Anaconda不要！ GoogleColaboratoryを使ってMNISTを深層学習と自分がかいた画像を判定させる！ - Qiita
1.初めに 1.1 GoogleColaboratoryはさらっと流してメインはMNISTとGPUのすごさについて解説していきます。 2.GoogleColaboratoryについて 2.1勧める理由 これは神です。(異論認める)なぜそんなに勧めるのかというと、理由は主にしたの三つです。 GoogleDriveと連携しているのでいつでもアクセスできる! 高性能GPUが無料! エラーは調べてくれる! 本当にそのままです。大きいのは二つ目。GPUが使用できればVGG likeもお手の物！すぐに実用化できます。 しかし制約もあるので、詳しくはほかを参考にしてください。 2.2使い方 簡単です。GoogleColaboratoryのサイトにアクセスしてください。 ログインして、ファイル→Python3の新しいノートブックで自動生成されます。自分のGoogleのMyDriveに以下のようなフォルダが
TensorFlowのFashion-MNISTサンプルをCNNで改良してみる - Qiita
先日TensorFlowのチュートリアルにある基本的な分類のサンプルコードを試しましたが、精度はせいぜい90%足らずでそれほど高くはありません。 今回はCNNのモデル作成について調べつつ、Fashion-MNISTの精度改善に取り組んでみました。 Attribution Fashion-MINISTの分類サンプルはTensorFlowのチュートリアルをコピー&改変しています。[1] Portions of this page are modifications based on work created and shared by Google and used according to terms described in the Creative Commons 3.0 Attribution License. 実行環境 今回はGoogle Colaboratoryを実行環境として使用
TensorFlow for C API で CPU で推論を行う - Qiita
漢なら, TensorFlow for C API で推論を極めたいですね! やりましょう! C API は主に言語バインディング用に提供されていますが, 特に CPU で推論だけさせたい場合は, C++ API よりも C API を利用するといろいろ楽になります. 利点 API がわかりやすい C++ だと多数のヘッダファイルを読み込んだり, 各種使える class やメソッド名を調べるのが大変です. 特に TensorFlow の使い始めだと理解するのに時間がかかります. C API はヘッダファイルが一つであり, API もわかりやすくなっています. メモリ管理が明示的 メモリ確保, 解放のタイミングが明示的なのでメモリ管理がわかりやすい. メモリリークが気になる場合は ASAN(Aaddress Sanitizer) などを使えばだいたいトラッキングできます. リンクしやすい C
kerasのpretrained modelをtensorflowで利用する - Qiita
はじめに kerasではVGGなどのpretrained modelを簡単に利用できます。 一方、tensorflowにはpretrained modelが含まれていないため、 ネットワーク定義やweightをどこかから入手してくる必要があり、面倒です。 （TFLearnやTF-Slimには含まれているようですが、tensorflowのラッパーはkerasだけでお腹いっぱいです） そこで本記事では、kerasのpretrained modelをtensorflowで利用してfinetuningする方法を紹介します。 参考ページ http://zachmoshe.com/2017/11/11/use-keras-models-with-tf.html https://github.com/JihongJu/keras-fcn/blob/master/keras_fcn/metrics.py
Watson Studio で YOLO V3 物体検出 - Qiita
Watson Studio の Notebook で YOLO V3 を使って物体検出をしてみたので紹介します。 YOLOは こちら が本家のサイトになりますが、さまざまなディープラーニングのフレームワークにも移植されています。今回は以下のKeras版を参考に、Watson StudioのNotebookでも動かせることを確認しました。 手順 Watson Studioでプロジェクトを作成して、以下リンク先から Notebook を作成します。 https://github.com/schiyoda/YOLOV3-Keras/blob/master/yolov3_keras.ipynb Notebookでは本家のサイトでも公開されている学習済みモデルをKerasで使用できるように変換した上で、物体検出のテストをしています。今回は有名な犬の写真で物体検出できたことが確認できました。 その他の
GAN と親しもう！（機械学習名古屋第１7回勉強会） - Qiita
GANとは GAN GANは「generative adversarial networks」の略 日本語だと敵対的生成ネットワークという意味（adversarial=敵対的） その一種のDCGANでブレーク（以下DCGANベースで説明） 生成モデル 出力が画像等になるモデル DCGANでは、乱数を入力すると画像が生成される 敵対的とは 生成するネットワークと品評するネットワークを切磋琢磨させながら訓練 生成するネットワーク・・・Generator 品評するネットワーク・・・Discriminator と呼ばれる（モデルによっては別の名も） Discriminatorは、画像がデータセットに含まれる画像なのか生成した画像かを分類 DCGANの訓練の登場人物 訓練データセット・・・画像データセット 生成される画像・・・訓練データセットにありそうな画像 Generatorの入力・・・ランダムな
オレオレ機械学習ライブラリ構想（機械学習名古屋第１7回勉強会） - Qiita
自己紹介・近況 名前: 中西克典 所属: 有限会社 来栖川電算 twitter: @n_kats_ 最近、Oculus Goを買って、OculusRoomとかでVR会議とか夢見るも、する相手がいない問題等で挫折 話すこと 機械学習の開発 オレオレライブラリでしたいこと 最近何をしているか 面白いモデルを思いついた、試そう → あ、ここ一般化してライブラリ化しとこ → 新しいこと思いついた（元の奴、試してないやつ） で、そのライブラリ化しているものは、 https://github.com/n-kats/mlbase こんなことしている中で何を思っているかの話をします 機械学習で困るところ 世の中に手法がたくさんあって試しきれない パラメータをいじっているうちにもとに戻せなくなった 色々作っているうちにカオスに というか、機械学習のアルゴリズムに関係ないところに時間がかかる・・・ 機械学習の
Sympyで包絡線を解いてmatplotlibで可視化 - Qiita
環境 Windows 7 Anaconda 4.3.34 python 3.6.4 何の話か 直線群の包絡線の曲線をSympyを使って求め、matplotlibを使って可視化してみたPythonコードを、自分語りに交えて紹介します。 導入 多湖 輝氏のシリーズに「頭の体操」というものがあります。なるほど面白い問題からなぞなぞ、ただの屁理屈まで幅広いひねった問題があったように思います。 例：問「先に家を出て東に向かった兄を追って弟が家を出たが、弟は西に向かった、何故か」答「自転車がある駐車場が西にあるから」 僕が子供のころ父が買っていて読んでいたのですが、そんななかふと気になる問題がありました。 ちょっと具体的な文は忘れたのですが、要約すると 「定規だけ（つまり直線だけ）で円を描け」 というものでした。答えは 正方形を用意し、各辺を細かく等分したメモリを打つ 左下にP、右下にQを置く PとQ
Seabornで相関係数行列を書こう - Qiita
初投稿です。お手柔らかにお願いします！ 今日は、kaggleのタイタニックでとあるkernelsを読んでいたところ、 Seabornというライブラリを使った、相関係数行列の作成があったので詳しく見ていきたいと思います。 参考: https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python 環境：kaggleのkernel(仮想環境） 相関係数行列、書けると何が嬉しいの？ 機械学習において余計なパラメータは計算リソースが増える・過学習の可能性が増えるので、 減らしたいものです。 相関が強い二つパラメータは、片方のパラメータで説明できてしまうので、 必要が薄いのです。 相関係数行列を表示すると、パラメータ毎の相関が一発でわかるので、 パラメータ選定の助けになります。 seabornとは？ seabo
ド素人がTensorFlowでFXのチャート予測#1 -開発環境構築- - Qiita
はじめに ド素人が、FXで勝ちたいがためにディープラーニングを勉強し、AIにチャート予測させようという無謀な試みです。 筆者には、プログラミングとFX自動売買を少しかじった程度の知識しかありません。 何を勉強すればいいのかすら分からないところからスタートです。 ゴールは、FXで安定して勝てる自動売買プログラムを作ること！ そして仕事を辞めて悠々自適に暮らすのだ。 本記事の内容 スタート地点がどこか（筆者の現在の知識等）を簡単に説明した後、開発環境を構築するところまで。 筆者の現状 作業環境 OS：Windows10 エディタ：Visual Studio Code 1.27.1 Python3.6（Anaconda3-5.2使用） TensorFlow 1.10.0 プログラミングの知識 java…入門書を数冊読んだ程度。オブジェクト指向がなんとなく分かる。（オブジェクティブなプログラミング
Ubuntu 16.04 LTS インストール, CUDA, TensorFlow, Docker 等のセットアップ 20180913版 - Qiita
概要 Ubuntu 16.04 LTS 日本語環境 開発環境(Python, TensorFlow, Docker 等) GPU(CUDA, cuDNN) 主にサーバとして使う(ssh で別マシンから接続) たまにデスクトップとしても使う 20180913 時点 という用途でのセットアップのメモです. 16.04 or 18.04? 20180913 時点では, CUDA が公式で対応しているのは Ubuntu 17.10 まで (でも 17.10 用を 18.04 にインストールすることは可能だそうです) TensorFlow のバイナリを使うなら CUDA 9.0 でないといけない (9.2 を使うには TensorFlow をソースからコンパイルする必要がある) ということから当面 TensorFlow を使うには 16.04 でよさそう. 20180922 追記: Ubuntu 1
転移学習で猫の品種を当ててみる - Qiita
実家で雑種の兄弟猫たちを飼っています。 その２匹が全然似ていないので、「ねこ品種判定AI」LINEbotをつくって品種割合を推定してみることにしました。 ねこ画像をLINE画面で送ると、構成される品種の割合が返される仕様です。 第二の目的として、Tensolflowの転移学習モデルInception-v3を試してみたかったというのもあります。 では早速実装の手順を解説していきます。 結果だけ知りたい人は、スクロールして最後の章へ... システム構成 システム構成は簡単に書くとこんな感じ。 学習モデルをherokuサーバに置いて、WebhookでLINEbotから呼び出します。 使用したデータセット 画像を集める手段はいくつかありますが、スクレイピングは枚数の制限等が面倒で、オックスフォード大が公開しているデータセットを使いました。 （http://www.robots.ox.ac.uk/~
AndroidでTensorFlowを使ってアプリ作りたいけど何すりゃいいの(後編・DeepLab用独自データの作成と学習) - Qiita
概要 当記事では前編に引き続き、画像上の物体識別モデル"DeepLab"をAndroid上で利用する手順を軸に、Android上でのTensolFlowの利用法を説明しています(と言いつつあまり説明していない)。 Android向けのコード自体に関しては前編を参照してください。 当記事は次のポイントにスコープしています: 独自データセットの用意、学習 学習パラメータが結果に与える影響 結果から推測されるDeepLabの動作 タイトルとはうらはらに、内容的にはAndroidでの実装とはあまり関係ない記事となっています。 サブタイトルをつけるなら「DeepLab用独自データの作成と学習」といったところです。 …わかりやすいようにタイトルに付けときました。 前編のあらすじ 写真の車のナンバーを機械学習でぼかしたい DeepLabでナンバー領域を抽出できそう Android上で動かせた ナンバープ
画像のヒストグラムを表示する - Qiita
Pythonでグレースケール画像のヒストグラムを表示する方法。 PIL(Pillow), numpy, matplotlibはインストール済みの前提。 実際に表示させた結果 単にヒストグラムだけ表示すると分かりづらいので、ヒストグラムの上に画像も表示させる。 コード # -*- coding:utf-8 -*- from PIL import Image import numpy as np import matplotlib.pyplot as plt # 画像の読み込み & グレースケールに変換 img = Image.open('適当な画像ファイル').convert('L') # 上段の画像の表示設定 plt.subplot(2, 1, 1) # 引数はそれぞれ、全体の行数、全体の列数、設定対象のIndex a = np.array(img) plt.imshow(a) plt.g
AIにりんごを描いてもらった - Qiita
AIにりんごを描いてもらった こんな感じ 生成結果(64x64 png) 途中結果 ite0 ite20 ite100 ite200 ite300 ite400 ite500 背景 最近GAN（Generative Adversarial Network）で、いろんな画像を自動生成したり、ポスターも生成するなどの記事はたくさん目に入る。 どこまで出来るかを試してみたかった。 実現の仕方 こちら数字画像生成のgithubソースを参考し、改造した。 [2] わかったこと Convolution Networkの方は、Full Connected Networkより、生成した画像がスムーズ。 Full Connected Networkの場合は、どうしても雑音が入る。 通常のGANはハイパーパラメータに敏感。収束しないことがある。より安定性のあるDRAGANなどは今後試すべき。 Usage gi
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
Colaboratoryでmatplotlibの日本語表示 - Qiita
TensorFlow内部構造解析 (2.1) Python層におけるグラフ構築 - Qiita
JetsonTX2にTensorFlowをインストール - Qiita
tf.slice()の使い方 - Qiita
もうちょっと頑張って、佐藤健と亀梨和也を人よりも賢く見分けたい - Qiita
