Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

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
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
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/~
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
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
VGG16をFine-tuningする際に初めて作られる方も多いと思いますが 出力層の書き方が2種類あったりして分かりづらかったので 対で書きてみました ※functionalで出力層を書いたのはこちらから 参考のスクリプトは VGG16をFine-tuningして5クラス分類するモデルを想定しています 動作概略 1)出力層なしのVGG16のモデルを読込 2)新しい出力層を作成 3)上記2個のモデルを接続 動作確認環境 python3.6.6 Tensorflow:1.10.0 Keras:2.2.2 参考スクリプト # import from keras.models import Model, Sequential from keras.layers import Activation, Dense, Flatten from keras.applications.vgg16 impo
VGG16をFine-tuningする際に初めて作られる方も多いと思いますが 出力層の書き方が2種類あったりして分かりづらかったので 対で書きてみました ※Sequentialで出力層を書いたのはこちらから 参考のスクリプトは VGG16をFine-tuningして5クラス分類するモデルを想定しています 動作概略 1)出力層なしのVGG16のモデルを読込 2)新しい出力層を作成 3)上記2個のモデルを接続 動作確認環境 python3.6.6 Tensorflow:1.10.0 Keras:2.2.2 参考スクリプト # import from keras.models import Model, Sequential from keras.layers import Activation, Dense, Flatten from keras.applications.vgg16 impo
--------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-81-6aa9bc4246b0> in <module>() 1 model = keras.Sequential() 2 model.add(keras.layers.Dense(8, input_shape=(10, 16))) ----> 3 model.add(Dense(32)) 4 model.summary() ~/tensorflow/venv/local/lib/python3.6/site-packages/tensorflow/python/training/checkpointable/base.py
はじめに Tensorflowで転移学習させたモデルを保存し、再度それを読み込んで処理した時に諸々問題が発生した。 半日ほどハマったので、備忘録を兼ねてメモ。 問題の状況 1 tensorflow.train.saver.restore()を使って学習済みモデルを読み込んだ。この際に再学習させるモデルは若干変えたため、以下のように一部のパラメータだけを読み込んだ。 sess = tf.Session() ...... all_vars = tf.all_variables() ...... sess.run(tf.global_variables_initializer()) ...... var_to_restore = [] for num, var1 in enumerate(all_vars): _, deter, _ = var1.name.split('/', 2) if de
# coding: utf-8 from __future__ import absolute_import from __future__ import division from __future__ import print_function import MeCab import math import os import random import sys import time import tensorflow.python.platform import numpy as np from six.moves import xrange import tensorflow as tf import data_utils from tensorflow.models.rnn.translate import seq2seq_model from tensorflow.pytho
流れとしてはこんな感じで調べていく。 引数として指定できるパラメータの種類 実行時の処理の流れ 別の学習則(?単語があっているか不明)に切り替える方法 引数として指定できるパラメータの種類 まずは引数から。 agent_nameで学習エージェントの指定をしているらしい。今は dqn [rainbow](Hessel et al., Rainbow: Combining Improvements in Deep Reinforcement Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 2018.) implicit_quantile(これはまだ論文がどれか見つかってないです。) が実装済みの模様。 実装を見にいくと、コメントの行数が非常に多いので面倒に見えるかもしれないが、 実際のコードはそこ
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
処理を実行中です
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