TensorFlowSharp を VisualStudio2010 から使う - Qiita
はじめに 仕事の話がきっかけですが、顔写真に対する証明写真としての適正具合を画像分類で判定できるんじゃないか？ という個人的興味がわいたため、適当にWebで顔写真を集めて VGG16 をベースに転移学習した Keras のお試しモデルを作りました。0.0 ～ 1.0 の不適切度を出力し、しきい値 0.5 で 93% くらいの精度でした。 現場のサーバーが Windows Server なので、もしそこで動かすならということで「C#で学習済みVGG16モデルを使ってアプリを作る方法」を参考に VisualStudio2017 と TensorFlowSharp を使って動くことを確認しましたが、ついでに現場の開発用IDEである VisualStudio2010 でもビルドできるようにしてみました。 作ったもの github に TensorFlowSharpNet40 というレポジトリで公開
tensorflow+Geforce RTXシリーズでパフォーマンスを確認してみる（その２） - Qiita
C:\Users\Kuroyagi\Jupyter_home > nvprof -o profile%p.nvvp --profile-child-processes jupyter notebook --profile-child-processesと-oについてる%pに注意。 前者のオプションでjupyterからpythonまで芋づる式に拾ってくれるようになります。このオプションを指定した場合は出力ファイル名に%p(プロセス番号に置換)を含めないと駄目らしい。 2. Jupyter側で操作 Jupyter notebook側（ブラウザ）でtensorflow実行、終わったらDOS窓でCtrl+Cして終了させます。 最初は前記事のImages/Pix2Pixを解析しようとしたんですが、プロファイル結果が訳わからないことになったのでもう少し単純なものを。 Keras作者の本を写経したやつが
tensorflow+Geforce RTXシリーズでパフォーマンスを確認してみる - Qiita
概要 RTX2080を衝動買いしたため、これで機械学習を高速化できないか、とtensorflow+CUDA10自家ビルドで試してみた話。 結果としては「FP32性能上昇分しか変わりませんでした」という残念なものになっています。 ただ、やり方を間違えている可能性はあるのでいずれリベンジ記事を書け...ればいいなぁ。 なおこの記事ですが「Windows10＋Python3.6」というマイナー(?)環境でやっていますのでその点ご注意を。 前準備 RTX20xxシリーズの機能をフルに使うにはCUDA10の案内で「Turingサポート」が挙げられているので、CUDA10を使ってやる必要がありそう。 が、ビルド済みパッケージの提供は プラットフォーム CUDAバージョン という状況で、どちらもCUDA10は組み込まれていません（10/9現在）。 なければビルド...ということでビルドしてみましたが、ど
CoLabでAutoEncoder - Qiita
これまで、KerasでAutoEncoderとか、KerasでAutoEncoderその2とかの記事を書いてきたんだけれど、これをGoogle Colaboratoryで動かしてみようか、というココロミについて。 Google Colaboratoryで動かせば、GPUが使えるのが大きい。 目的 手書きの数字の「1」を学習する 手書きの「1以外の数字」が入力された際に、その画像が「1」とは何やら違う、ということを示す まずは、KerasでAutoEncoderその2で書いたネタを、tensorflowのKerasで動作するようにするのがゴール。 Colab上で実装する Colabでpip install -U Kerasしようかと思ったけれど、tf.kerasを使うことにする。 まずは、Colabの「ファイル」メニューで「Python3の新しいノートブック」を選択して、ノートブックを作成す
dockerで機械学習(10) with anaconda(10)「実践 Deep Learning ――PythonとTensorFlowで学ぶ次世代の機械学習アルゴリズム」Nikhil Buduma 著 - Qiita
dockerで機械学習(10) with anaconda(10)「実践 Deep Learning ――PythonとTensorFlowで学ぶ次世代の機械学習アルゴリズム」Nikhil Buduma 著PythonDeepLearningDockerAnacondaTensorFlow この項は書きかけです。順次追記します。 1.すぐに利用したい方へ(as soon as) 「実践 Deep Learning ――PythonとTensorFlowで学ぶ次世代の機械学習アルゴリズム」Nikhil Buduma 著 https://www.oreilly.co.jp/books/9784873118321/ <この項は書きかけです。順次追記します。> docker dockerを導入し、Windows, Macではdockerを起動しておいてください。 Windowsでは、BiosでIn
Python×Keras×GANチュートリアル 人工知能でファッション生成（2） - Qiita
コードの解説 （２）もお読み頂きありがとうございます。 それでは、さっそく、コードの解説に移らせていただきたいと思います。まずはganの仕組みをしっかり理解する必要があります。原論文をきちんと読んだ上で、実装に即した形で説明したいと思います。 GANの実装の仕組み 基本の構成要素 GANは、２つのニューラルネットワークでできています。 generaterとdescriminaterです。面倒なので、ｇ，ｄと呼びます。ｇは、ニセの画像を作り出すニューラルネットワークです。ｄは、ｇが作ったニセの画像と、本物の画像を識別するニューラルネットワークです。 なので、ｇが偽造者、ｄが判別者などと呼ばれたりもします。 ｇとｄをトレーニングしていくと、最終的には、本物っぽい画像を生み出すｇが得られることになります。このｇを使えば、以後、本物っぽい画像をいくらでも生成できることになります。 gとｄの実装理念
Kerasでの学習とEagerModeでの学習の比較 - Qiita
概要 TensorFlowに導入されているEager Modeについて、プログラムの書き方を理解するため、Kerasとの書き方の比較をしてみました。また、学習結果の差がどうなるかを検証しました。 環境 TensorFlow v1.10 Windows10 Eager Modeの起動 まずは、TensorFlowをEagerModeに切り替えます。KerasはEagerModeにしておいても動くようです。 import tensorflow as tf tf.enable_eager_execution() tfe = tf.contrib.eager print("TensorFlow version: {}".format(tf.VERSION)) # TensorFlowのバージョン確認 print("Eager execution: {}".format(tf.executing_e
「詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理」巣籠悠輔 著。dockerで機械学習(7) with anaconda(7) - Qiita
(base) root@5d7f67ae9b0a:# ls bin boot dev etc handson-ml home lib lib64 media mnt opt proc root run sbin srv sys tmp usr var (base) root@5d7f67ae9b0a:/# cd handson-ml/ (base) root@5d7f67ae9b0a:/handson-ml# ls 01_the_machine_learning_landscape.ipynb book_equations.ipynb 02_end_to_end_machine_learning_project.ipynb datasets 03_classification.ipynb docker 04_training_linear_models.ipynb extra_autodi
[メモ]TensorFlowのアップデートとバージョン確認 - Qiita
もし [WinError 5] アクセスが拒否されました。 というエラーが出たらcmdを管理者として実行すると解決する。 cmdを管理者権限で起動するには以下のリンクを参考にする。管理者権限でコマンドプロンプトを起動するショートカット バージョン確認方法 以下のコマンドを打つ
![[メモ]TensorFlowのアップデートとバージョン確認 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/39fe1fedc817221e5f767cc2f912570eb66ccda6/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZ0eHQ9JTVCJUUzJTgzJUExJUUzJTgzJUEyJTVEVGVuc29yRmxvdyVFMyU4MSVBRSVFMyU4MiVBMiVFMyU4MyU4MyVFMyU4MyU5NyVFMyU4MyU4NyVFMyU4MyVCQyVFMyU4MyU4OCVFMyU4MSVBOCVFMyU4MyU5MCVFMyU4MyVCQyVFMyU4MiVCOCVFMyU4MyVBNyVFMyU4MyVCMyVFNyVBMiVCQSVFOCVBQSU4RCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1jbGlwPWVsbGlwc2lzJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9MzEyMzdlYTAzNTk2ZmI1NjYxOWNjZWE3MjEzMWI1MzM%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwYW5rb21vdGNoJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz03NzI1YWJhMDQwYWJjZGEyNzNhYWVmZTdkODljMzhhYg%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Dbee13a650cb415c30c971d7ce1d907c0)
dockerで機械学習(6) with anaconda(6)「 scikit-learnとTensorFlowによる実践機械学習」Aurélien Géron 著 - Qiita
(base) root@5d7f67ae9b0a:# ls bin boot dev etc handson-ml home lib lib64 media mnt opt proc root run sbin srv sys tmp usr var (base) root@5d7f67ae9b0a:/# cd handson-ml/ (base) root@5d7f67ae9b0a:/handson-ml# ls 01_the_machine_learning_landscape.ipynb book_equations.ipynb 02_end_to_end_machine_learning_project.ipynb datasets 03_classification.ipynb docker 04_training_linear_models.ipynb extra_autodi
KerasでPSNR（ピーク信号対雑音比）を計算する方法＋画像補間アルゴリズムの比較 - Qiita
論文を読んでたらPSNR（Peak signal-to-noise ratio：ピーク信号対雑音比）を訓練の評価に使っていたのがあったので、実装してみました。画像の拡大、縮小といった超解像ではよく出てくる概念です。 ざっくり言ってPSNRって？ （拡大や縮小、圧縮などで）画像がどれだけ劣化をしたかを示す値。値が小さいほど劣化していて、大きいほど元の画像に近い。 Wikipediaによると以下の式で定義されます。 $$PSNR=10\cdot\log_{10}\frac{MAX_I^2}{MSE} $$ 本来の定義はこの式です。MSEは2つの画像の画素ごとの平均2乗誤差、$MAX_I$は画素値の取りうる最大の値で、0～255なら255、0～1.0なら1です。機械学習では大抵0～1のスケールに変換するため、後者の$MAX_I=1$が多いと思います。 なぜこれが劣化の尺度になるのかというと、MS
TensorFlow事始めメモ - Qiita
【作成中】 jupyter notebookのリンク ・使い方の一通りが体験できます。 https://techacademy.jp/magazine/17430 ・より詳しい初心者向け使い方です。 https://www.sejuku.net/blog/59437 Grad-CAMのリンク https://qiita.com/haru1977/items/45269d790a0ad62604b3 http://blog.brainpad.co.jp/entry/2017/07/10/163000 GAN（Generative Adversarial Network）のリンク https://elix-tech.github.io/ja/2017/02/06/gan.html https://blogs.nvidia.co.jp/2017/06/21/generative-adversar
Object Detection APIで勾配降下法を変更したり、データ拡張を行う - Qiita
Object Detection APIのデータ拡張や勾配降下法の変更方法が、あまり投稿されていなかったので、メモしておきます。 対象者 Object Detection APIを使ったことがある方 勾配降下法を変更する デフォルトの状態 下記デフォルトの状態で、70行目あたりに下記のコードがあると思います。 この中のoptimizerの箇所を変更していきます。 train_config: { batch_size: 24 optimizer { rms_prop_optimizer: { learning_rate: { exponential_decay_learning_rate { initial_learning_rate: 0.004 decay_steps: 800720 decay_factor: 0.95 } } momentum_optimizer_value: 0.9
【TensorFlow.js】ブラウザで手話数字認識【前編：Python編】 - Qiita
ブラウザのGPUを利用してディープラーニングを実行できるライブラリTensorflow.jsを利用して手話数字を認識させてみました。こんな感じ。 デモ: Webcam Sign Language Digit Classification with TensorFlow.js 学習済みモデルをブラウザにアップロードすることで、ウェブカメラから手話画像を識別することができます。デモはHerokuの無料枠で公開してみました。 手話数字のデータセットはSign Language Digits Dataset - Kaggleより、0~9までの手話画像2,000枚（各200枚）を使いVGG16モデルを使い学習させています。 学習モデル作成はPython3+Kerasで行い、JavaScriptで読み込み可能な形式にコンバート（変換）します。その学習モデルを使いTensorFlow.jsとブラウザで推
Kerasで実装するSeq2Seq −その２ 単層LSTM - 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、LSTM(Long short-term memory)単層のアーキテクチャで作成し、Google Colaboratory上で動作させてみます。 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2回目です。前回の投稿で、訓練データを準備しましたので、今回は単層LSTMのSeq2Seqニューラルネットワークを構築して、訓練と応答文生成を行います。 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（単層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 Colaboratoryでは、TensorflowやKera
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
BatchNormalizationはどこに入れればいいのか?(CNN編②）
補足: vision-basedモデルを構築する上で作成したモジュール - Qiita
TensorFlow関連のコマンドメモ - Qiita
[Keras]CNNでCifar10の画像認識を行う - Qiita
方策勾配法を使ってFlappyBirdを学習させる - Qiita