CNNのボトルネック層（1x1畳み込み）による計算効率向上を理解する - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 「1x1畳み込みを使うと計算効率がよくなるよ」という話は聞いたことあっても、具体的にどれだけ良くなるのかを理論的に議論されることはあまり多くないように思います。自分の理解も含めて、一度これをちゃんと整理したいと思います。少し数式多めですがご勘弁ください。 実験のコードはこちらにあります。 https://github.com/koshian2/Inception-bottleneck Summary 入力チャンネルがc, 出力がf, $c=\beta f$で、ボトルネックでのチャンネル圧縮が$\frac{f}{\alpha}$のとき、ボ
kerasでtrainとvalidationのTensorboardの出力を分ける - Qiita
これなーに keras便利ですよね〜 モデル作って、精度のカーブをtensorboardで確認っと・・・ trainとvalが別れてグラフにプロットされてて、ちょっと見づらい。。 特にoverfitなどを確認する時は、trainとvalのグラフの精度のカーブを一緒に見たくなるので、できたら一緒にみたい！ ということで、下みたいに一緒に見れるようにするtipsです。 やり方 以下のclassを作って、model.fitをする時の引数にcallbacks=[TrainValTensorBoard(write_graph=False)]を指定してあげる。 class TrainValTensorBoard(keras.callbacks.TensorBoard): def __init__(self, log_dir='../saved/', **kwargs): # Make the orig
dockerで機械学習 anaconda編 直感Deep Learning第1章
(base) root@b789c278e622:/deep-learning-with-keras-ja/ch01# python keras_MINST_V1.py /opt/conda/lib/python3.6/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`. from ._conv import register_converters as _register_converters Using TensorF
Watson Studio で YOLO V3 カスタム物体検出 - Qiita
前回の記事ではYOLO V3のKeras版をWatson Studioで動かして、学習済みモデルを使用した物体検出をやってみました。今回はこのモデルを自前の画像で学習させて任意のモノを検出するカスタム物体検出に挑戦します。大きな流れとしては以下のようになります。 教師データの作成 検出したい物体をアノテーションツールで学習させて教師データを作成します YOLOモデルの学習 Watson StudioのDLaaS(Deep Learning as a Service)機能を使ってYOLOモデルを学習します 物体検出 作成したモデルを使ってカスタム物体検出を実行します 今回も学習のためのコードは以下のものを参考にしています。 https://github.com/experiencor/keras-yolo3 1. 教師データの作成 今回は以下のような「IBM Watson」のアバターを新旧の
Keras、NVIDIA等の環境構築をAnsibleで自動構築 - Qiita
はじめに AWS EC2、オンプレ環境でKerasの環境構築を繰り返しています。 マシンが10〜100台となる計画があり、Ansibleで自動構築をしました。 Install TensorFlow on UbuntuのTensorFlow GPU supportを参考にしています。 自動構築の概要 hostsのIPアドレスを修正して、ansible-playbookで自動構築できます!!! 一応、流れを把握して頂いた後、自動実行して頂ければと思います 前提 Ansibleの基本的な解説はしません Ubuntu Server 16.04 LTS Python3 Tesla K80 解説 NVIDIAドライバ 384.x or higherが要求条件です Ubuntu Server 16.04 LTSのnvidia-384を利用します CUDA CUDA 9.0が要求条件です cuda-cub
最良のモデルを保存する（ModelCheckpointの使い方） - Qiita
Epoch数が少ないと学習が足りず、多すぎると過学習になりますが なんか自動で止める方法はないものだろうか・・・と調べると 灯台下暗し本家にありました 何ができるのか Epoch終了後の各数値（acc,loss,val_acc,val_loss)を監視して条件が揃った場合モデルを保存します 例えば下記の使い方の設定方法を設定し学習を行うと「Val_loss」を監視します 1Epoch終了後に「保存されている重みの「Val_loss」＞学習後の「Val_loss」」 の場合の時だけモデル全体を保存します これにより適当にEpochを決めて過学習となってしまった場合でも モデルファイルはそれ以前の「Val_loss」が最小の時のモデルファイルが 保存されるのでやり直しがなくて便利です 確認環境 python3.6.6 Tensorflow:1.10.0 Keras：2.2.2 使い方 直接mo
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
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
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
Deploying Keras Deep Learning Models with Flask
【kerasの使い手必見】複数モデルを学習させるシステム作りました。
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask
Deploying Keras Deep Learning Models with Flask