GTX-1080でTensorFlow - Qiita
GTX-1080を入手したものの、pip でインストールしたTensorFlowでは使えないとのこと 四苦八苦したのでメモ Pythonの経験がまだ半年程度なのでインストール周りで無駄が多そう... 環境 Ubuntu 16.04 Python 3.5.2 Nvidiaのドライバが入ってないからかDVDブートだと画面が表示されなかったので、GTX-1080を取り外してインストール Ubuntuのインストールが終わったらGTX-1080を取り付けて起動しSSHで接続した Nvidiaドライバーのインストール GTX-1080 など GeForce を Ubuntu 16.04 LTS で CUDA-8.0RC と共に使う をがっつり参考にさせてもらってインストール とりあえず、 まずは Ubuntu 16.04LTS で nVIDIA GeForce を使う一般設定から だけを行った これで
TensorFlowは「テンサーフロー」か「テンソルフロー」か？TensorFlow自身に聞いてみる。 - Qiita
この記事は、 TensorFlow Advent Calendar 2016 25日目の記事です。 今年の10/7、TensorFlow UserGroup (TFUG) が発足しました。 「TensorFlow User Group立ち上げの儀」 に私も参加させていただいたのですが、そこで議題となったのが 「TensorFlowの読み方(カタカナ表記)」 でした。その場で多数決をとって、TFUGとしては 「テンソルフロー」 にすることに決定したのですが、思い通りに進まないのが世の常。 TFUG コアメンバの多数決の結果、 TFUGでは 「テンソルフロー」 に統一することに決定 TFUG #1 で、 NHKの取材が入り、 「テンサーフロー」 と書かれる Googleの中の人に聞くと 「テンサーフロー」 だと言われる と、混乱を極めております。そこで、 TensorFlow Advent C
TensorFlow のモデル保存アレコレ 1 - Qiita
TensorFlow のモデル保存ってほとんど全てのユーザーが通る道なのに、結構細かい仕組みまで知っておかないとよくわからない部分が多くて意外とややこしいと思ったので、躓きやすい部分（もしくは自分が実際に躓いた部分）を中心にまとめてみようかと思いました。 Variable の値を save/restore するときのアレコレ tf.train.Saver のコンストラクタについて 以下のコードを実行するとエラーが発生します。 import tensorflow as tf # Save variables with tf.Graph().as_default() as g1: v0 = tf.Variable(0, name="variable_0") saver1 = tf.train.Saver() # variable_0 を save/restore するオペレーションがグラフ g
TensorFlow for iOS のモデルについて - Qiita
以前、『TensorFlowの学習済みモデルを拾ってきてiOSで利用する』という記事を書いたのですが、そのとき用いたモデルデータはいずれも Protocol Buffers 形式でした。 （YOLOモデルでリアルタイム一般物体認識） Protocol Buffersはプラットフォーム等を問わない汎用的なフォーマットですが、上の記事を書いたときにわからなかったのが、.pbでエクスポートされたTensorFlow用のモデルでも、iOSで使えるものと使えないものの違いはあるのかないのか、あるとしたら何なのか（単にサイズや使用メモリ量とかが制限になってくるのか）、という点です。 理解の手がかりになるかわかりませんが、TensorFlowのiOSサンプルがどうやってモデルデータを読み込んでいるか、コードをちょっとだけ追ってみます。 なお、今回利用するサンプルはsimpleです。 .pbファイル読み込
TensorFlowとMLサービスの2016年の布教活動報告 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? これはTensorFlow Advent Calendar 2016の記事です。 といっても、皆さんみたいにTFで面白いもん作ってみた、みたいなネタがない（TF力が足りない）ので、TensorFlowとMLサービスのエバンジェリストとしての2016年の布教活動をまとめたいと思います。 ちなみに私は2012年〜2014年はGCPのソリューションアーキテクトとしていろんなソリューションを作るのがお仕事でしたが、2015年からはデベロッパー・アドボケイトとして布教活動とコミュニティ支援活動を担当しており、もうすぐ2年（Googleに入って6年
TensorFlowのinitialize_all_variablesがDeprecatedになった件 - Qiita
先日(2016/11/29)TensorFlowの最新版r0.12がリリースされました。 TensorFlow r0.11で開発していたアプリケーションを本番リリース前のテスト環境として用意したr0.12で実行したところ、起動時に見覚えのない警告メッセージが表示されました。 WARNINGの内容 WARNING:tensorflow:From :1 in .: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use tf.global_variables_initializer instead. initialize_all_variablesは2017/
TensorFlowをWindowsでビルドする - Qiita
※0.12から公式でWindowsビルドが提供されるようになりました！ Release 0.12.0/Major Features and Improvements 最近(たぶん2016/10ぐらいから)、TensorFlowがWindowsでビルドできるようになりました。 以下に、CMakeを利用したビルドの手順が公開されています(ただ、今後はbazelへ移行すると思われます)。 tensorflow/tensorflow/contrib/cmake/README.md かなり丁寧に書かれているので、基本的にはこの通り行っていけばビルド、またPythonラッパーの生成を行いWindowsネイティブでPython x Tensorflowを使用することができます。 ただ、ビルドに結構時間がかかるので、手っ取り早く使いたい方は以下に私がビルドしたものを置いてありますので、使ってみてください。
Tensorflowで個人サービスにアップロードされた不適切なイラスト画像を検出する - Qiita
要約 エロ・グロ・暴力などの不適切なイラスト画像を検出するための分類器をTensorflowを使って作っています。そのうち、男性器っぽいイラストだけを検出する機能を独立したwebアプリとして公開しました。 Chinkoチェッカー http://chinko-checker.kenmaz.net 使い方 使い方を説明したいところですが、いかんせんアプリケーションの性質上、実際の画像を使った説明は困難なので、一部モザイクを掛けて説明します。 まずペンツールを使って以下のような画像を描いてみましょう。 全然いやらしい絵ではないですね もうちょっと修正してみましょう ↓ ん？ ↓ んん！？ とか これが ↓ こうじゃ 開発の背景 パラパラマンガを投稿できる「AnimeMaker」というサービスを個人で運営していますが、最近エロや暴力的な作品をアップする人が増えてきており、それに伴い一般ユーザからの
TensorFlowによるアイドル顔識別器の話 - 2016.12.13 TensorFlow User Group #2 - Qiita
自己紹介 すぎゃーん (id:sugyan) Web系エンジニア ドルヲタ TensorFlowで機械学習に入門 (2015.11〜) はてなブログ書いてます すぎゃーんメモ http://memo.sugyan.com/ アジェンダ アイドル顔識別について 自作識別器の紹介 データセット・学習の話 可視化 前回のあらすじ TensorFlowによるアイドル顔識別器の話 (2016.9.28) 学習用データセットの収集・作成 …の苦労話 モデルの評価と実験 収集したデータを使った顔画像生成 など アイドル顔識別について 問題設定 (やりたいこと) 「入力した画像に対し、写っているのが『どのアイドル(人物)か』を機械学習により自動判定する」 画像に対する 物体検出 + 分類 顔検出は今のところCloud Vision API任せ 検出された領域を抽出した個々の顔画像に対する分類がメイン LI
ついに来た！ Azure GPU インスタンス上に30分で構築する TensorFlow on GPU 実行環境構築手順 - Qiita
Deep Learning の学習を高速でぶん回すには GPU の活用が欠かせないですよね！ 12月1日についに Azure の GPU インスタンス (Azure N series) が GA (General Availability) になったので、 その N series で使える以下の3種類の OS の中から、 Ubuntu 16.04 LTS Windows Server 2016 Windows Server 2012 R2 Ubuntu 16.04 LTS を選んで、TensorFlow on GPU の環境構築方法をまとめました。 TensorFlow on GPU の環境構築完了までには、 NVIDIA の GPU Driver を入れる CUDA Toolkit を入れる cuDNN を入れる TensorFlow GPU version を入れる というそこそこ面倒
3ステップディープラーニング with TensorFlow - Qiita
こちらはTensorFlow Advent Calendar 2016の2日目です。 書いている人は、今年の4月に機械学習のこともよくわからない状態からディープラーニングを中心に勉強し始めて、最近少しは使えるようになってきたかなという感じです。 勢いでアドベントカレンダーにエントリーしたものの、あまり難しいことはマサカリが飛んでくる力が及ばないと思うので、これからディープラーニングやTensorFlow始めようかなという人向けの記事にします。読んでみて、「自分もディープラーニング始めてみようかな」「TensorFlow触ってみようかな」と思ってもらえれば嬉しいです。 想定している読者 プログラミング経験はあるけど、機械学習・ディープラーニングは全くわからないという人に向けて書いています。 使用している言語はPythonですが、リスト内包表記とNumPy以外は他の言語経験があればそれほど問題
Tensorflow Timelineによるパフォーマンスの計測 - Qiita
import tensorflow as tf from tensorflow.python.client import timeline run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE) run_metadata = tf.RunMetadata() _, loss_value = sess.run([train_op, loss], options=run_options, run_metadata=run_metadata) step_stats = run_metadata.step_stats tl = timeline.Timeline(step_stats) # Tensorの利用メモリもshow_memory=Trueでとれるが割愛 ctf = tl.generate_chrome_trace
TensorFlow将棋ソフト開発日誌 目次 - Qiita
TensorFlowで将棋AIをつくろうという試みを開発日誌形式で連載しています。毎回導入した技術、TensorFlowの使い方、得られた知見を綴ります。記事が増えてきたので目次を作りました。 TensorFlowによる将棋ソフトの開発日誌（ゆっけさんの場合） #1 開発をはじめることになった経緯や実現のためのアプローチ。 TensorFlowによる将棋ソフトの開発日誌（ゆっけさんの場合） #2 勝敗予測モデルの話。2chkifuというデータ集を利用する話。 TensorFlowによる将棋ソフトの開発日誌（ゆっけさんの場合） #3 入力ベクトルの形状の説明。 TensorFlowによる将棋ソフトの開発日誌（ゆっけさんの場合） #4 とりあえずで作ったモデルの説明。後に学習がうまくいかないモデルだと判明しました。 TensorFlowによる将棋ソフトの開発日誌（ゆっけさんの場合） #5 ba
TensorFlow の名前空間を理解して共有変数を使いこなす - Qiita
イントロ これは、TensorFlow Advent Calendar 2016 の9日目の記事です． 2015年の11月に公開されたTensorFlowですが，公開当初から「名前空間」の機能がサポートされていました．これはTensorBoardによるグラフ視覚化において使われますが，もちろんそのためだけにあるわけではありません．名前空間は，識別子の管理に非常に有効です．強力な「名前空間」サポートというとC++を思い出しますが，C++の教則本（独習C++）から引用します． 名前空間(namespace)の目的は識別子の名前を局所化し，名前の競合を避けることです．C++のプログラミング環境では，変数，関数，クラスの名前が急増を続けてきました．名前空間が登場する前は，これらのすべての名前がグローバルな名前空間の中で場所を取り合い，多くの競合が発生していました． 一方，Pythonの変数スコープ
画像の水増し方法をTensorFlowのコードから学ぶ - Qiita
はじめに Deep Learningで画像を精度よく分類するにはとにかく枚数が必要です。しかし、大量の画像をすべて手作業で用意・タグ付けするのは困難です。そこで、タグ付けされた画像を加工することで画像の枚数を増やす(水増しする)ことが行われます。 今回は、水増しするためにどのようなことをするのかをTensorFlowのコードから学びたいと思います。 具体的にはCIFAR-10のコードから学んでいきます。 cifar10/cifar10_input.py 実際のコードでは以下のように複数の処理を組み合わせて画像の水増しを行っていました。 # Image processing for training the network. Note the many random # distortions applied to the image. # Randomly crop a [height,
TensorFlowにネットワーク越しのデータを食べさせてみる - Qiita
import tensorflow as tf import numpy as np import httplib ## 定数 IMG_SIZE = 256 ## 学習させる画像の縦幅・横幅 IMG_LENGTH = IMG_SIZE * IMG_SIZE * 3 ## 学習させる画像データ長 LABEL_CNT = 10 ## ラベルの種類の数 IMG_DOMAIN = 'hogehoge.com' ## 画像が取得できるURLのドメイン名 ## 学習に必要な変数の初期化 sess = tf.Session() x = tf.placeholder(tf.float32, shape=[None, IMG_LENGTH]) W = tf.Variable(tf.zeros([IMG_LENGTH, LABEL_CNT])) b = tf.Variable(tf.zeros([LABEL_
趣味のTensorFlowのハードウェアとGPUクラウド事情 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 目次 自分がやっていること、カジュアルディープラーニング TensorFlowで遊ぶために必要なハードウェア 自前PC編 クラウドサービス編 自分がやっていること、カジュアルディープラーニング もともとはカーネル主成分分析系統の理論で顔画像認識とかやったり諸々のコンピュータビジョンのあれこれでお仕事してたりしてました。最近はコンピュータビジョンのお仕事からは離れてフツーの開発をしています。 趣味でプログラミングもしていて今年はTensorFlowを始めました。TensorFlow将棋ソフト開発日誌 目次 という形で開発の経過を書いていま
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
CPU/GPU/AWSでのTensorflow実行速度比較 - Qiita
マルチスレッドに関するTensorFlowの内部構造について - Qiita
TensorFlow - Qiita Advent Calendar 2016 - Qiita
