TensorFlowのWide & Deep Learningを直感的に理解する - Qiita
Fringe81 Advent Calendar 19日目です。 本記事は、Wide & Deep Learningの基本的な概念の理解をゴールにしており、実装の細かい話については触れません。 Wide & Deep Learningの詳細を知りたい方は以下のページを参照下さい。 TensorFlow Wide & Deep Learning Tutorial Research Blog: Wide & Deep Learning: Better Together with TensorFlow 対象読者 Python/TensorFlowで機械学習のモデリングをしている 高次元スパースなデータを扱っている 線形モデルとDeepLearningの良いところ取りをしたい TensorFlowとは 以下の記事を参照下さい。 DeepAge: ビッグデータを分散学習するDeep Learning
[Keras/TensorFlow] Kerasでweightの保存と読み込み利用 - Qiita
from __future__ import print_function import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import RMSprop batch_size = 128 num_classes = 10 epochs = 1 # the data, shuffled and split between train and test sets (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train = x_train.reshape(60000, 784) x_te
![[Keras/TensorFlow] Kerasでweightの保存と読み込み利用 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/d24700ab79637bb924e7b636b5ea93af6033f510/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMTc1MDkyJTJGcHJvZmlsZS1pbWFnZXMlMkYxNDkxOTY1NTQzP2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPTY2Y2UzMmUzMDI4Y2RlN2I1ZWQ2ZDI1OTA2NTIyZjQ5%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Dbb7e4e8feca32d85d550a795ef998999%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCS2VyYXMlMkZUZW5zb3JGbG93JTVEJTIwS2VyYXMlRTMlODElQTd3ZWlnaHQlRTMlODElQUUlRTQlQkYlOUQlRTUlQUQlOTglRTMlODElQTglRTglQUElQUQlRTMlODElQkYlRTglQkUlQkMlRTMlODElQkYlRTUlODglQTklRTclOTQlQTgmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz1hNzIwNmQ2NzgxOGM4NWM3ZDIwZmQ5YzczNWYxOTM0MA%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBhZ3Vtb24mdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz01MmU1MGE3NmNjYzA3NDFlMmQ0ZjQwMzQwNWU2MzgyZA%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D0c4aab913f8bf575f3c534d12daa0c08)
Houdiniで機械学習 with TensorFlow - Qiita
はじめに はじめにこの記事に関しての動機をメモしておくと、「とりあえず、簡易的な実装含め記事を残しておけば興味持って取り組んでる人が出てきてくれるかな？」というのを少しばかり期待しているのと、「Houdini上で機械学習のプロセスを通したI/O処理を整理していく上で、基礎のところをまとめておこう」ということがある。 今回の優先順目的は2つある。Houdini上のCOP Netoworkプロセス(画像合成処理操作ネットワーク、 Composite OPeration Network)で処理した画像を機械学習プロセスを通し、出力した結果を利用してSOP Netowrk(ジオメトリ操作ネットワーク、 Surface OPeration Network)に対して影響させるというI/O処理を実装する事。この方法をもとに、様々な実験・実装を重ねていくための一歩として残しておくことにある。次に、Houd
無から始めるKeras 第2回 - Qiita
無から始める Keras のもくじはこちら 前回のおさらい 前回は雑なデータセットを作って雑に学習させた。 入力は、要素がそれぞれ0以上1未満の5次元のベクトル。出力は、そのベクトルの要素の和が2.5以下だったら0、2.5より大きかったら1。いわゆる「2クラス分類」をする。 データセットは以下のように作った。出力はニューラルネットが扱いやすいように、ワンホットな2次元のベクトルにしてやる。 活性化関数（activation） ニューラルネットでは、前の層からやってきた値の重み付き和をとる。そこにバイアスの定数を加え、最後にある関数を適用する。この適用する関数が活性化関数である。 Activation というレイヤーを使って活性化関数をかけることもできる。これを使うとパラメータを指定できたりするのだが、まあ使わなくてもいいっちゃいい。 なおバイアスは、意味合い的には負のときに閾値となる（この
keras(tensorflow)でSegNet - Qiita
SegNetは、ケンブリッジ大学が開発した画素単位でのラベリング機能を実現する、 A Deep Convolutional Encoder-Decoder Architectureのこと keras2系+tensorflowで実装してみた とりあえず動かしたソースコードを貼っていく 解説はいずれやりたい・・・ 環境 ubuntu 17.04 python 3.6 keras 2.0.8 tensorflow 1.3.0 データの読み込み 画像のセグメンテーション用に公開しているデータを使う https://github.com/alexgkendall/SegNet-Tutorial リポジトリの、./CamVid内のデータを使う クラスは12あり、順番に [Sky, Building, Pole, Road_marking, Road, Pavement, Tree, SignSymbo
TensorFlow Eager Executionの紹介 - Qiita
この記事はTensorFlow Advent Calendar 2017のDay8の記事になります。 TensorFlow Eager 概要 国内で根強い人気を持っているChainerやここ1年くらいで海外で大きくユーザを増やしたPyTorchでお馴染みのDefine-by-Runでモデルを記述することができるTensorFlowのパッケージの一つ。記事投稿時点ではまだPreview releaseとなっています。 Define-by-Run これまでDefine-and-RunだったTensorFlowがなぜDefine-by-Runを導入するのか？Define-by-Runには次のようなメリットがあるので、RNN系の実装が多い方に好まれています。 動的なネットワークを構築することが出来る (Ex. mini-batch毎に処理が違っても良い) モデルのエラーのデバッグが行いやすい また
kerasでiOSアプリに使うモデルを作るためのTips ~ coreMLとの戦い 編 ~ - Qiita
前回の続き ちょうど良かったのでKerasのアドベントカレンダーに参加しました。 前置き この話は2017年12月3日現在のお話です。各種オープンソースのバージョンアップによってどんどん解決されているかもしれません。 Lambdaの便利さに取り憑かれたが故の悲劇 前回はLambdaの便利さについて書きましたが、実はある特定の目的でモデルを設計していると（現時点では）悲しみを背負うことになります。そうです、私は背負いました。 機械学習が色んな所で気軽に使えるようになってきた昨今、浮足立っているエンジニアの中で私も例に漏れず 「iOSアプリで学習したモデルを気軽に使えたら楽しそうだなぁ」 って思ってた所に発表されたのが coreML です。しかもなんと、公式でkerasのモデルをcoreMLで利用できるようにするためのコンバーター（coremltools）がオープンソースで公開されていると。
時系列予測を一次元畳み込みを使って解く with Keras - Qiita
こんにちはみなさん。 本記事はKerasアドベントカレンダーの6日目となります。 他の方と比べてしょうもない記事ですが、がんばります。 時系列予測とか時系列解析をするのに、機械学習界隈で一般的な手法はRNN ( リカレントニューラルネットワーク ) だと思うのですが、これの理論て結構難しくて、特にLSTMなんて、私は未だによくわからないし、コードを見てもちんぷんかんぷんです。 そんなの知らなくてもとりあえず動けば問題ないっちゃ問題ないんですが、やっぱりある程度自分が動きを理解できているもののほうが、安心して使えるというものです。 というわけで、一次元畳み込みを使って時系列解析をするという話が出てきているので、kerasを使ってその使い心地を調べてみました。 一次元畳み込み 畳み込み( Convolution ) を使ったニューラルネットワーク ( CNN ) は、今や機械学習の代名詞のよう
KerasでTensorboardを使用する際のTips - Qiita
対象読者 Tensorboardを使っている人 おまけ Kerasに関する書籍を翻訳しました。画像識別、画像生成、自然言語処理、時系列予測、強化学習まで幅広くカバーしています。 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ Tensorboardとは モデルの値を確認する可視化ツールであり、日々確認できる項目が増えています。 これを使いこなせると機械学習エンジニアの仕事がスムーズになると思います。 この記事で紹介するTensorboardの機能 SCALARS： ロスや精度などの学習中の挙動を確認するために使用 IMAGES：各層の重みやバイアスの遷移が確認できる GRAPHS：モデルの構成を確認するために使用 DISTRIBUTIONS：各層の値の分布 HISTOGRAMS：各層の重みのヒストグラム PROJECTOR：識別などで潜在空間が適切に
kerasで頭に描いたネットワーク構造を実現するためのTips ~ functional API 編 ~ - Qiita
kerasを使って色々なNNを書いたり色々なデータを学習させたりしていくと、だんだんチュートリアルから逸脱した領域に手を出したくなってきます。そんな時意外とkerasのドキュメントはそこまで親切に面倒をみてくれないので、引っかかったところを中心にこんなネットワークを作りたいならこんな風に書けばよかった、という逆引きリファレンス的な記事です。 ※ バックエンドをTensorflowとする事を前提に書いているので別のバックエンドを使っている方は所々違うかもです。 ※ こんなこと言っといてあれですが、kerasのドキュメントは実際には充実していて、探しにくいだけで実は書いてあったりする。なので知ってる人は見つけられる内容だったりします。 Functional API これはまだチュートリアルにも書いてある内容です。 が、kerasって簡単そう！という純朴な考えで飛び込んできた方には実はあまり目に
Twitterから画像を集めてKerasで軽く分類してディープラーニングの学習データにする流れ - Qiita
努力と根性 背景 GANやVAEなどの生成モデルを使ってヌードグラビアを生成するということをやってます（最近ちょっとサボり気味、PUBG楽しい）。ここでは学習データをどうやって収集しているのかを紹介していきます。 主に使用するツール・言語 : python, bash, xargs, twphotos, keras 何をするのか 目標として以下の条件の画像を集めます。 縦構図 規定値以上のサイズ カラー（グラビアにはモノクロ化、単色化されたものがあるがそれは除外する） 頭から腰までは最低限写っていて正立に近い構図（頭が下、腰が上などの構図を除外する） 「オッオッオッ」ってグッと来るもの おおまかな流れ 前準備 Twitterでリストを作成する Twitterリストに欲しい画像をたくさんアップロードしているアカウントを収集する プログラム APIを使ってTwitterリストのメンバー名を収集
Keras - Qiita Advent Calendar 2017 - Qiita
About reserved postingIf you register a secret article by the day before the same day, it will be automatically published around 7:00 on the same day. About posting periodOnly articles submitted after November 1 of the year can be registered. (Secret articles can be registered anytime articles are posted.)
【Python】QRNNでカオス時系列データ予測【Keras】 - Qiita
はじめに 以前，KerasやTensorFlowを用いたRNN（LSTM）による時系列データ予測の導入記事を書いたのですが，予測対象が単純なsin波だったため，リカレントなネットワークの効果を実感できずに終わってしまっていました．また，その記事を書いた後あたりにCNNを活用して計算処理の並列化を進め，LSTMよりも高速な学習を行うQRNNが発表されたため，今回はもう少し複雑な時系列情報に対してQRNNの効果を試しつつ，CNNやRNNとの効果の違いをみてみます． なお，備忘録としてざっくりとしたQRNNの解説を載せていますが，より詳しく，わかりやすい以下のような解説が多数あげられていますので，詳細等が気になる方はそちらをご覧ください． 参考文献 QRNNでLSTM(深層学習を用いた時系列分析)をスピードアップ(次世代システム研究室様) Quasi-Recurrent Neural Netwo
【Movidius™NCS＆RaspberryPi】リアルタイム物体認識【TensorFlow】 - Qiita
RaspberryPiの様な非力なマシンでも人工知能スティックを利用することで、ディープラーニングの実行速度を上げることが出来るようになりました。 Movidius™ Neural Compute Stick 先日スイッチサイエンスさんで購入することが出来ましたので早速試してみました。こんな感じ。 画像はFPS10程度のGIFですので、動画で確認したい方はこちらをご参照ください。通常のRaspberryPiでは考えられない位（6〜7倍）高速に推測を行う事が出来ています。 環境 ハードウェア RaspberryPi3 Movidius™ Neural Compute Stick LOGICOOL ウェブカム HD画質 120万画素 C270 ソフトウェア RASPBIAN STRETCH WITH DESKTOP 4.9 Python 3.5.3 pip 9.0.1 TensorFlow 1
初心者のRNN(LSTM) | Kerasで試してみる - Qiita
時系列データ解析の為にRNNを使ってみようと思い，簡単な実装をして,時系列データとして ほとんど，以下の真似ごとなのでいいねはそちらにお願いします． 深層学習ライブラリKerasでRNNを使ってsin波予測 LSTM で正弦波を予測する CHANGE LOG 2020/07/12 Sequenceの長さを25 → 50で再学習させた場合を追記 ライブラリをスタンドアロンKeras → Tensorflow.kerasに変更 ライブラリ from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation from tensorflow.keras.layers import LSTM from tensorflow.keras.optimizers impor
Mac OSXでeGPUプログラミング環境構築(Keras,Tensorflow) - Qiita
もともとGPUを積んでないmacでGPUを使った機械学習をしたいので,外付けGPUボックスとグラフィックボードを用意して環境構築まで行いました。 環境 Mac Mini(macOS Sierra 10.12.6) Python 3.6.3 (pyenvを使っています) AKiTiO Node Thunderbolt3 eGFX Box NVIDIA GeForce GTX1080 Mac MiniはThunderbolt3に対応していないので,Thunderbolt3 to Thunderbolt2アダプタが必要 GPUのセットアップ こちらの記事を参考にGPUのセットアップをしました. Macbook ProでThunderbolt 2接続の外付けGPUを使う（Netstor NA211TB + GeForce GTX 760） NVIDIA Web Driverは378.05.05.2
TensorFlow(LSTM)でBitcoinの価格予想 - Qiita
Bitcoin(ビットコイン)とは？ ビットコインは仮想通貨の一種です。仮想通貨の定義は様々ですが、日本のビットコイン取引所"bitFlyer"によれば 下記です。 仮想通貨としてイメージしやすいのは、オンラインゲーム内の通貨です。円やドルを支払って、ゲーム内で使われている通貨を手に入れれば、そのゲーム内で使われている通貨が「使える」ゲーム内のお店で、アイテムを買うことができます。ゲーム内でのみ使える、仮想の通貨です。 出典*1:ビットコイン（Bitcoin）とは？ ビットコインは仮想通貨の中でも単価価格が高額であり取引高も多いため、投資家達は競って投資しています。 TensorFlow(LSTM)とは？ Bitcoinの価格予想は下記記事を下書きとしています。TensorFlowおよびLSTMの詳細については下記記事を参照して下さい。 出典*2:TensorFlow(LSTM)で株価予想
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
kerasのよく使うやつメモ - Qiita
Kerasで分岐・結合を持つNNを素早く書く - Qiita
TensorFlow 環境構築 on windows - Qiita
