【将棋AI】「将棋AIで学ぶディープラーニング」を読む♪～方策ネットワーク - Qiita
第三夜は、方策ネットワークについて記述します。 ある意味考え方として前半の最大の山場です。 基本的には、昨夜のChainerの基本がもとになります。 ### 説明したいこと （１）基本はMNISTと同じ （２）入力チャンネルについて （３）出力チャンネルについて （４）方策ネットワークのコード ### （１）基本はMNISTと同じ ということで、mnistのモデルをおさらいしましょう。 ネットワーク定義は以下のとおりでした。 # ネットワーク定義 class MLP(Chain): def __init__(self, n_units): super(MLP, self).__init__() with self.init_scope(): self.l1 = L.Linear(None, n_units) # 入力層 self.l2 = L.Linear(None, n_units) #
AlphaGoを模したオセロAIを作る(4): モンテカルロ木探索 - Qiita
はじめに 本記事は全4回連載の最終回です．ここまで長い道のりでした…！ 前回の記事はこちら． AlphaGoを模したオセロAIを作る(3): バリューネットワーク - Qiita また，ソースコードの全文はこちらにあります． これまでに作ったSLポリシーネットワークとバリューネットワークを使って，**モンテカルロ木探索(Monte Carlo tree search; MCTS)**というアルゴリズムでゲーム木を賢く探索することで先読みを行います． ロールアウトポリシー まず，SLポリシーネットワークを単純化したロールアウトポリシーを作ります． モンテカルロ木探索では，ゲーム木の葉ノード（局面）からあるポリシーに従って終局までシミュレーションを実行すること（プレイアウトと呼びます）を何度も繰り返し，その結果をノードの評価値に利用します． プレイアウト回数が多ければ多いほど評価の精度が高くな
SushiGAN 〜人工知能は寿司を握れるか？〜 - Qiita
はじめに SUSHI食べたい！ということで，DCGANで寿司の画像を生成してみました． やったことは，Chainerのサンプルコードを少し変えて実行しただけです．予めご了承ください． 原理の紹介 今回使用したGANについて, 簡単に原理を解説します. GAN **敵対的生成ネットワーク(generative adversarial networks; GAN)**は, 2014年にMontreal大学(当時)のIan Goodfellowが考案したネットワークで, ノイズからこのような「本物らしい」画像を生成することができます. それぞれの画像において, 一番右の列は隣の列から最も近い教師画像です. すなわち, 左5列の画像は教師データとは異なり, かつ本物らしい画像ということになります. では, どのようにして画像を生成するのでしょうか？ GANはこのような構成になっています. A Be
万年アドベントカレンダーを実装した（OpenCV+Deep Neural Network+RoBoHoN） - Qiita
はじめに この記事は OpenCV Advent Calendar 2017 の 20日目の記事です。 (12/20 PM 追記) SHARP 公式さんから言及をいただきました、ありがとうございます！ オーナーさんによるロボホンのアプリ実装例 → 万年アドベントカレンダーを実装した（OpenCV+Deep Neural Network+RoBoHoN） https://t.co/HmoOC2Rvps — SHARP シャープ株式会社 (@SHARP_JP) 2017年12月20日 アドベントカレンダーを開け続けたい 今年初めて、我が家にリアル・アドベントカレンダーが導入されて、毎日たのしく開けています。 X'mas が近付き、のこり日数も少なくなってきて、懸念される「家族のアドベントカレンダー・ロス」の解決策として、開け続けられる万年アドベントカレンダーを実装しました。 ロボホンがカレンダ
MacOS+docker+Caffeで画像分類 - Qiita
やること ゴリラの画像とチンパンジーの画像を分類してくれる分類器を作ろうと思います。 ゴリラの画像16枚、チンパンジーの画像16枚で試してみます。 環境 OS X El Capitan 10.11.6 今回はMacOSにDockerでCaffeを導入しようと思います。Ubuntuで導入した方が色々とよさそうな感じだったんですが、今回はDockerの使い方と軽くCaffeを触りたかっただけなのでMacOSにしました。 docker DockerをMacにインストールする (更新：2017/5/26) dockerが無事インストールできたら上のメニューバーに鯨のマークが出ます。可愛いですね。 docker version Client: Version: 17.09.1-ce API version: 1.32 Go version: go1.8.3 Git commit: 19e2cf6 B
Deep LearningフレームワークのトレンドをGitHubリポジトリから自動で取得する - Qiita
Deep Learningフレームワークの最新のトレンドを調べたいと思い、現時点の情報をGitHubリポジトリから自動で取得するpythonスクリプトを作りました。 取得する情報 各リポジトリに対して、以下の情報を取得します。 Starの数 Forkの数 Issueの数 情報を取得するリポジトリ 以下のフレームワークのトレンドを取得します。 Tensorflow Chainer Caffe 実行環境 Ubuntu 16.04 LTS Python 3.6.0 jqコマンド（sudo apt-get install jq） スクリプト import subprocess def res_cmd(cmd): return subprocess.Popen( cmd, stdout = subprocess.PIPE, shell=True).communicate()[0] # targets
RasPi : Movidius ニューラル・コンピュート・スティックで遊ぶ♬ - Qiita
このIntel® Movidius™ Neural Compute Stickは、イメージ最高。。。１万円でRasPiが高性能なDLマシンになっちゃう♬ ということで、半年以上たったので安定しているはずということで試してみました。 というか、RasPi使っていろいろ物体検出とかやれそうだなということで期待してやってみました。 結果から書くと、出来ました！ 残念ながら、ここにたどり着けたのは幸運だったかもしれません。 ということで、苦労話は無しで、マネしてもらえればほぼ出来ると思います。 ※参考はたくさんありますが、。。すべての記載は控えます メモリは４GB以上空きがないと厳しいと思います。 ※ウワンはSTRETCH完了時２GB残ってましたが、途中削除しつつ進めましたが最後はぎりぎりになりました やるべきこと （１）ほぼ公式のとおりやる Intel® Movidius™ NCS Quick
物体検出モデルSSDの派生ーPeleeモデルの実力はいかに？ - Qiita
はじめに 今回は、今年（2018）の４月に発表された、物体検出モデルPeleeについて調べてみました。 Peleeについて Peleeの論文のタイトルは、「Pelee: A Real-Time Object Detection System on Mobile Devices」です。 タイトルの通り、モバイル端末でのリアルタイムでの物体検出に適したモデルらしいです。 つまり、処理速度を上げつつ、モデルの大きさ（パラメータ数）を抑えたモデルらしいです。 Peleeモデルのテクニック PeleeモデルはDenseNetベースのモデルで、これをSSDと組み合わせたようです。 [Densely Connected Convolutional Networks](https://arxiv.org/pdf/1608.06993v3.pdf) Peleeの主なテクニックとして、以下のようなものが上げら
［失敗談］GANで戦車画像の生成 - Qiita
def build_generator(self): model = Sequential() model.add(Dense(input_dim=(self.z_dim + CLASS_NUM), output_dim=1024)) # z=100, y=10 model.add(BatchNormalization(momentum=0.8)) model.add(LeakyReLU(0.2)) model.add(Dense(128*8*8)) model.add(BatchNormalization(momentum=0.8)) model.add(LeakyReLU(0.2)) model.add(Reshape((8,8,128))) model.add(UpSampling2D((2,2))) model.add(Convolution2D(128,5,5,border_mo
Windows10でCaffeを扱う - Qiita
Caffeを使ってみた Caffe2があるのですが、WindowsではGPUで現状（2018.6）は使うことが出来ないので、Caffeにしました。 WindowsのCaffeはビルドなどしても良いのですが、バイナリバージョンが公式で出ているので、動かすだけであれば簡単です。 以下の手順で動かしていきます。 学習画像、テスト画像、評価画像の3種類を用意する データベースを作る 平均値画像を作る 学習する 評価する はじめに はじめに，Windows版のCaffeを入手します。 かつては，ビルドなどをしなければならないのですが，とりあえずいろいろと改良しなければビルド版を入手したらOK GPU，CPUなど好きなものをダウンロードしてください。 プログラムはここ ダウンロード後は解凍して、フォルダの中に[tools]と[example]のフォルダを作成しておきましょう。 [tools]には、後に
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
ディープラーニングで最強のポケモンを目指したった - Qiita
OpenCVに含まれる深層学習ベースの顔検出 - Qiita
Caffeで回帰をしてみる - Qiita
Caffeで回帰をしてみる - deploy(予測)編 - - Qiita
【Caffe】HDF5 Data Layer向けのHDF5データを作ってみる - Qiita
caffeのprototxtを１つにしたった - Qiita
cuDNN v6.0でssdcaffeをビルドする時に詰まった事メモ - Qiita
Faster R-CNN のCaffe実装( py-faster-rcnn )を動かしたった - Qiita
Autowareのcv_trackerでビルドエラー解決メモ - Qiita
【エラー】Cannot interpret feed_dict key as Tensor: Tensor Tensor... is not an element of this graph - Qiita
