物体検出（ssd）で顔のきりとりを自動化したい。自分が用意した画像と自分の決めたCLASSで学習する - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 顔の識別、検索をしたいがデータを集めて切り取りする作業があまりにも鬼畜な作業なので自動化したくて頑張ってみる。 open cv では傾いた顔を認識しない、顔じゃないものを顔と認識するなどなどイマイチ。 物体検出というものがあるらしい ここ https://github.com/pierluigiferrari/ssd_keras にあるコードが自分の環境（TensorFlow 1.x、Keras 2.x）で動きそうだったので試してみた。 ssd300_inference.ipynbかssd512_inference.ipynbに従ってポ
Domain Adaptation (labeled target domain data) 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 images_train_3d = np.reshape(images_train, [-1, 28, 28]) images_test_3d = np.reshape(images_test, [-1, 28, 28]) images_flip_train_3d = images_train_3d[:, :, ::-1] images_flip_test_3d = images_test_3d[:, :, ::-1] images_flip_train = np.reshape(images_flip_train_3d, [-1
Domain Adaptation (unlabeled target domain data, DIAL) 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 # 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 = images_train_0_2d[:, :, ::-1] i
windows10にTensorFlow GPUを入れる - Qiita
2018-08-19 13:25:37.227703: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 2018-08-19 13:25:37.534817: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1405] Found device 0 with properties: name: GeForce GTX 1060 3GB major: 6 minor: 1 memoryClockRate(GH
Neural (Decision) Tree の実装に関するメモ - Qiita
class DecisionTree(): def __init__(self): pass def weight_variable(self, name, shape): initializer = tf.truncated_normal_initializer(mean = 0.0, stddev = 0.01, dtype = tf.float32) return tf.get_variable(name, shape, initializer = initializer) def bias_variable(self, name, shape): initializer = tf.constant_initializer(value = 0.0, dtype = tf.float32) return tf.get_variable(name, shape, initializer
Deep LearningのためのPython入門 - Qiita
概要 最近は機械学習、ディープラーニングの話題が非常にたくさん出てきていますね。 ということで、そろそろしっかり機械学習、ディープラーニングに手を出しておかないとということで勉強を始めました。 が、まずその前に、（観測している範囲だと）大体Pythonを使って作られている・説明されているケースが多いので、機械学習向けとしてPython入門って形でメモを書きたいと思います。 自分自身、あまりPythonに触れたことがないのでたんに備忘録ですｗ ちょっとした文法だったり、ディープラーニングに用いられるライブラリの使い方だったり、がメインです。 なので、がっつりPython入門したい！ という人には不向きな記事になってます。 なお、いくつかの関数についてはこちらの本を参考にさせてもらっています。 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 impo
Windows10-CUDA9.2でTensorflowの学習環境構築 - Qiita
環境 Windows10 GTX1060 Intel Corei7-7700HQ 64bit python 3.6.5 Anaconda VisualStudio2015のダウンロード ※マイクロソフトのIDとパスワード（プロファイル）が必要 ※Visual C++とWindows10 SDK VisualStudio2015で後から機能追加する方法 プログラムの追加と削除からVisualStudio2015with~を選択して変更。 Visual C++ Python tools ユニバーサル Windows アプリ開発ツール の３つにチェックを入れる。 確認 「Microsoft Visual Studio の C/C++ をコマンドで使ってみる」の部分で確認できる。 VisualStudio2017と機能がかぶっていると上手くインストールできないので、2017側を変更する必要あり。
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
Webテキスト解析のRubyのGem作った (tf-idfとは？編) - Qiita
開発合宿で作ってみて楽しかったので記事化 社会人はアウトプットが大事ってどっかの偉い人が言ってたし。。。 Gemの使い方は長くなるので別記事へ GEMのGithubレポジトリ tf-idfとは?? もうすでに有名かと思われるが一応説明。 知ってる人は飛ばしてください！！ TF Term Frequencyの頭文字をとったもの 計算式 tf = 単語の頻度 / 文章中の単語数 説明 "たくさん出てくる言葉ほど重要"を数値化するもの 例えば りんごおいしい。りんご好き。りんご神。 と言う言葉があった場合、６つの単語から成り立つ文書の出てくる単語の回数はそれぞれ りんご：3, 好き：1, おいしい：1, 神: 1 となる。 よってこのりんごという単語のtfは 3("りんご"が文章中に出てくる回数) / 6（文章中の単語数） となり、tfは0.5となる。 また同様に神という単語のtfは 1 / 6
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
Webテキスト解析のRubyのGem作った (Gem編) - Qiita
require 'analy_z' a = AnalyZ::HTML.word_val(file_path, selector) a.tf # tf a.idf # idf a.tf_idf # tf-idf a.hse_tf_idf # hse-tf-idf a.words # words analy_z analyzed a.texts # texts analy_z analyzed a.sentences # sentences analy_z analyzed まずrequire 'analy_z'をしてから AnalyZ::HTML.word_val(file_path, selector) にファイルのパス名とセレクターを渡す。 file_pathの中身には必ず複数のhtmlもしくはテキストファイルが当てはまる正規表現、例えば htmls/*.htmlみたいなものを渡してくだ
Adversarial Discriminative Domain Adaptation (ADDA) の実装に関するメモ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 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]
エントロピーによる Stop Words 抽出とサイトコンテンツの品質指標 - Qiita
Stop Words とは多くの文書に含まれていてそれ自体が文書の特徴を表しづらい単語を表します。例えば英文における the や in, after といったような単語は典型的な Stop Words です。 このような単語は検索時にノイズの原因となるためあらかじめ検索対象から除外する必要があります。この記事は**選択情報量** (自己エントロピー) を使って検索時に除外すべき Stop Words を判断するための指標を求めます。 なおここで扱っている数式は TF-IDF でいうところの DF (Document Frequency) と本質的に同じです。情報量/エントロピーが「文書集合全体」に対する単語の特徴を示すのに対して、TF-IDF は「ある文書」に対する単語の特徴を示す (目的は文書要約や代表語の抽出) という点で異なります。 情報量とエントロピーの求め方 選択情報量 総文書数
論文まとめ：TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation - Qiita
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://github.com/ternaus/TernausNet 概要 U-Net に転移学習を適用させ、有効性を実証した アーキテクチャ アーキテクチャの全体像は以下の図。 [1]のFigure 1より 見た通り、通常のU-Net構造だが、encoderだけVGGNetを転移学習させる
Maximum Classifier Discrepancy Domain Adaptation (MCD-DA) 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 = imag
text miningや方向情報の特徴抽出に便利な，超球上に分布する点をクラスタリングする方法 - Qiita
初めに 研究の関係で，３次元のベクトルデータを機械学習の入力とする必要がありました． データの形式としては，数秒ごとに長さがばらばらの３次元ベクトルを取得します． ベクトルの方向のみに着目するとし，合成ベクトルの長さを1へ正規化します． このように大量の時系列で得られた方向データをどのように特徴量抽出すれば良いか，というのが本内容です． 結論から言って，von Mises-Fisher Distribution (vMFD)からパラメータを最尤推定し，Mixture of vMFD (movMFD)で超球上の方向データをクラスタリングします． このモデル化された値が，方向データにおけるある種の特徴量と言えます． 自然言語処理をされている方はわかると思いますが，これは文書中の単語頻出指標tf-idfに関係が深い手法です． また物理空間で「ベクトルの向き」が時間変化するようなシステムに活用が可
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
文字ベースCNNによるツイート分類 (失敗) - Qiita
Keras/Tensorflowをimportしたら"Illegal instruction (コアダンプ)"と出た時の対処法 - Qiita
TF-IDFのDF (Document Frequency) の部分をWebAPIで公開した - Qiita
