【Python】ただひたすらにフーリエ変換【備忘録】 - Qiita
import numpy as np from scipy.fftpack import fft import matplotlib.pyplot as plt # parameters N = 2**20 # data number dt = 0.0001 # data step [s] f1, f2 = 5, 8 # frequency[Hz] A1, A2 = 5, 0 # Amplitude p1, p2 = 0, 0 # phase t = np.arange(0, N*dt, dt) # time freq = np.linspace(0, 1.0/dt, N) # frequency step y = A1*np.sin(2*np.pi*f1*t + p1) + A2*np.sin(2*np.pi*f2*t + p2) yf = fft(y)/(N/2) # 離散フーリエ変換
最良のモデルを保存する（ModelCheckpointの使い方） - Qiita
Epoch数が少ないと学習が足りず、多すぎると過学習になりますが なんか自動で止める方法はないものだろうか・・・と調べると 灯台下暗し本家にありました 何ができるのか Epoch終了後の各数値（acc,loss,val_acc,val_loss)を監視して条件が揃った場合モデルを保存します 例えば下記の使い方の設定方法を設定し学習を行うと「Val_loss」を監視します 1Epoch終了後に「保存されている重みの「Val_loss」＞学習後の「Val_loss」」 の場合の時だけモデル全体を保存します これにより適当にEpochを決めて過学習となってしまった場合でも モデルファイルはそれ以前の「Val_loss」が最小の時のモデルファイルが 保存されるのでやり直しがなくて便利です 確認環境 python3.6.6 Tensorflow:1.10.0 Keras：2.2.2 使い方 直接mo
Anaconda不要！ GoogleColaboratoryを使ってMNISTを深層学習と自分がかいた画像を判定させる！ - Qiita
1.初めに 1.1 GoogleColaboratoryはさらっと流してメインはMNISTとGPUのすごさについて解説していきます。 2.GoogleColaboratoryについて 2.1勧める理由 これは神です。(異論認める)なぜそんなに勧めるのかというと、理由は主にしたの三つです。 GoogleDriveと連携しているのでいつでもアクセスできる! 高性能GPUが無料! エラーは調べてくれる! 本当にそのままです。大きいのは二つ目。GPUが使用できればVGG likeもお手の物！すぐに実用化できます。 しかし制約もあるので、詳しくはほかを参考にしてください。 2.2使い方 簡単です。GoogleColaboratoryのサイトにアクセスしてください。 ログインして、ファイル→Python3の新しいノートブックで自動生成されます。自分のGoogleのMyDriveに以下のようなフォルダが
TensorFlowのFashion-MNISTサンプルをCNNで改良してみる - Qiita
先日TensorFlowのチュートリアルにある基本的な分類のサンプルコードを試しましたが、精度はせいぜい90%足らずでそれほど高くはありません。 今回はCNNのモデル作成について調べつつ、Fashion-MNISTの精度改善に取り組んでみました。 Attribution Fashion-MINISTの分類サンプルはTensorFlowのチュートリアルをコピー&改変しています。[1] Portions of this page are modifications based on work created and shared by Google and used according to terms described in the Creative Commons 3.0 Attribution License. 実行環境 今回はGoogle Colaboratoryを実行環境として使用
TensorFlow for C API で CPU で推論を行う - Qiita
漢なら, TensorFlow for C API で推論を極めたいですね! やりましょう! C API は主に言語バインディング用に提供されていますが, 特に CPU で推論だけさせたい場合は, C++ API よりも C API を利用するといろいろ楽になります. 利点 API がわかりやすい C++ だと多数のヘッダファイルを読み込んだり, 各種使える class やメソッド名を調べるのが大変です. 特に TensorFlow の使い始めだと理解するのに時間がかかります. C API はヘッダファイルが一つであり, API もわかりやすくなっています. メモリ管理が明示的 メモリ確保, 解放のタイミングが明示的なのでメモリ管理がわかりやすい. メモリリークが気になる場合は ASAN(Aaddress Sanitizer) などを使えばだいたいトラッキングできます. リンクしやすい C
kerasのpretrained modelをtensorflowで利用する - Qiita
はじめに kerasではVGGなどのpretrained modelを簡単に利用できます。 一方、tensorflowにはpretrained modelが含まれていないため、 ネットワーク定義やweightをどこかから入手してくる必要があり、面倒です。 （TFLearnやTF-Slimには含まれているようですが、tensorflowのラッパーはkerasだけでお腹いっぱいです） そこで本記事では、kerasのpretrained modelをtensorflowで利用してfinetuningする方法を紹介します。 参考ページ http://zachmoshe.com/2017/11/11/use-keras-models-with-tf.html https://github.com/JihongJu/keras-fcn/blob/master/keras_fcn/metrics.py
本当に巨乳顔なんてないのだろうか？ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに Courseraの Machine Learning という講座を修了したので、自分で一から何か機械学習プロジェクトに取り組んでみようと思ったのが本記事のきっかけです。 とは言ってもテーマが思いつかずQiitaを漁ってたところ、 ディープラーニングで顔写真から巨乳かどうかを判別してみる (うまくいったか微妙) という記事を見つけました。微妙に終わった理由の一つ「そもそも巨乳顔なんてものはない？」に、本当にそうなのか？と思い、自分でトライしてみることにしました（勝手にすみません）。 おことわり 先行記事のコメントで巨乳／貧乳とい
Watson Studio で YOLO V3 物体検出 - Qiita
Watson Studio の Notebook で YOLO V3 を使って物体検出をしてみたので紹介します。 YOLOは こちら が本家のサイトになりますが、さまざまなディープラーニングのフレームワークにも移植されています。今回は以下のKeras版を参考に、Watson StudioのNotebookでも動かせることを確認しました。 手順 Watson Studioでプロジェクトを作成して、以下リンク先から Notebook を作成します。 https://github.com/schiyoda/YOLOV3-Keras/blob/master/yolov3_keras.ipynb Notebookでは本家のサイトでも公開されている学習済みモデルをKerasで使用できるように変換した上で、物体検出のテストをしています。今回は有名な犬の写真で物体検出できたことが確認できました。 その他の
GAN と親しもう！（機械学習名古屋第１7回勉強会） - Qiita
GANとは GAN GANは「generative adversarial networks」の略 日本語だと敵対的生成ネットワークという意味（adversarial=敵対的） その一種のDCGANでブレーク（以下DCGANベースで説明） 生成モデル 出力が画像等になるモデル DCGANでは、乱数を入力すると画像が生成される 敵対的とは 生成するネットワークと品評するネットワークを切磋琢磨させながら訓練 生成するネットワーク・・・Generator 品評するネットワーク・・・Discriminator と呼ばれる（モデルによっては別の名も） Discriminatorは、画像がデータセットに含まれる画像なのか生成した画像かを分類 DCGANの訓練の登場人物 訓練データセット・・・画像データセット 生成される画像・・・訓練データセットにありそうな画像 Generatorの入力・・・ランダムな
オレオレ機械学習ライブラリ構想（機械学習名古屋第１7回勉強会） - Qiita
自己紹介・近況 名前: 中西克典 所属: 有限会社 来栖川電算 twitter: @n_kats_ 最近、Oculus Goを買って、OculusRoomとかでVR会議とか夢見るも、する相手がいない問題等で挫折 話すこと 機械学習の開発 オレオレライブラリでしたいこと 最近何をしているか 面白いモデルを思いついた、試そう → あ、ここ一般化してライブラリ化しとこ → 新しいこと思いついた（元の奴、試してないやつ） で、そのライブラリ化しているものは、 https://github.com/n-kats/mlbase こんなことしている中で何を思っているかの話をします 機械学習で困るところ 世の中に手法がたくさんあって試しきれない パラメータをいじっているうちにもとに戻せなくなった 色々作っているうちにカオスに というか、機械学習のアルゴリズムに関係ないところに時間がかかる・・・ 機械学習の
sckit-learnのPiplineを使って、カスタム前処理をモデルの中に組み込む - Qiita
はじめに Watson Studioの機能を使うと、sckit-learnのモデルを簡単にWebサービスにすることができます。 (参考リンク) Watson Studioでscikit-learn機械学習モデルをWebサービス化する 便利な機能なのですが、この機能を実業務で使うことを想定すると、前処理にあたる部分もモデル処理に含めてしまいたくなります。 sckit-learnのカスタムモデルクラスと、Pipelineを使って、これを実装してみたサンプルコードをメモとして残しておきます。 (2019-01-05 FunctionTransformerを使った方式に全面書き換え) 前提 元データは、Irisデータセットを使います。 このデータセットは、ご存じのとおり、4次元の入力データですが、このうち、1番目と3番目の列は、x に対して np.log(x + 1)に値を変更し、これを後段のモデ
Sympyで包絡線を解いてmatplotlibで可視化 - Qiita
環境 Windows 7 Anaconda 4.3.34 python 3.6.4 何の話か 直線群の包絡線の曲線をSympyを使って求め、matplotlibを使って可視化してみたPythonコードを、自分語りに交えて紹介します。 導入 多湖 輝氏のシリーズに「頭の体操」というものがあります。なるほど面白い問題からなぞなぞ、ただの屁理屈まで幅広いひねった問題があったように思います。 例：問「先に家を出て東に向かった兄を追って弟が家を出たが、弟は西に向かった、何故か」答「自転車がある駐車場が西にあるから」 僕が子供のころ父が買っていて読んでいたのですが、そんななかふと気になる問題がありました。 ちょっと具体的な文は忘れたのですが、要約すると 「定規だけ（つまり直線だけ）で円を描け」 というものでした。答えは 正方形を用意し、各辺を細かく等分したメモリを打つ 左下にP、右下にQを置く PとQ
Seabornで相関係数行列を書こう - Qiita
初投稿です。お手柔らかにお願いします！ 今日は、kaggleのタイタニックでとあるkernelsを読んでいたところ、 Seabornというライブラリを使った、相関係数行列の作成があったので詳しく見ていきたいと思います。 参考: https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python 環境：kaggleのkernel(仮想環境） 相関係数行列、書けると何が嬉しいの？ 機械学習において余計なパラメータは計算リソースが増える・過学習の可能性が増えるので、 減らしたいものです。 相関が強い二つパラメータは、片方のパラメータで説明できてしまうので、 必要が薄いのです。 相関係数行列を表示すると、パラメータ毎の相関が一発でわかるので、 パラメータ選定の助けになります。 seabornとは？ seabo
ド素人がTensorFlowでFXのチャート予測#1 -開発環境構築- - Qiita
はじめに ド素人が、FXで勝ちたいがためにディープラーニングを勉強し、AIにチャート予測させようという無謀な試みです。 筆者には、プログラミングとFX自動売買を少しかじった程度の知識しかありません。 何を勉強すればいいのかすら分からないところからスタートです。 ゴールは、FXで安定して勝てる自動売買プログラムを作ること！ そして仕事を辞めて悠々自適に暮らすのだ。 本記事の内容 スタート地点がどこか（筆者の現在の知識等）を簡単に説明した後、開発環境を構築するところまで。 筆者の現状 作業環境 OS：Windows10 エディタ：Visual Studio Code 1.27.1 Python3.6（Anaconda3-5.2使用） TensorFlow 1.10.0 プログラミングの知識 java…入門書を数冊読んだ程度。オブジェクト指向がなんとなく分かる。（オブジェクティブなプログラミング
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
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
Webコンテンツ抽出のvision-based手法: TextMaps - Qiita
Colaboratoryでmatplotlibの日本語表示 - Qiita
pandasのapplyに複数の引数を持つ関数を与える - Qiita
TensorFlow内部構造解析 (2.1) Python層におけるグラフ構築 - Qiita
JetsonTX2にTensorFlowをインストール - Qiita
