RNN(LSTM)でのネットワーク構成・データセット作成・学習方法 まとめ - Qiita
はじめに この夏にRNNと，経路計画，強化学習の基礎知識を一通り身に着けることを目標にしています！のでその一環です 参考にした本 ゼロから作るDeep Learning ❷ ―自然言語処理編 斎藤 康毅 オライリージャパン ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装 斎藤 康毅 オライリージャパン 詳解 ディープラーニング ~TensorFlow・Kerasによる時系列データ処理~ 巣籠 悠輔 マイナビ出版 今回のプログラム https://github.com/Shunichi09/RNN_practice/tree/master/trying 本記事の概要 RNNにおけるデータセットの作成方法についてまとめました また，基本的なRNNを理解するために，よくあるsin波の予測を行うプログラムを書いてみました ただ，フルスクラッチで書いてます
Tri-training Domain Adaptation の実装に関するメモ - Qiita
images_train = mnist.train.images labels_train = mnist.train.labels images_test = mnist.test.images labels_test = mnist.test.labels import skimage.transform # for train data indices = np.random.choice(55000, 10000, replace = False) images_train_0 = images_train[indices] images_train_0_2d = np.reshape(images_train_0, (-1, 28, 28)) labels_train_0 = labels_train[indices] #images_train_flip_2d = image
TensorFlow 処理によってCPUとGPUを切り替える方法 - Qiita
背景 TensorFlow GPU版の評価環境において、tf.truncated_normal()を用いて、大量の乱数データ生成を試みるとエラーになることがわかった。 他の処理においても、GPU環境でのみエラーが多発し、ハードウェア的な制約が原因の可能性も考えられ、すぐに解決することが難しいと感じた。 気軽にGPU資源を活用するために、処理によってCPUとGPUを使い分ける必要があると感じ、その方法を調査した。 環境 iMac14,2 Intel Core i7 3.5 GHz プロセッサー数: 1 コア数: 4 システムメモリ: 8 GB NVIDIA GeForce GTX 775M VRAM: 2048 MB TensorFlow 1.10.0 (GPUを利用設定でソースからコンパイル) データ処理の設計について ドライブ、システムメモリ、VRAMで容量が異なり、各デバイスの長所を活
Adversarial Discriminative Domain Adaptation (ADDA) の実装に関するメモ - Qiita
Adversarial Discriminative Domain Adaptation (ADDA) の実装に関するメモMachineLearningDeepLearningTensorFlowGANDomain-Adaptation images_train = mnist.train.images labels_train = mnist.train.labels images_test = mnist.test.images labels_test = mnist.test.labels import skimage.transform # for train data indices = np.random.choice(55000, 10000, replace = False) images_train_0 = images_train[indices] images_tra
論文まとめ：TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation - Qiita
論文まとめ：TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image SegmentationDeepLearningCNNTensorFlowUnetSemanticSegmentation はじめに KaggleのCarvana Image Masking Challengeで１位を取ったモデル：TernausNet の論文をまとめてみた。 [1] V. Iglovikov, et. al. "TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation" arXiv：https://arxiv.org/abs/1801.05746 著者らのGithubコードは公開されている。 https://gi
Maximum Classifier Discrepancy Domain Adaptation (MCD-DA) の実装に関するメモ - Qiita
Maximum Classifier Discrepancy Domain Adaptation (MCD-DA) の実装に関するメモMachineLearningDeepLearningTensorFlowTransferLearningDomain-Adaptation images_train = mnist.train.images labels_train = mnist.train.labels images_test = mnist.test.images labels_test = mnist.test.labels import skimage.transform # for train data indices = np.random.choice(55000, 10000, replace = False) images_train_0 = images_train[
CustomVisionでエクスポートしたモデルをAndroidスマホで動かす - Qiita
はじめに AzureのCustomVisionServiceでは、トレーニングしたモデルをエクスポートすることができます。このモデルをAndroideスマホで動かせるのか試してみましたっというメモです。 モデル作成 詳細は割愛しますが、CustomVisionServiceで画像をアップロードし、ラベルづけを行い、トレーニングしました。 モデルが出来上がったら、「Performance」の「Export」でTF(Android)を選択し、モデルをダウンロードしました。zipファイルの中にラベルが記載されたテキストファイルと拡張子がpbのモデルが入っています。 Azureサンプルを使ってみる 以下の記事を拝見したので、Androidでもてっきり簡単にできるものだと思っていました。 「Custom Vision Serviceを使ってお花判定カメラアプリを作る」 https://blog.ne
Cross-Gradient (CrossGrad) Training の実装に関するメモ - Qiita
images_train = mnist.train.images labels_train = mnist.train.labels images_test = mnist.test.images labels_test = mnist.test.labels import skimage.transform # for train data indices = np.random.choice(55000, 10000, replace = False) images_train_0 = images_train[indices] images_train_0_2d = np.reshape(images_train_0, (-1, 28, 28)) labels_train_0 = labels_train[indices] #images_train_flip_2d = image
5916
--------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-76-52ca495a8e09> in <module>() ----> 1 model, layer_dict, classifier_sizes = load_model('./model_0.h5') /Users/pierluigiferrari/anaconda/envs/carnd-term1/lib/python3.5/site-packages/keras/models.py in load_model(filepath, custom_objects) 258 metrics=metrics, 259 l
Autonomous cars for the rest of us
Everything you need to build your own self driving platform for small scale cars with RaspberryPi, Python and deep learning frameworks like PyTorch and TensorFlow How to get involved: • Join us on the Donkeycar Discord channel or Discourse forum • Build a Donkeycar using RaspberryPi and neural networks • Attend our San Francisco Bay Area race/hack days • Join one of the dozens of other Meetup grou
R Interface to Keras
Keras is a high-level neural networks API developed with a focus on enabling fast experimentation. Being able to go from idea to result with the least possible delay is key to doing good research. Keras has the following key features: Allows the same code to run on CPU or on GPU, seamlessly. User-friendly API which makes it easy to quickly prototype deep learning models. Built-in support for convo
Deploying Keras Deep Learning Models with Flask
The examples covered in this post will serve as a template/starting point for building your own deep learning APIs … Some of the issues that I’ll cover include handling a custom metric when using model persistence with Keras, dealing with multi-threading concerns when using Keras in combination with Flask, and getting it all running on an EC2 instance. The complete code listing for this post is av
グーグルの機械学習フレームワーク「TensorFlow」が「Raspberry Pi」を正式にサポート
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます シングルボードのコンピュータ「Raspberry Pi」で、Googleの機械学習フレームワーク「TensorFlow」を利用するのがますます簡単になりそうだ。 開発者はすでに、Raspberry PiでTensorFlowをさまざまに活用し、深層学習モデルを追加して、画像分類などを行うことが可能だった。 TensorFlowは「Linux」「Windows」「Android」「macOS」「iOS」でも利用できるが、35ドルのRaspberry Piよりも安く利用できるハードウェアはないだろう。 しかし、TensorFlowモバイル・組み込みチーム責任者であるソフトウェアエンジニアのPete Warden氏が指摘するように、従来はTe
AutoKeras: The Killer of Google’s AutoML
Google AI has finally released the beta version of AutoML, a service that some are saying will change the way we do deep learning entirely. Google’s AutoML is a new cloud software suite of Machine Learning tools. It’s based on Google’s state-of-the-art research in image recognition called Neural Architecture Search (NAS). NAS is basically an algorithm that, given your specific dataset, searches fo
機械学習知識ゼロの囲碁キチが3か月で囲碁AIを作った話 ～概要編～ - Qiita
Qiitaはすごい人が多くて見る専でしたが、囲碁分野なら書けることがあるんじゃないかと思い、初めて投稿します。よろしくお願いします！ プロフィールはユーザーページに書いてあるので割愛。 ※囲碁AIを作る方法については次回の導入編から解説するので「早く囲碁AIを作り始めたいんじゃ～！」という人は飛ばしてOKです。 前置き 当記事は、「Python？TensorFlow？なんやねんそれ！でも囲碁AIは作ってみたい！」という機械学習について無知だった囲碁キチの僕が、自分の棋譜データ5360局分を学習させ、出来上がったAIをネット碁で動かすことに成功するまでの3か月間で得た知見をまとめたものです。 えっ？機械学習素人が3か月で囲碁AIなんて作れるわけがない？ ...バレてしまっては仕方がないですね。実はPythonもTensorFlowもほとんど分かりません。 では何故、囲碁AIを作ることができた
TensorFlow内部構造解析 - Qiita
TensorFlowはGoogleが開発した機械学習/深層学習のライブラリで、GitHubにオープンソースソフトウェアとして公開されています。TensorFlowという名は、機械学習/深層学習にメインに携わっている人でなくても、その名前知っている方は多いかと思います。 TensorFlowはドキュメントやサンプルが充実していることから、TensorFlowを使うだけであれば、情報不足により困ることはほとんどありません。しかし、TensorFlowの内部構造を説明した資料は非常に少なく、TensorFlowの内部を理解するためにはソースコードを読む必要があります。 そこで、TensorFlowの内部構造を説明する記事を、連載で書きたいと思います。 現状書こうと考えている記事は以下の通りですが、執筆を進める中で構成の変更や記事の追加も考えたいと思います。 データ構造 Protocol Buff
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
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でCNNしたった - Qiita
直感 Deep Learning | 10001 ideas
GitHub - daigo0927/WGAN_GP: Keras model and tensorflow optimization of 'improved Training of Wasserstein GANs'
