CoreML変換時の謎のInvalid dst shapeを倒す - Qiita
※ 最後のshapeは人によって違うと思います。 書いてあるとおりに読むと、「なんやかんや問題があって predict() が実行できません」と書いてありますが、これWarningなので実際mlmodelは生成されます。 ただ、CoreMLは学習用ではなく推論用と今の所認識しているので predict() が使えないmlmodelは何のために存在するのか理解できません。WarningではなくErrorにするべきでは。。。 何のエラーなのか 以前私の記事にも書いたことがありますが、coremltoolsで変換したmlmodelには同一のレイヤーを使い回すshared layerが存在すると結構不安定な挙動をします。（というか多分coremltoolsが色々対応できていない。） それの一環（？）で、以下のようなモデルを変換するとKerasやTensorflowでは完璧に動作するのにmlmode
GraphNetを使って足し算を学習する - Qiita
はじめに 前回はGraphNetを使って「とにかく５を出力する」ように学習しました。今回は、ノードやエッジの値を足し算する学習をしてみようと思います。 環境などは前回と同じです。 足し算を学習する 今回は、下の図のようなグラフを作って、全部のノードやエッジの値を足し合わせるように学習できるかやってみます。 コード import numpy as np import sonnet as snt import graph_nets as gn import tensorflow as tf import matplotlib.pyplot as plt from pprint import pprint %matplotlib inline tf.reset_default_graph() def create_data_dict(n0=0., n1=0., e0=0., e1=0.): da
dockerで機械学習(25) with anaconda(25)「Mastering TensorFlow 1.x」By Armando Fandango - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
dockerで機械学習(22) with anaconda(22)「Deep Learning for Computer Vision」 By Rajalingappaa Shanmugamani - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
DeepMindのLibraryの graph_nets を使ってとにかく「５」と出力するGraphNetを作る
はじめに GraphNets というライブラリが DeepMind からリリースされています。 このライブラリは この論文 の実装として公開されたもので、 端的に言うと 「ノード、エッジ、Globalに任意の属性(≒任意のtensor)を持ったグラフを入力にし、 構造は同じだが属性が更新されたグラフ を出力する」 というネットワークブロックを提供するものです。 何が面白そうかというと、グラフという知識表現として非常に表現力の高いデータ構造を扱うことができるということです。 以前から、グラフ畳み込みニューラルネットワークというものが(やや)注目されていましたが、それの汎用的なデータフォーマットを定めて、扱いやすくしてくれたような位置づけだと思います。 とはいうものの、現状ほとんどドキュメントも無く、デモのソースコードを見ても中々使い方がわかりません。 試行錯誤の末、なんとか GraphNet
dockerで機械学習 with anaconda(8)「実践機械学習システム」Willi Richest, Luis Pedro Coelho 著
(base) root@9f32435de7a9:/BuildingMachineLearningSystemsWithPython/ch01# python analyze_webstats.py Traceback (most recent call last): File "analyze_webstats.py", line 10, in <module> import matplotlib.pyplot as plt File "/opt/conda/lib/python2.7/site-packages/matplotlib/pyplot.py", line 115, in <module> _backend_mod, new_figure_manager, draw_if_interactive, _show = pylab_setup() File "/opt/conda/
dockerで機械学習(18) with anaconda(18)「Deep Learning with Keras」 Antonio Gulli, Sujit Pal著 - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
TensorFlowを使って猫の種類の判別機を作る - Qiita
TensorFlowを使って猫の種類の判別機を作る TensorFlowを使って猫の種類の判別機を作ります。TensorFlowをインストールしている前提で話します。 pythonのバージョンはpython3です。 まずは、TensorFlowのフォルダをGithubから落としてきてください 画像を集める google_images_downloadをインストール pip install google_images_download 画像をダウンロードする googleimagesdownload -k 猫の種類で画像を集めに行きます。 アメショーかわいいですね。 学習 集めた猫の画像を学習させます。 その際、学習データのフォルダを英語に変更しておいてください。 そして、そのフォルダをgakusyu_data（作ってください）という名前のフォルダに入れて、落としたTensorFlowのフォ
Tensorflow Lite (TensorflowLite) / Tensorflow+RaspberryPi+Python で超軽量 "Semantic Segmentation" モデル "UNet" "ENet" を実装する_軽量モデル_その２ - Qiita
Tensorflow Lite (TensorflowLite) / Tensorflow+RaspberryPi+Python で超軽量 "Semantic Segmentation" モデル "UNet" "ENet" を実装する_軽量モデル_その２PythonRaspberryPiDeepLearningTensorFlowSemanticSegmentation TensorflowLite-UNet Tensorflow-bin TensorflowLite-bin I wrote in English article, here (TensorflowLite-UNet) 【!注意!】 この記事を先頭から末尾までクソ真面目にトレースすると、「ただひたすら待つ」 という苦行に耐えるために カップラーメン６００個 を手配する必要がある。 精神 と 財力 に余裕がある方、あるいは 悟
STU48が某個人配信プラットフォームで強いって言われてるけど・・・ その１ - Qiita
アイドル様 僕はアイドル様が好きなのですが、そのアイドル愛が歪んで、某個人配信プラットフォームでアイドル様の配信の分析をしています。個人的に、秋元康氏プロデュースのアイドル様に興味があります。究極の目標はアイドル様の人気の数値化と、某総選挙順位や選抜の予測です。ただし、某個人配信プラットフォームを全く利用しないランカーさんも存在するため、そのあたりは知りません。 STU48とは STU48（エスティーユー フォーティーエイト）は、秋元康のプロデュースにより、2017年に誕生した瀬戸内7県を拠点とする日本の女性アイドルグループ。AKB48グループを構成するグループのひとつである。出典：wikipedia 公式サイト メンバー一覧はプロフィールで見れます。かわいい。 一般人の認知度はものすごく低く、劇場となるはずの船の予定も未定、2ndシングルの発売も延期となりましたが2019年2月に決定と、
google colaboratoryで転移学習を使ってみました - Qiita
import google.colab import googleapiclient.discovery import googleapiclient.http google.colab.auth.authenticate_user() drive_service = googleapiclient.discovery.build('drive', 'v3') upload_filename = 'all.zip' file_list = drive_service.files().list(q="name='" + upload_filename + "'").execute().get('files') # ファイル ID を取得します。 file_id = None for file in file_list: if file.get('name') == upload_filena
Kerasで実装するSeq2Seq −その3 多層LSTMとBidirectional - Qiita
本稿では、KerasベースのSeq2Seq（Sequence to Sequence）モデルによるチャットボットを、Bidirectionalの多層LSTM(Long short-term memory)アーキテクチャで作成し、Google Colaboratory上で動かしてみます。 １． はじめに 本稿はSeq2SeqをKerasで構築し、チャットボットの作成を目指す投稿の3回目です。前回の投稿では、単層LSTMのSeq2Seqニューラルネットワークを構築しましたが、今回は、これをBidirectionalの多層LSTMに拡張します。 ２． 本稿のゴール 以下のとおりです。 ニューラルネットワーク（Bidirectional多層LSTM）の構築と、訓練 応答文生成 なお、本稿の前提となる動作環境は、冒頭でも触れたとおり、Google Colaboratoryです。 ただし、Google
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
プログラマーが表現するテンソル - Qiita
ノイズの多い時系列データをスムージング（MAとSSA）して、予測モデルを構築（LSTM）する - Qiita
【はやわかり＋保存版】Google Colaboratoryチートシート - Qiita
ハロプロでGAN - Qiita
ssd_kerasを試してみる - Qiita
matplotlib.pyplotのimport時にSegmentation fault - Qiita
Debian (Docker) にmatplotlibを入れる時に詰まったのでメモ
[メモ]TensorFlowのアップデートとバージョン確認 - Qiita