DCGAN-tensorflowで自動画像生成をお手軽に試す - QiitaDeleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
青空文庫で作者っぽさ判定（KERAS ＋ character-level cnn） - Qiita
青空文庫で作者っぽさ判定 青空文庫のテキストを利用して、任意の日本語文の作者っぽさを判定するモデルを作ってみました。 https://github.com/shibuiwilliam/aozora_classification 動機 2017/02のTFUG #3に参加したのですが、Rettyの中の方がcharacter-level convolutional neural networkをしていて、これで火がつきました。 https://tfug-tokyo.connpass.com/event/49849/ 元ネタとなったQiitaの記事はこちらです。 とても勉強になりました。ありがとうございます。 http://qiita.com/bokeneko/items/c0f0ce60a998304400c8 なおcharacter-level cnnの論文はこちらです。 https://p
HTMLのコーディングが不要になるかも？pix2codeの紹介 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 今年の５月末に話題になった 画面のスクリーンショットからコードを生成するディープラーニングpix2code Gigazine GUIのスクリーンショットを読み込むと必要なコードを生成する仕組みでスタートアップが人工知能を活用 http://gigazine.net/news/20170530-pix2code/ AAPL Ch. ディープラーニングを利用し、デザイナーが作成したiOS/AndroidアプリのGUI画像から自動的にコードを作成する「Pix2Code」が話題。 https://applech2.com/archives/20
データサイエンティストを目指して半年で学んだことまとめ - Qiita
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 本記事では、データサイエンティストを目指して勉強した半年間で学んだこと、気付いたことをまとめます。これからデータサイエンティストを目指して勉強する人の参考になればと思います。 最初の一手 個人的にではありますが、最初はアプローチの理解から始めると思いますが、数式とプログラミングの両方を勉強する方が良いと思います。**数式→プログラミング or プログラミング→数式の順序はどちらでも良いと思いますが、プログラミング（フレームワーク）のみ**はやめた方が良いと思います。出力結果の解釈で苦労することになるので、理論、数式はしっかり理
Google Custom Search APIを使って画像収集 - Qiita
# -*- coding:utf-8 -*- # onlyzs1023@gmail.com 2016/11/21 import urllib.request from urllib.parse import quote import httplib2 import json import os API_KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" CUSTOM_SEARCH_ENGINE = "12345648954985648968:xxxxxxxxx" def getImageUrl(search_item, total_num): img_list = [] i = 0 while i < total_num: query_img = "https://www.googleapis.com/customsearch/v1?key=" + API_KEY
怠け者のためのディープラーニング入門 - イントロ
目次 イントロ ← 今ココ Scikit-learn・Keras モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping) 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 はじめに 大学3年生のとき、小林雅一『AIの衝撃 人工知能は人類の敵か』という本をなんのきなし読んだことがあります。その本の中で「最先端のAIを実装できるのは世界でも50人くらいの研究者・大学院生くらいだ」といった文章を読み、なんだかすごそうという動機で機械学習に触れ始めました。そのころちょうど、TensorFlow 0.0.5が公開されて騒がれていたことを覚えていますが、当時ディープラーニングとは何かすらまったく分かりませんでした。それから約2年の月日が経ちますが、TensorFlowをはじめとしたフレームワークの普及もあってか「最先端のAI」というものを研究し実装
文系社会人・Python初心者のTensorFlow学習方法 - Qiita
短評 想像の3倍くらい時間をかけてしまいましたが、色々なことが目からウロコで大いに面白かったです。TensorFlowエンジニアの見習い小僧レベルにはなれた気がします。とはいえ、奥が深くて本当に表面的な部分を学習しただけとも感じています。内部的な処理はわからないことだらけですし、応用どころか基本もままならない状態。あとどのくらい時間をかければ、プロと胸を張って言えるレベルになれるかは、正直見当がつかないです・・・一方でそんな状態でもオリジナルのテーマでDeep Learningが実装できるのは、本当にTensorFlowの凄さだと思います。あと、地味にAnacondaも便利で助けられました。 学習目的 現在および直近の仕事でDeep LearningやAIはおろか、機械学習すら使わないですが、「今後を踏まえて何かしなきゃ」という強い想いのもと学習しました。また、純粋に「面白そう」という気持
MeCabとNEologdのインストール方法(CentOS6/CentOS7) - Qiita
MeCabとは、形態素解析をするためのライブラリです。 NEologdとは、Web上から得た新語に対応しており、毎週更新されるMeCab用のシステム辞書です。 この二つで最新の単語に対応した形態素解析ができます！ 「画像での上のコマンド」がデフォルトの辞書、「画像での下のコマンド」がNEologdです。 NEologdでは、「ポケモンGO」「位置情報」などが固有名詞として取得できている。 インストール確認環境 ・さくらVPSのCentOS6 ・AWSEc2のCentOS7 MeCabのインストール 公式サイト http://taku910.github.io/mecab/ ダウンロードするもの まずは公式サイトに行き、 ・Sourceからmecab-0.996.tar.gz ・IPA 辞書から辞書 の２つをダウンロードします。 ２つをサーバでインストールする ・mecab-0.996.ta
YOLOv2(Keras / TensorFlow)でディープラーニングによる画像の物体検出を行う - Qiita
やったこと 流行りのディープラーニングを使って、画像の物体検出を行いました。 今回は、YOLOv2というアルゴリズムを使って物体検出を行なっています。 YOLO(You Only Look Once)とは 畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)を用いた物体検出アルゴリズムです。現時点ではv1とv2が存在します。 YOLO(YOLOv1) 論文はこちら(2015年)。 従来とは異なり、画像をバウンディングボックスで分割してクラス分類を行なっている。 we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities. 結果として、45FPSの処理速度を実現し
Keras バックエンド速度比較 CNTK vs TensorFlow - Qiita
from __future__ import print_function import time start_time = time.time() import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import RMSprop batch_size = 128 num_classes = 10 epochs = 20 # the data, shuffled and split between train and test sets (x_train, y_train), (x_test, y_test) = mnist.load_data() x_tr
RasPiでKeras/TensorFlowを動かす - Qiita
RasPiでKeras/TensorFlowを動かすまでの試行錯誤をメモしておく。使った環境は以下の通り。 RaspberryPi 3 Model B Raspbian August 2017 16GB SD card（いろいろツールを入れたので8GBでは足りなくなった） まずはTensorFlowを入れる TensorFlow公式RasPiサンプルはビルドおそい 最初にTensorFlow公式のRasPiサンプルを試したのだけど、C++のコードをゼロからビルドするので、非力なRasPiでは何時間待っても終わらない...ってグチをつぶやいたら、TensorFlowチームのPete Wardenが絶妙のタイミングでブログ記事Cross-compiling TensorFlow for the Raspberry Piを書いていて、リンクをシェアしてくれた。この記事では、あらかじめビルド済みの
機械学習によるギター画像の分類 その1 - Qiita
サマリ CNN（ResNet）によるギター画像の分類で99%超の精度を達成した。 ImageNetの一般画像分類モデルを元にした転移学習による学習の高速化・高精度化・汎化性能の向上を確認した。 はじめに 本記事は、アラフォー・エンジニアによる、夏休みの自由研究の記録です。 CNNを使った、ギター画像の分類にチャレンジしました。 技術的に目新しい話はあまりないですが、ギターを題材にした事例は意外にもなさそうだったので、なんとなく結果を公開します。 環境 自宅のパソコンです。 データセットの準備 データセットは、Web検索からスクレイピングにより調達し、手動でちまちまとラベルを修正しました。ラベルは以下の13種です。 Stratocaster Telecaster Jazzmaster Jaguar Mustang LesPaul SG FlyingV Explorer Firebird Se
関数近似で学ぶ chainer とディープラーニング - Qiita
$y=e^x$ という関数をいわゆるディープラーニングで学習する、というお題を通じて、chainerを学んでみます。下記はchainer1.6.2.1で確認しています。 同じ内容をJupyter notebook形式でこちらに置いていますので、動かしながら確認したい方はそちらを参照してください。 まず必要なモジュール類をインポートします。 import numpy as np import chainer from chainer import cuda, Function, gradient_check, Variable, optimizers, serializers, utils from chainer import Link, Chain, ChainList import chainer.functions as F import chainer.links as L fro
HaskellでTensorFlow、を対話的に試してみる - Qiita
はじめに TensorFlowのHaskell用バインディングがリリースされています。 本格的に使用する場合はコンパイル方式を用いると思いますが、本記事では、環境に慣れるために対話的に使用する方法について簡単に紹介します。 以下では、Linux(ubuntu 16.04LTS 18.04LTS)を用いた例を紹介します。 なお、Dockerはインストール済みであることを前提としています。 本記事は、2017年8月時点 2018年8月時点の内容です。TensorFlowのHaskell用バインディングは開発中のため、今後、使い勝手が変わると思いますので注意してください。 以下は参考資料です。 Haskell bindings for TensorFlow Starting out with Haskell Tensor Flow 環境の準備 1. stackコマンドのインストール stackを
【 Google I/O 2017 】AI が AI を 創る 世界 へ : Google Brain が AutoML（Auto Machine Learning）を 発表 - Qiita
【 Google I/O 2017 】AI が AI を 創る 世界 へ : Google Brain が AutoML（Auto Machine Learning）を 発表google人工知能DeepLearningMachineLearning機械学習 Google I/O 2017 で、Google Brain が、"遺伝的アルゴリズム と 強化学習 の 組み合わせ" によって（？）、ニューラルネットワーク を 自動で進化・改良させていく AutoML を 発表した。 日経テクノロジーonline （日経エレクトロニクス 2017年8月号）中田 敦＝シリコンバレー支局 2017/07/19 00:00 『グーグルの「AIファースト」戦略が加速、深層学習用TPUや「AIを改善するAI」を発表』日経Roboticsから今月の1本 AutoML ニューラルネットワークがニューラルネットワー
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
Elasticsearch/kibana/x-packで気象データでMachine Learningしてみる - Qiita
[RaspberryPi]RaspberryPi用のTensorFlow作りました。 - Qiita![[RaspberryPi]RaspberryPi用のTensorFlow作りました。 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/22615272585ef39c7d567a74658f5fe1439fe4a7/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMTM3MTgyJTJGcHJvZmlsZS1pbWFnZXMlMkYxNDczNzIwMTk2P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPWExZjY3MTgwYzgyMGQ4NmQyNzI3YTgxOTc1NzI1NmRm%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Db2b0e026506b2e94f10be6892a56b858%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCUmFzcGJlcnJ5UGklNURSYXNwYmVycnlQaSVFNyU5NCVBOCVFMyU4MSVBRVRlbnNvckZsb3clRTQlQkQlOUMlRTMlODIlOEElRTMlODElQkUlRTMlODElOTclRTMlODElOUYlRTMlODAlODImdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz0zMWU0MmViNTViMzE2YTNlOGMzM2RhZjcxMTViNmZjMg%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBEcmVhbXdhbGtlciZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1wYWQ9MCZzPTkzNmQ1MDhlMDViMjU4NzE2ZGI1MjQ3Zjg3ZjUwM2U2%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D5b3857a8660af2939fcb164993a4654e)
【TensorBoard入門:Projector編】TensorFlow処理をかっこよく見える化 - Qiita
macにmecabをインストール - Qiita
幻想再帰のアリュージョニストでword2vec - Qiita
