GitHub - tensorflow/deepmath: Experiments towards neural network theorem provingYou signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
tensorlfowで株価予測 - Qiita
tensorlfowに慣れてきたので、株価をdeeplearningで予測してみる 基準日を作り、その過去90日(営業日で)の株価とその30日後の株価を使って、株価が上がる可能性が高い銘柄を出す ３０日後の正解データをその基準に対して、x%上がったか、下がったか、その間にいたかという３択にして、 分類問題として解くことにした。 まずは、隠れ層２つにして、必要な関数を作る import tensorflow as tf import numpy as np sess = tf.InteractiveSession() def inference(x_placeholder,SCORE_SIZE,NUM_HIDDEN1,NUM_OUTPUT,keep_prob): with tf.name_scope('hidden1') as scope: hidden1_weight = tf.Varia
TensorflowでMNISTデータ認識＋CNN(Convolutional Neural Net)＋学習結果セーブ＆ロード - Qiita
はじめに 今回は非力なマシンで学習をしてる途中を保存→再開→再開→...→テストということを想定したTensorflowのセーブ＆ロード機能を簡単にまとめよう。 ＃ fine-tuningするする詐欺中 ＃ 学習後のパタメータの公開とか、過学習の有無を別のマシンで確認するとか。いろいろ応用可能な便利機能。 個別にセッション中のパラメータを保存する方法もあるが、今回は全部保存する方法に限定する。 前述の通り、Tensorflowのセーブ＆ロード機能である。そのため、保存できるのはTensorflowで宣言できるパラメータのみだ。 個人的に必要なパラメータは個人でpklとか使って保存しよう。 なお、参考にしたサイトはここである。 ＃ 同じことでハマったのでとても助かった。 ソース 実行順序は以下の通り。 （１）mnist_CNN_Graph_adhoc_with_saver.py：このソースで
[TensorFlow] Python ⇔ Protocol Buffers ⇔ GPU/分散コンピューティング - Qiita
はじめに ディープラーニングのフレームワークTensorFlowは各種処理をProtocol Buffers経由で外だしすることで、PythonとGPU／分散コンピュータとのスイッチングを減らし、計算を効率化しています。 Protocol Buffersは、Googleの分散コンピューティングを支える技術で、言語非依存、プラットフォーム非依存にデータ構造をシリアライズする仕組みです。現在、C++, C#, GO, Java, Pythonがサポートされています。 TensorFlowは、処理をノードとしてグラフを構築し、一気に計算する仕組みになっています。 グラフの例 以下TensorFlowのグラフがProtocol Buffers形式にシリアライズされる様子を見てみたいと思います。 サンプルプログラム TensorFlowで足し算をしてみます。 初期値０で加算１を３回実行します。 im
![[TensorFlow] Python ⇔ Protocol Buffers ⇔ GPU/分散コンピューティング - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/3f48ed5d137205d5a0069f17ef0f9b9362408fde/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCVGVuc29yRmxvdyU1RCUyMFB5dGhvbiUyMCVFMiU4NyU5NCUyMFByb3RvY29sJTIwQnVmZmVycyUyMCVFMiU4NyU5NCUyMEdQVSUyRiVFNSU4OCU4NiVFNiU5NSVBMyVFMyU4MiVCMyVFMyU4MyVCMyVFMyU4MyU5NCVFMyU4MyVBNSVFMyU4MyVCQyVFMyU4MyU4NiVFMyU4MiVBMyVFMyU4MyVCMyVFMyU4MiVCMCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1jbGlwPWVsbGlwc2lzJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9MzlkZGEzZTIyYzdlY2QwZDM5YTNlNDM1ZTQ1YTUzMjM%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwaGl0b21hdGFnaSZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9MGUwMmMwYzgwMjExM2UxNDQwYzM1MjY5NjA3NDMwOGE%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Def43bb86784b9ead3611923c937842d5)
今度こそ分かるTensorFlow - Qiita
タイトルは釣りですw TensorFlowのMNISTチュートリアル(for Beginner)の解説は数あれど、精度をちょろっと出してお終いで、その学習したモデルを使ってどう予測を行えば良いかを書いている記事が見当たらなかったので記事にしてみます。あと、良い入門記事を見つけたので、それも紹介します。 #はじめに読んでおくと良い記事 こちらの連載を読むとTensorFlowの理解が深まるのでまずは読んでおくことを強くお勧めします。 http://www.buildinsider.net/small/booktensorflow/0001 http://msyksphinz.hatenablog.com/entry/2015/11/19/022254 #TensorFlowのMNISTチュートリアル(for Beginner)の解説 こちらの記事が大変分かりやすいです (丸投げ) http:
Multistyle Pastiche Generator
It’s also possible to measure the distance between embeddings to approximate the distance between different painting styles. If a series of embeddings of the same style image are taken, the distances are all small and similar. For example, the L2 distances for two different (but similar) water lillies paintings by Claude Monet are <25. Likewise, the average L2 distance between different water lill
TensorFlowでキルミーアイコン686枚によるキルミー的アニメ絵分類 - Qiita
（なんでキルミーベイベーってタグがあるんだ…） 前回の投稿で、Ubuntuの環境をつくったので、 TensorFlowのDeep MNIST for Expertsを大体そのまま使ってキルミーベイベーのキャラを判定するコードを書いてみました。 ※TensorFlow公開されたの去年の11月だからもう半年たつんですね… 参考にしたページ 今回使った画像セットは例の686枚です。 http://killmebaby.tv/special_icon.html 全体の方針・キルミーアイコンの分類とかはkill_me_learningの先人である方が書かれたこちらの記事を参考にさせていただきました。 kill_me_learning (4) Labellioを用いたキルミーベイベーアイコン686枚によるキルミーベイベー的画像分類 サンプルネットワークへの画像の変換・入力の方法はこちらを参考にさせてい
TensorFlowを使ってIoTデータを人工知能してみる - Qiita
ここではサンプルのIoTセンサーからのデータを使ってTensorFlowで機械学習し、検知されたセンサーデータからアマチュア/普通/プロの判定をしてみます。 1. TensorFlowを準備します BluemixのDockerコンテナ環境にTensorFlowをインストールするを参照し、Bluemix環境にTensorFlowを準備します 「デプロイ」ステージを構成するステップで、portとして、8888以外に、6006と9000も開けておくようにします 3. Python実行環境にflaskとpandasを入れておきます。flaskはpip istall flaskなどで、pandasはpip install pandasなどでインストール可能です 4. TenserFlowのDockerコンテナのデプロイによりBluemixから提供されるIPアドレスのうち、「パブリックIP」を使用して
tensorflow/tensorflow/tools/docker at master · tensorflow/tensorflow · GitHub
WARNING: THESE IMAGES ARE DEPRECATED. TensorFlow's Dockerfiles are now located in tensorflow/tools/dockerfiles/. However, these Dockerfiles are still used to build TensorFlow's official Docker images while the internal infrastructure for the newer Dockerfiles is being developed. This directory will eventually be removed. Using TensorFlow via Docker This directory contains Dockerfiles to make it ea
AWSのGPUインスタンスでTensorFlowを動かす - Qiita
以下の環境で試したので、インストール時の作業記録を残しておきます。 Mac OS X CPUのみ Amazon web service(AWS) GPUあり なお、TensoFlowはWindowsで動作しません。TensorFlowが採用しているGoogle製のビルドツールBazelが、LinuxとMacのみの対応です。手元にMacかLinuxマシンが無ければ、AWSでUbuntu環境を用意するのが簡単だと思います。 Mac OS X CPUのみで動作するパッケージをインストールしました。最もお手軽です。 スペック MacBook Pro (Retina, 15-inch, Mid 2014) CPU: 2.2 GHz Intel Core i7 メモリ: 16 GB 1600 MHz DDR3 公式ドキュメント通りpipでパッケージを導入。
GitHub - tensorflow/haskell: Haskell bindings for TensorFlow
import Control.Monad (replicateM, replicateM_) import System.Random (randomIO) import Test.HUnit (assertBool) import qualified TensorFlow.Core as TF import qualified TensorFlow.GenOps.Core as TF import qualified TensorFlow.Minimize as TF import qualified TensorFlow.Ops as TF hiding (initializedVariable) import qualified TensorFlow.Variable as TF main :: IO () main = do -- Generate data where `y =
models/slim at master · tensorflow/models · GitHub
README.md TensorFlow-Slim image classification library TF-slim is a new lightweight high-level API of TensorFlow ( tensorflow.contrib.slim ) for defining, training and evaluating complex models. This directory contains code for training and evaluating several widely used Convolutional Neural Network (CNN) image classification models using TF-slim. It contains scripts that will allow you to train m
TensorFlow手書き数字の識別99%のモデルを実際に手書きして試すGUIアプリを作る - Qiita
以下のことについて知りたい人向けの記事。 ①TensorFlowのチュートリアル(Deep MNIST for Experts)を自分の書いた数字で試す方法 ②Windows7だけどLinux(Ubuntu)でTensorFlowの開発をする方法 ーTensorFlowはUbuntuで開発したほうがいろいろ良い点があるなーと思った ・GUI周りがしっかりと作りこまれている ーTensorBoard（グラフの可視化機能）が簡単に使える ーGUIアプリ開発が簡単 ・apt-getで便利なライブラリやツールを簡単にインストールできる ー元々Ubuntuの機能であるだけあってつまづくことが少ない ・Pythonで音を出せる ーこれで音声処理がはかどる ーPyAudioを使う ーWindowのDocker環境で音出すのはあきらめました ーこの機会にWindows7とUbuntuのデュアルブート環境を
2日目 Andrey Vlasovskikh氏基調講演「Pythonのこれから」、注目セッションとLT、そしてクロージングへ | gihyo.jp
PyCon JP 2016カンファレンスレポート 2日目 Andrey Vlasovskikh氏基調講演「Pythonのこれから」、注目セッションとLT、そしてクロージングへ 皆様、こんにちは。PyCon JP メディアチームです。先日公開したカンファレンス1日目の記事はいかがでしたでしょうか？ 本レポートでは、引き続き2日目のキーノートやカンファレンスなどの様子をご紹介します。YouTubeへのリンクがあるTalkもありますので、ぜひご自宅や職場でカンファレンスの様子をご覧ください。 2日目基調講演 『Python3.6紹介 そしてPython3のこれから』― Andrey Vlasovskikh （木村真） トークセッションday2は、オープニング、そしてAndrey Vlasovskikh（アンドレイ・ヴラソフスキ）氏による基調講演「Python3.6紹介 そしてPython3のこれ
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
Error building from source · Issue #5143 · tensorflow/tensorflow
GitHub - lengstrom/fast-style-transfer: TensorFlow CNN for fast style transfer ⚡🖥🎨🖼
tensorflow/tensorflow/tools/docker at r0.11 · tensorflow/tensorflow
TechCrunch | Startup and Technology News
models/README.md at master · tensorflow/models
深層学習フレームワークヒッチハイクガイドVer4.0 - Qiita
