「SGDR: Stochastic Gradient Descent with Warm Restarts」をちょっと改良してKerasで実装した - Qiita
from keras.callbacks import Callback, LearningRateScheduler import numpy as np class LearningRateCallback(Callback): def __init__(self, lr_max, lr_min, lr_max_compression=5, t0=10, tmult=1, trigger_val_acc=0.0, show_lr=True): # Global learning rate max/min self.lr_max = lr_max self.lr_min = lr_min # Max learning rate compression self.lr_max_compression = lr_max_compression # Warm restarts params s
今更 Keras で CNN - Qiita
はじめに 本記事は、私が独学で学んだ事をまとめている記事です。 CNN については出来るだけわかりやすく噛み砕いて説明していきます。 詳細を知りたい場合は参考URLを貼っておきましたのでそちらをご覧ください。 想定読者 ・CNN をやってみたい人 ・CNN が何をしているかわからない人 上記にも書いてある通り独学のため、間違えている部分がございましたらご指摘のほどよろしくお願い致します。 CNN (Convolutional Neural Network)とは 主に画像や動画認識に広く使われているニューラルネットワークです。 通常のニューラルネットワークと異なる点は、畳み込み層とプーリング層がある点です。 畳み込み層 畳み込み層とは、特徴を抽出している層になります。 上記画像のように、黒い部分の特徴を残しながら縮小することができます。 このような解像度縮小を行っているのが畳み込み層です。
物体検出（ssd）で顔のきりとりを自動化したい。２ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 前回 https://qiita.com/mokoenator/items/4d106d682f1b4bc7d0e3 からの続き 途中経過 普通はグラフを書いて過学習や！！とか書くんですかね。 イメージの数とepochでどんなかんじなのか？見てみたくなった。 画像内の黄色がアウター、ピンクがトップス、青がフェイス、明るい緑がパンツ、くらい緑がバッグ いつもの ぱくたそ 350イメージ19epoch 1300イメージ11epoch 1300イメージ52epoch 1300イメージ81epoch イラスト屋1300イメージ81epoch
DeepLab学習用画像の要件 - Qiita
<!DOCTYPE html> <html> <head> <meta charset="UTF-8" /> <title>Semantic-Segmentation Dataset SVGファイル変換</title> </head> <body onLoad="start()"> <h3>Semantic-Segmentation Dataset SVGファイル変換</h3> <p style="display:inline-block">[<a id="linkImage">Download Image</a>] </p> <p style="display:inline-block">[<a id="linkSeg">Download Segmentation</a>] </p> <input type="file" accept="image/svg+xml" onChange="
第3回：ニューラルネットワーク概要② - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 前回では 機械学習における学習とは一言で言うと **「重みを訓練データから自動的に決定する」**ことです。 前回示した通り、ステップで示すと以下のようになります。 **ステップ①:ある重みからなるニューラルネットワークに訓練データ[入力]**を入力する。 ステップ②:ニューラルネットワークは順伝播を行い、演算結果を出力する。 ステップ③:出力したデータと教師データ（訓練データ[出力]）を比較し、損失関数を計算する。 ステップ④:****損失関数を基に逆伝播を行い、勾配を計算する。 ステップ⑤:****勾配方向に重みを少しだけ更新する。
Adversarial Residual Transform Network (ARTN) の実装に関するメモ（２） - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 # pattern 1 # mu_t_1 = [2.0, 0.5] # sig_t_1 = sig_s_1 # mu_t_2 = [2.0, 1.5] # sig_t_2 = sig_s_1 # mu_t_3 = [2.5, 1.0] # sig_t_3 = sig_s_1 # pattern 2 # mu_t_1 = [0.5, 0.5] # sig_t_1 =
日本語ツイートをEkmanの基本6感情で評価 - Qiita
import pandas as pd from os.path import join from sklearn.utils import shuffle emotions = ["happy", "sad", ["disgust", "disgust2"], "angry", "fear", "surprise"] dir_path = "gathering/ja_tweets_sentiment" size = 60000 df = [] for i, es in enumerate(emotions): if isinstance(es, list): for e in es: data = shuffle(pd.read_json(join(dir_path, "{}.json".format(e)))).iloc[:int(size/len(es))] data['label'
Domain Adaptation Neural Network (DANN) と Gradient Reversal Layer (GRL) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.3, 0.5, 0.2] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.0, 0.5] sig_t_1 = sig_s_1 mu_t_2 = [2.5, 2.0] sig_t_2 = sig_s_1 mu_t_3 = [3.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
AI開発におけるGPU利用に関する備忘録 - Qiita
背景 AI開発において、特にネットワークモデルが複雑な、画像系AI開発においては、その処理時間の短さを主な理由に、GPUを利用する事が推奨されています。 ただ、私が会社で利用しているAI開発環境は、GPUを２枚搭載しているサーバーであり、複数人がこの環境を共有し、GPUを使える事は非常にありがたいのですが、TensorFlowを使って、AIの勉強やPoCの学習をする際には、標準でTensorFlowを動かしてしまうと、GPUメモリーの90%を確保する為、同時に複数人でプログラムを動かしてしまうと、メモリー不足になり作業する事が出来なくなります。 このような状況を回避する為、自分で利用するGPUを制限する事が必要になりました。 １．Pythonプログラムで、TensorFlow実行時に、使用するGPUを指定する方法 GPU版のtensorFlow環境が前提： 実行前のGPUの状況：２枚のGP
DANN と ADDA の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.3, 0.5, 0.2] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.0, 0.5] sig_t_1 = sig_s_1 mu_t_2 = [2.5, 2.0] sig_t_2 = sig_s_1 mu_t_3 = [3.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
Adversarial Residual Transform Network (ARTN) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 # pattern 1 # mu_t_1 = [2.0, 0.5] # sig_t_1 = sig_s_1 # mu_t_2 = [2.0, 1.5] # sig_t_2 = sig_s_1 # mu_t_3 = [2.5, 1.0] # sig_t_3 = sig_s_1 # pattern 2 # mu_t_1 = [0.5, 0.5] # sig_t_1 =
tensorflowをインストールしたときに引っかかったこと - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/Users/DEN/pyenv/versions/anaconda3-4.1.1/lib/python3.5/site-packages/tensorflow/__init__.py", line 24, in <module> from tensorflow.python import * File "/Users/DEN/pyenv/versions/anaconda3-4.1.
Python matplotlibで棒グラフ（ハッチングと２軸グラフの凡例） - Qiita
はじめに この記事を紹介しようと思ったきっかけは以下の通りです． データ比較用の棒グラフを白黒で作成したかったので，ハッチングにより対応することにしました．色とりどりのグラフはよく見かけますが，今の時代に白黒グラフは以外に少ない？ ２軸グラフを作成する時，凡例部をうまくプログラムできないかと考えていたのですが，気に入った方法が見つかったので，実践してみることにしました． 棒グラフのプログラムは，こちらのサイト を参考に，自前のものを書き換えています． なお，当方の環境は以下のとおりです． MacBook Pro (Retina, 13-inch, Mid 2014) macOS High Sierra Python 3.7.0 matplotlib 2.2.2 ハッチングパターン 下の図は，棒グラフ本体は描画せずに，凡例だけを描画し，余白削除をしたものです． 上の図を描くコードは以下の通り
Seabornで相関をヒートマップにする（行・列を並び替えながら） / Heatmap using Seaborn (order rows and columns as you like) - Qiita
やりたいこと / Purpose Seabornでヒートマップを描くとき、項目の並び順を自由にカスタマイズしたい。 You may want to order entries arbitrarily as you like when drawing a heatmap with seaborn. Here's how to do that. データ準備 / Data preparation はじめに元データを用意します。ここでは、三箇所の場所で四種類の動物を目撃した回数をデータにします。 Prepare a dataset to visualize first. Suppose you went out to three different places and counted how many times you saw some animal species.
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
論文のためのMatplotlibを利用した図の作り方 - Qiita
文字ベースCNNによるツイート分類 (成功) - Qiita
Donkey Carの作り方(RasPi側) - Qiita
Donkey Carの作り方(Mac側) - Qiita
Donkey Car学習(Mac側) - Qiita
seabornでhueを指定しながら、重ねてプロットしようとしたらハマった話 - Qiita
