習のライブラリです．詳細は公式ページをご覧ください．
TensorFlowによるももクロメンバー顔認識（前編） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 二番煎じ感が半端ないですが、やっちゃったものは仕方ないので書きます。 機械学習やディープラーニングについては全く初心者のソフトウェアエンジニアが、畳込みニューラルネットワークを用いて「ももいろクローバーZ」のメンバーの顔識別を行うアプリを作った話です。 作ったもの ec2上で稼働してます。ただしt2.microなので重いです。 ももクロ画像分類器 http://momomind.kenmaz.net コード https://github.com/kenmaz/momo_mind 背景 私（@kenmaz)は、仕事ではここ数年はiOSアプ
TensorFlowのキーコンセプト: Opノード、セッション、変数 - Qiita
はじめに TensorFlowは、「データフローグラフ」という形で計算を表現し、機械学習をプログラミングします。この形式は、大規模な並列計算を行うのに有用とされています(参考記事)が、スクリプトを上から下に読んで計算を行う普通のプログラミング言語とは考え方が異なるので、はじめは少しとっくきづらさがあります。 そこで、この記事では、TensorFlowのプログラミングで必要になる3つのキーコンセプト Opノード セッション 変数 について簡単に説明します。 データフローグラフとOpノード 「データフローグラフ」はノードといわれる計算ブロックのようなものをエッジといわれる線で繋げたもので、データはノードからノードへ、エッジのつながり方に従って受け渡され、計算が行われます。 似たようなプログラミング手法は、SIMULINKやUnreal Engine4のBlueprintでも見られますね。 Te
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
[TensorFlowで株価予想] 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション - Qiita![[TensorFlowで株価予想] 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/8253f9b23f6242bff040edd3017a02e6109be218/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%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnMzLWFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkZxaWl0YS1pbWFnZS1zdG9yZSUyRjAlMkYzMzcwNCUyRmVjN2NhM2ZlMDkxYWQ0NjAxZWJlYzZhNWJiMWYzOTMwZDNkNWIwNzMlMkZsYXJnZS5wbmclM0YxNjM3MDg3NzY0P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPWQyYWI1MmRlMjNjNTZmYzM3MGUzMTA2Nzg1ODgyNTdi%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D405056e52d61f8ead8149adbc09a89a1%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBha2lyYWFrJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LXBhZD0wJnM9MjZjYzg1ZmM1Y2JiNjUzOTU5MjkyNDJjZDAxMmZjNjc%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3De05bc48efe03eb41d04b05472180e9d5)
TensorFlowのPythonコードの初歩を噛み砕いてみる - Qiita
[TensorFlowで株価予想] 3 - 日本3506銘柄の株価予想ランキング - Qiita![[TensorFlowで株価予想] 3 - 日本3506銘柄の株価予想ランキング - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/125169a04d5fe976a1430e21c7b1bb980614808a/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%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnMzLWFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkZxaWl0YS1pbWFnZS1zdG9yZSUyRjAlMkYzMzcwNCUyRmVjN2NhM2ZlMDkxYWQ0NjAxZWJlYzZhNWJiMWYzOTMwZDNkNWIwNzMlMkZsYXJnZS5wbmclM0YxNjM3MDg3NzY0P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPWQyYWI1MmRlMjNjNTZmYzM3MGUzMTA2Nzg1ODgyNTdi%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D405056e52d61f8ead8149adbc09a89a1%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCVGVuc29yRmxvdyVFMyU4MSVBNyVFNiVBMCVBQSVFNCVCRSVBMSVFNCVCQSU4OCVFNiU4MyVCMyU1RCUyMDMlMjAtJTIwJUU2JTk3JUE1JUU2JTlDJUFDMzUwNiVFOSU4QSU5OCVFNiU5RiU4NCVFMyU4MSVBRSVFNiVBMCVBQSVFNCVCRSVBMSVFNCVCQSU4OCVFNiU4MyVCMyVFMyU4MyVBOSVFMyU4MyVCMyVFMyU4MiVBRCVFMyU4MyVCMyVFMyU4MiVCMCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPWFmNTAzNGI5YjI1NmFlMjQ5MzNjMjhmNjhhYTU2Y2Uy%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBha2lyYWFrJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LXBhZD0wJnM9MjZjYzg1ZmM1Y2JiNjUzOTU5MjkyNDJjZDAxMmZjNjc%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D14a33ee1d0a12bbaf5cda7379a375fa8)
TensorFlowチュートリアル - シーケンス変換モデル（翻訳） - Qiita
