Amazon.co.jp: 物体検出とGAN、オートエンコーダー、画像処理入門 PyTorch/TensorFlow2による発展的・実装ディープラーニング: チーム・カルポ: 本
What-If Tool
Visually probe the behavior of trained machine learning models, with minimal coding. A key challenge in developing and deploying responsible Machine Learning (ML) systems is understanding their performance across a wide range of inputs. Using WIT, you can test performance in hypothetical situations, analyze the importance of different data features, and visualize model behavior across multiple mod
Entity Embeddings を使ってタイタニック号生存者を予測する深層学習モデルを作る - Qiita
Entity Embeddingsという深層学習の手法があります。深層学習がよく使われる画像分析や音声分析などのデータとは違う、カテゴリ変数や順序変数の特徴量を学習する時に使います。 Entity Embeddingsが広く知られるようになったきっかけは、KaggleのRossmann Store Salesコンペでした。１位と２位のチームがドメイン知識をフル活用したアプローチをしたのに対し、この手法を活用したチームはドメイン知識の無い中なんと３位に入賞しました。コンペの説明と、使われた手法については、３位のNeokami Incのインタビュー記事、使われたソースコード、コンペ後に発表した手法に関する論文などで学ぶことができます。 タイタニック号生存者予測コンペのサンプルデータに対し、このEntity Embeddingsを実装するにはどうすれば良いのでしょうか。 0. 環境構築 環境構築
TensorBoard: Embedding Visualization
Deploy ML on mobile, microcontrollers and other edge devices
直感 Deep Learning
直感的かつ短いコードでアイデアを形にできるKerasはTensorFlowのラッパーとして大人気のライブラリです。本書でもTensorFlowをバックエンドとして使用し、自然言語処理、画像識別、画像生成、音声合成、テキスト生成、強化学習、AIゲームプレイなどさまざまなモデルをPythonとKerasで実装します。対象読者は、各種のディープラーニングを素早く実装したいプログラマー、データサイエンティスト。ディープラーニングを支える技術の速習にも好適です。数式はなるべく使わずにコードと図で説明します。ニューラルネットワークおよびPython 3の基本を理解している人であれば誰でも始めることができます。 目次 訳者まえがき まえがき 1章 ニューラルネットワークの基礎 1.1 パーセプトロン 1.1.1 最初のKerasのコードの例 1.2 多層パーセプトロン：最初のネットワークの例 1.2.1
FizzBuzz Zero ―― 人類の知識なしでFizzBuzzをマスターする
プログラム問題としてあまりにも有名になってしまったので、今ではあらゆる言語のFizzBuzzがそろっています。面白いですね。 深層学習 で FizzBuzz この記事の読まれている大半の方は、FizzBuzzを書くのにあまり苦労しないでしょう。 しかし、あなたが何かの拍子でプログラムの書き方を忘れてしまったらどうでしょう？ 心配する必要はありません。そういうときこそAIの出番です。 最近は空前の人工知能ブームで、猫も杓子もDeep Learningです。 実際、Deep LearningによるFizzBuzzは、いくつも先例があります。 Fizz Buzz in Tensorflow TensorFlowコトハジメ Fizz-Buzz問題 Kerasでfizzbuzz問題を解いてみる 実装方法にはバリエーションがありますが、基本的には 入力は直前の数値 or 文字列 出力は「数値」「Fiz
実践 Deep Learning
2000年代にニューラルネットワークの研究が再び活発になりました。現在、ディープラーニングは近代的な機械学習の道を切り開いている非常に活発な研究領域となっています。Google、Microsoft、Facebookなどの企業では、社内のディープラーニングチームが急成長しています。しかし、多くの人にとってディープラーニングはまだまだとても複雑で困難な課題です。本書ではサンプルのPython 3プログラムと簡潔な説明を通してこの複雑な分野の主要な概念を紹介します。微積分、行列演算、Pythonの基礎があれば誰でも本書を始めることができます。 監訳者まえがき まえがき 1章 ニューラルネットワーク 1.1 知的な機械を作るということ 1.2 従来のプログラムの限界 1.3 機械学習のしくみ 1.4 ニューロン 1.5 線形パーセプトロンをニューロンとして表現する 1.6 フィードフォワードニュー
コピペから脱却して自由に Deep Learning するための TensorFlow 再入門 - Qiita
はじめに TensorFlow はなかなかとっつきにくい部分があるかと思います。書き方が独特なので、慣れるまでに時間がかかるかと思います。公式の MNIST は一通りやったけど、自分で考えたディープニューラルネットワーク (DNN) をどう書いたらいいかわからない……なんてこともあるのではないでしょうか。 この記事では、シンプルな問題を題材にして、 TensorFlow をコピペに頼らず、自分の書きたい DNN を 低レベル API を使ってどのように書くかを最小構成で説明していきます（今さら感はありますが。。）。ベースは公式ドキュメントの Low Level APIs のあたり です。 内容としては： TensorFlow の最小構成要素 TensorFlow で線形関数のフィッティング TensorFlow で DNN を実装 のようになっています。また、以下のような方を対象としており
怠け者のためのディープラーニング入門 - イントロ
目次 イントロ ← 今ココ Scikit-learn・Keras モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping) 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 はじめに 大学3年生のとき、小林雅一『AIの衝撃 人工知能は人類の敵か』という本をなんのきなし読んだことがあります。その本の中で「最先端のAIを実装できるのは世界でも50人くらいの研究者・大学院生くらいだ」といった文章を読み、なんだかすごそうという動機で機械学習に触れ始めました。そのころちょうど、TensorFlow 0.0.5が公開されて騒がれていたことを覚えていますが、当時ディープラーニングとは何かすらまったく分かりませんでした。それから約2年の月日が経ちますが、TensorFlowをはじめとしたフレームワークの普及もあってか「最先端のAI」というものを研究し実装
Unity上でTensorFlowのCNNを動かす。 - Qiita
Unity上でTensorFlowのCNNを動かす。 この記事でTensorFLowSharpは導入済みであると仮定している. ここを記事を見て、手持ちの環境に合わせてTensorFlowSharpをビルドしておく。 unityの導入 文法的にC#6でないと動かないと所があるので、ここからから最新版(Unity 2017.1以上)を落としておく。 https://store.unity.com/download?ref=personal プロジェクトの作成及び準備 プロジェクトを作成後は、Assetsの下にDllsというフォルダを作り、TensorFlowSharp\TensorFlowSharp\bin\Debug の下のTensorFlowSharp.dllとSystem.ValueTuple.dllをコピーしておく。 Scripting Runtime VersionをExperie
Benchmarking CNTK on Keras: is it Better at Deep Learning than TensorFlow?
Benchmarking CNTK on Keras: is it Better at Deep Learning than TensorFlow? June 12, 2017 - Keras is a high-level open-source framework for deep learning, maintained by François Chollet, that abstracts the massive amounts of configuration and matrix algebra needed to build production-quality deep learning models. The Keras API abstracts a lower-level deep learning framework like Theano or Google’s
Google、深層学習フレームワーク「TensorFlow 1.0」を発表 | OSDN Magazine
Googleは2月15日、オープンソースの深層学習フレームワーク「TensorFlow 1.0」公開を発表した。高速化や柔軟性の強化、安定性の強化などが行われている。 TensorFlowは深層学習（ディープラーニング）向けの機械学習ライブラリで、Google Brain Teamが20015年にオープンソースで公開した。Dropbpx、Airbnb、Snapchat、SAPなど多くの企業や組織で利用されており、Googleによると公開から1年以上でここから派生した6000件以上のオープンソースリポジトリが存在するという。Google内部でもGoogle Translateの改善など様々なプロジェクトに使われているとのこと。 TensorFlow 1.0ではPython APIが安定扱いとなり、今後のマイナーアップデートリリースでも互換性が保証されるようになった。これによって今まで以上に運
TensorflowのFaster RCNN実装を試す - Qiita
デモが動かない 画像の物体検出をして、赤枠で囲って表示するというデモが準備されています ここにデモを動かす手順があります しかし、この通りにやっても、訓練済みモデルファイルとソースのネットワーク構成がずれているようなエラーが出ます なんらかのバージョン問題なんだと思いますが、よくわからないのであきらめました そもそもこのFaster RCNN実装が想定しているTensorflowのバージョンがいくつなのか不明だし・・・ 自分でモデルをトレーニングする 仕方がないので自力でモデルをトレーニングして、それでデモを動かすことにしました。 画像データのダウンロード README通りに入手＆解凍＆配置 # wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar # wget http://host
TensorFlowで畳み込みLSTMを用いた動画のフレーム予測 - Qiita
この記事は、TensorFlow Advent Calendar 2016の18日目の記事です。 もともとはPredNetを実装しようと思ってConvLSTMを実装していたのですが、これ単体でも動画のフレーム予測ができるのでせっかくなので試してみようと思ってこの記事を書きました。 この前のTensorFlow UserGroupのイベント「NN論文を肴に飲む会」でも発表させていただきましたので、元となる論文の概要などが気になる方はこちらのスライドをご覧ください。 Convolutional LSTM(畳み込みLSTM) 名前からしてどんなものなのかという想像は簡単につくと思います。従来のLSTMでは時間遷移する状態は（バッチサイズ, 中間層のユニット数）の2階テンソルでしたが、それが(バッチサイズ,縦,横,チャンネル数)の4階テンソルになったものです。その際、扱う状態が画像情報なので、従来
TensorFlow (ディープラーニング)で為替(FX)の予測をしてみる - Qiita
今回は以下の論文を参考に、過去の値動きの変動量を学習させてみます。 終値の変動値を特徴量として、次に上がるか or 下がるかを予測する2クラス問題です。 Artificial neural networks approach to the forecast of stock market price movements (精度が平均8割もあるけど…ホントかなぁ） ヒストリカルデータの取得 フリーでデータをダウンロードできるところはたくさんありますが、細かい時間単位（５分足とか１分足）になると数が限られます。有名どころだと FXDD OANDA (API) Dukascopy この辺りでしょうか。ただ注意しなければならないのは、どこでダウンロードしても同じデータであるとは限らない点です。 な… 何を言っているのか わからねーと思うが、俺も何をされたのかわからなかった……… 恐ろしいものの片鱗
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
Keras documentation: Optimizers
tf.keras.layers.Embedding | TensorFlow v2.16.1
GitHub - tensorflow/tfjs-core: WebGL-accelerated ML // linear algebra // automatic differentiation for JavaScript.
長野ディープラーニングハンズオン (2017/05/20 10:00〜)
Stanford University: Tensorflow for Deep Learning Research