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 https://my.visualstudio.com/Downloads?q=Visual%20Studio%202015%20with%20Update%203 ※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
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
D3 軸と軸ラベル の微調整テク - Qiita
// input const sc = d3.scaleLinear().domain([0,100]).range([0, width-80]); const ax = d3.axisBottom().scale(sc); const ax2 = d3.axisBottom().scale(sc).ticks(4); const ax3 = d3.axisBottom().scale(sc).tickValues([0,20, 40, 80]); const ax4 = d3.axisBottom().scale(sc).tickFormat((val) => { return val === 30 ? '' : val.toString() }); const ax5 = d3.axisBottom().scale(sc).tickSize(10) // output const x
d3.js v5 で、x軸に日付を入れた折れ線グラフを作る - Qiita
v5の簡単なサンプルが少ない 2018年4月現在、簡単なサンプルが少ないです。 やりたいことは単に「x軸に日付・y軸に値」を取ったシンプルなグラフを書きたいことだけなんですが、v3かv4向けだったり、あるいは最初のステップとしては読解が難しいサンプルだったりして、作成に時間が掛かってしまいました。 最終的に欲しかったのは、下のようなやつだったので残しておきます。 (TODO: かなり参考にさせてもらったサイトがあったのに、リンクを消失してしまったので再発見したら貼る) 折れ線グラフのサンプル <!DOCTYPE html> <html lang="ja"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <meta http-equiv=
d3.jsで地図をぬるっとアニメーションさせる。 - Qiita
前回、d3で気象庁降灰予報を描画しましたが、 https://qiita.com/miyawa-tarou/items/f101f0248cdc5744302d 地図の中心緯度経度やズームなどは一度描画した後でも変えることができます。 また単に変えるのではなく、ぬるっとスムーズにアニメーションしながら動かすことができます。 完成版はこちら：https://miyawa-tarou.github.io/d3_nuru_map/ 基本は前回のコードをもとに説明します。今回の説明に邪魔なので桜島に置いた丸は消しています。 https://github.com/miyawa-tarou/d3_nuru_map/tree/01.setting 1.クリックしたらズームするようにする やることは、初めに設定した svg.selectAll("path") // おまじない。というか理解できてない .d
IEでsvgタグ内のimageが表示されない - Qiita
<!DOCTYPE html> <html lang="ja" > # ライブラリ読込などは省略 <head> <meta charset="UTF-8" /> </head> <body> <div class="test" ></div> </body> <script> var svg = d3.select(".test").selectAll("svg").remove(); svg = d3.select(".test").append("svg") .attr("width", 300).attr("height", 300) .attr("stroke-width", 2).attr("xmlns","http://www.w3.org/2000/svg"); svg.append('image').attr({ 'x' : careerCX, 'y' : sides -
D3.js V4 forceSimulation のノード動的更新(追加・削除) - Qiita
D3.js とは D3.js は Data-Driven Documents ということらしいですが、これだと良く分からんのでもう少し分かり易く言うと要素の座標を指定されたレイアウトで計算し、計算結果を DOM に反映させるアクセッサを提供する ライブラリです。実際の描画には何(svg や canvas など)を使うかはユーザ側で選択できます。 ちなみに svg は、 XML ベースのベクタ系画像フォーマットです。 D3.js の公式 HP (https://d3js.org/)は、オープンソースライブラリの中でもかなりの充実ぶりで多くのサンプルもあり、自分の実現したいことがサンプルと同じであればデータを変えるだけで実現できます。サンプルに無くても、ドキュメントを読めば大抵のことは実現可能でしょう。 とはいえ充実しているからこそ、それを読むのも大変な訳で。 そんな訳で多くの方は web で
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/Tensorflowをimportしたら"Illegal instruction (コアダンプ)"と出た時の対処法 - Qiita
