Ubuntu 16.04 LTS インストール, CUDA, TensorFlow, Docker 等のセットアップ 20180913版 - Qiita
概要 Ubuntu 16.04 LTS 日本語環境 開発環境(Python, TensorFlow, Docker 等) GPU(CUDA, cuDNN) 主にサーバとして使う(ssh で別マシンから接続) たまにデスクトップとしても使う 20180913 時点 という用途でのセットアップのメモです. 16.04 or 18.04? 20180913 時点では, CUDA が公式で対応しているのは Ubuntu 17.10 まで (でも 17.10 用を 18.04 にインストールすることは可能だそうです) TensorFlow のバイナリを使うなら CUDA 9.0 でないといけない (9.2 を使うには TensorFlow をソースからコンパイルする必要がある) ということから当面 TensorFlow を使うには 16.04 でよさそう. 20180922 追記: Ubuntu 1
転移学習で猫の品種を当ててみる - Qiita
実家で雑種の兄弟猫たちを飼っています。 その２匹が全然似ていないので、「ねこ品種判定AI」LINEbotをつくって品種割合を推定してみることにしました。 ねこ画像をLINE画面で送ると、構成される品種の割合が返される仕様です。 第二の目的として、Tensolflowの転移学習モデルInception-v3を試してみたかったというのもあります。 では早速実装の手順を解説していきます。 結果だけ知りたい人は、スクロールして最後の章へ... システム構成 システム構成は簡単に書くとこんな感じ。 学習モデルをherokuサーバに置いて、WebhookでLINEbotから呼び出します。 使用したデータセット 画像を集める手段はいくつかありますが、スクレイピングは枚数の制限等が面倒で、オックスフォード大が公開しているデータセットを使いました。 （http://www.robots.ox.ac.uk/~
AndroidでTensorFlowを使ってアプリ作りたいけど何すりゃいいの(後編・DeepLab用独自データの作成と学習) - Qiita
概要 当記事では前編に引き続き、画像上の物体識別モデル"DeepLab"をAndroid上で利用する手順を軸に、Android上でのTensolFlowの利用法を説明しています(と言いつつあまり説明していない)。 Android向けのコード自体に関しては前編を参照してください。 当記事は次のポイントにスコープしています: 独自データセットの用意、学習 学習パラメータが結果に与える影響 結果から推測されるDeepLabの動作 タイトルとはうらはらに、内容的にはAndroidでの実装とはあまり関係ない記事となっています。 サブタイトルをつけるなら「DeepLab用独自データの作成と学習」といったところです。 …わかりやすいようにタイトルに付けときました。 前編のあらすじ 写真の車のナンバーを機械学習でぼかしたい DeepLabでナンバー領域を抽出できそう Android上で動かせた ナンバープ
画像のヒストグラムを表示する - Qiita
Pythonでグレースケール画像のヒストグラムを表示する方法。 PIL(Pillow), numpy, matplotlibはインストール済みの前提。 実際に表示させた結果 単にヒストグラムだけ表示すると分かりづらいので、ヒストグラムの上に画像も表示させる。 コード # -*- coding:utf-8 -*- from PIL import Image import numpy as np import matplotlib.pyplot as plt # 画像の読み込み & グレースケールに変換 img = Image.open('適当な画像ファイル').convert('L') # 上段の画像の表示設定 plt.subplot(2, 1, 1) # 引数はそれぞれ、全体の行数、全体の列数、設定対象のIndex a = np.array(img) plt.imshow(a) plt.g
AIにりんごを描いてもらった - Qiita
AIにりんごを描いてもらった こんな感じ 生成結果(64x64 png) 途中結果 ite0 ite20 ite100 ite200 ite300 ite400 ite500 背景 最近GAN（Generative Adversarial Network）で、いろんな画像を自動生成したり、ポスターも生成するなどの記事はたくさん目に入る。 どこまで出来るかを試してみたかった。 実現の仕方 こちら数字画像生成のgithubソースを参考し、改造した。 [2] わかったこと Convolution Networkの方は、Full Connected Networkより、生成した画像がスムーズ。 Full Connected Networkの場合は、どうしても雑音が入る。 通常のGANはハイパーパラメータに敏感。収束しないことがある。より安定性のあるDRAGANなどは今後試すべき。 Usage gi
２つのモデルを接続する（keras2.0_Sequential編） - Qiita
VGG16をFine-tuningする際に初めて作られる方も多いと思いますが 出力層の書き方が2種類あったりして分かりづらかったので 対で書きてみました ※functionalで出力層を書いたのはこちらから 参考のスクリプトは VGG16をFine-tuningして5クラス分類するモデルを想定しています 動作概略 1)出力層なしのVGG16のモデルを読込 2)新しい出力層を作成 3)上記2個のモデルを接続 動作確認環境 python3.6.6 Tensorflow:1.10.0 Keras：2.2.2 参考スクリプト # import from keras.models import Model, Sequential from keras.layers import Activation, Dense, Flatten from keras.applications.vgg16 impo
２つのモデルを接続する（keras2.0_functional 編） - Qiita
VGG16をFine-tuningする際に初めて作られる方も多いと思いますが 出力層の書き方が2種類あったりして分かりづらかったので 対で書きてみました ※Sequentialで出力層を書いたのはこちらから 参考のスクリプトは VGG16をFine-tuningして5クラス分類するモデルを想定しています 動作概略 1)出力層なしのVGG16のモデルを読込 2)新しい出力層を作成 3)上記2個のモデルを接続 動作確認環境 python3.6.6 Tensorflow:1.10.0 Keras：2.2.2 参考スクリプト # import from keras.models import Model, Sequential from keras.layers import Activation, Dense, Flatten from keras.applications.vgg16 impo
import routeにご注意 - Qiita
--------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-81-6aa9bc4246b0> in <module>() 1 model = keras.Sequential() 2 model.add(keras.layers.Dense(8, input_shape=(10, 16))) ----> 3 model.add(Dense(32)) 4 model.summary() ~/tensorflow/venv/local/lib/python3.6/site-packages/tensorflow/python/training/checkpointable/base.py
Tensorflowで転移学習させたモデルを保存する際の注意点 - Qiita
はじめに Tensorflowで転移学習させたモデルを保存し、再度それを読み込んで処理した時に諸々問題が発生した。 半日ほどハマったので、備忘録を兼ねてメモ。 問題の状況 １ tensorflow.train.saver.restore()を使って学習済みモデルを読み込んだ。この際に再学習させるモデルは若干変えたため、以下のように一部のパラメータだけを読み込んだ。 sess = tf.Session() ...... all_vars = tf.all_variables() ...... sess.run(tf.global_variables_initializer()) ...... var_to_restore = [] for num, var1 in enumerate(all_vars): _, deter, _ = var1.name.split('/', 2) if de
TensorFlowのseq2seqでチャットボットが作りたい (Slack Bot化編) - Qiita
# coding: utf-8 from __future__ import absolute_import from __future__ import division from __future__ import print_function import MeCab import math import os import random import sys import time import tensorflow.python.platform import numpy as np from six.moves import xrange import tensorflow as tf import data_utils from tensorflow.models.rnn.translate import seq2seq_model from tensorflow.pytho
件のDopamineで楽に強化学習をする - Qiita
流れとしてはこんな感じで調べていく。 引数として指定できるパラメータの種類 実行時の処理の流れ 別の学習則(?単語があっているか不明)に切り替える方法 引数として指定できるパラメータの種類 まずは引数から。 agent_nameで学習エージェントの指定をしているらしい。今は dqn [rainbow](Hessel et al., Rainbow: Combining Improvements in Deep Reinforcement Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 2018.) implicit_quantile(これはまだ論文がどれか見つかってないです。) が実装済みの模様。 実装を見にいくと、コメントの行数が非常に多いので面倒に見えるかもしれないが、 実際のコードはそこ
データサイエンス初心者のメモ[1日目] - Qiita
概要 共同研究のアルバイトでデータサイエンスっぽいことをすることになったので，忘れないようメモとして残すことにします． 企業さんから（詳しくは書けませんが）あるデータログを頂きました．それに対して処理を行っていきます． jupyter-notebook Jupyter-notebookを使おうと思います． 自分はanaconda環境を使用しているので， conda install jupyter でJupyter-notebookをインストール．使用したいディレクトリに移動して jupyter notebook でWebブラウザからPythonのプログラムを実行できるツールが立ち上がる． 画面右上にある[New]のボタンから[Python3]を選択して準備完了． あとはセルにコードを書いて，[Shift]+[Enter]で実行可能． パッケージ Pythonを使ったデータ解析，操作でよく使
![データサイエンス初心者のメモ[1日目] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/67fb64b04648a72b7c71a60306d0ce20b49bb069/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRmF2YXRhcnMwLmdpdGh1YnVzZXJjb250ZW50LmNvbSUyRnUlMkYyNjg2NDQ1NSUzRnYlM0Q0P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPTQyMTgzNGE4MmRiNGEwZGY3ZTEyM2U3M2NhNjM3NWJi%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D2f7690dcd0c624125cac68849b571037%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JUUzJTgzJTg3JUUzJTgzJUJDJUUzJTgyJUJGJUUzJTgyJUI1JUUzJTgyJUE0JUUzJTgyJUE4JUUzJTgzJUIzJUUzJTgyJUI5JUU1JTg4JTlEJUU1JUJGJTgzJUU4JTgwJTg1JUUzJTgxJUFFJUUzJTgzJUExJUUzJTgzJUEyJTVCMSVFNiU5NyVBNSVFNyU5QiVBRSU1RCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPTNjMjdiYWY2NGZlODQzZWNhOTAwNDIyYzk4ZTdiNzYy%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBrYXdhaXkmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz04N2YwNTJkYzFjMjdkOGFiZDdhMjYzODc4NjlkYmUwYw%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Dccc552a5e049bf2328cb34fa07d5fa86)
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
tf.slice()の使い方 - Qiita
もうちょっと頑張って、佐藤健と亀梨和也を人よりも賢く見分けたい - Qiita
BatchNormalizationをモデルに組み込む - Qiita
畳み込みニューラルネットワーク（CNN)の各層の役割について - Qiita
D3 でヘキサゴン - Qiita
DeepLab v3+でオリジナルデータを学習してセグメンテーションできるようにする - Qiita
matplotlibで描画する方法 - Qiita
D3.jsのSelectionとDOMのSelection