Semi-supervised Domain Adaptation - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? # generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.8, 1.3] sig_t_1 = sig_s_1 mu_t_2 = [1.7, 0
Tensorflowのobject detection APIのチュートリアルを試す（windows） - Qiita
オブジェクト検出とやらをTensorflowでやってみたい → APIがある！試してみる エラーに苦しむもなんとか動かせたのでその記録 環境 Windows10 Tensorflow-gpu 1.8.0 Gforce GTX 1080 Anaconda3.5.1.0（Python3.6） ※オフラインで使用 ※Tensorflowの環境は構築済 tensorflow/modelsを入手 以下のURLからzipファイルをダウンロード https://github.com/tensorflow/models zipファイルを適当な場所で解凍（models-masterのフォルダできる） チュートリアルにチャレンジ 以下のURLを参考にしながらチュートリアルにチャレンジ（これだとGoogle Cloudで学習させてますが、今回はローカルで） https://github.com/tensorfl
人3Dモデルを当てはめてポーズ推定 - Qiita
前提 写真に映った人のポーズ推定をする方法としてOpenPose( https://arxiv.org/abs/1611.08050 )がある。 検出方法はたしか各部(二の腕とかふとももとか)を判別し、それのもっともらしい接続を導くことで全身の推定をするとかだったはず。 別の方法を思いついたのでやってみた。 人の3Dのモデルをどう移動、関節回転させれば画像中の人にうまく重なるかで推定を行う。 こんな感じ。 人物画像を入力し、モデルの中心である骨盤のx,y,zの位置と3軸角度、各部位の3軸角度を推定できればOK。 CNNで人物画像を入力とし、複数の値を同時に回帰で出力し推定する。 CNNにはDenseNet( https://arxiv.org/abs/1608.06993 )を使う。 とりあえずフィージビリティスタディで、3Dモデルの関節をランダムに曲げた画像を作って入力画像とし、回転角度
TensorFlow メソッド、shape をいじる系メモ - Qiita
tensorで与えられた Tensor を、shapeで与えられたTensorShapeに変換する。 tensorの各 dimension の size の和と、shapeの合計が一緒じゃないとエラーになる。 shapeのどれかの要素に-1を与えると、 flat な1次元にする。性質上、1つの index にしか指定できない。 shapeに[]を与えると、スカラーにして返す。 公式Example # tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9] # tensor 't' has shape [9] reshape(t, [3, 3]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # tensor 't' is [[[1, 1], [2, 2]], # [[3, 3], [4, 4]]] # tensor 't' has
「SGDR: Stochastic Gradient Descent with Warm Restarts」をちょっと改良してKerasで実装した - Qiita
from keras.callbacks import Callback, LearningRateScheduler import numpy as np class LearningRateCallback(Callback): def __init__(self, lr_max, lr_min, lr_max_compression=5, t0=10, tmult=1, trigger_val_acc=0.0, show_lr=True): # Global learning rate max/min self.lr_max = lr_max self.lr_min = lr_min # Max learning rate compression self.lr_max_compression = lr_max_compression # Warm restarts params s
今更 Keras で CNN - Qiita
はじめに 本記事は、私が独学で学んだ事をまとめている記事です。 CNN については出来るだけわかりやすく噛み砕いて説明していきます。 詳細を知りたい場合は参考URLを貼っておきましたのでそちらをご覧ください。 想定読者 ・CNN をやってみたい人 ・CNN が何をしているかわからない人 上記にも書いてある通り独学のため、間違えている部分がございましたらご指摘のほどよろしくお願い致します。 CNN (Convolutional Neural Network)とは 主に画像や動画認識に広く使われているニューラルネットワークです。 通常のニューラルネットワークと異なる点は、畳み込み層とプーリング層がある点です。 ###畳み込み層 畳み込み層とは、特徴を抽出している層になります。 上記画像のように、黒い部分の特徴を残しながら縮小することができます。 このような解像度縮小を行っているのが畳み込み層で
物体検出（ssd）で顔のきりとりを自動化したい。２ - Qiita
前回 https://qiita.com/mokoenator/items/4d106d682f1b4bc7d0e3 からの続き 途中経過 普通はグラフを書いて過学習や！！とか書くんですかね。 イメージの数とepochでどんなかんじなのか？見てみたくなった。 画像内の黄色がアウター、ピンクがトップス、青がフェイス、明るい緑がパンツ、くらい緑がバッグ いつもの ぱくたそ 350イメージ19epoch 1300イメージ11epoch 1300イメージ52epoch 1300イメージ81epoch イラスト屋1300イメージ81epoch 拳がhat! 学習曲線 lossの曲線。赤色が検証の線、赤色が学習の線。 ちょうど4日かかって120epochおわりました。学習につかった画像数は1300です。 80epochで過学習してる NNだと0になるように目指すんですけど、SSDはどえらいでかい。
DeepLab学習用画像の要件 - Qiita
概要 DeepLabで独自のモデルを学習させようとする場合に必要な学習用画像の要件をまとめる。 当記事では学習結果に影響を及ぼす画像の質やラベルマスクの精度までは言及しない。 前提 当記事では、DeepLabv3+においてPASCAL VOC 2012のデータセットに準じた画像セットを用意し、deeplab/datasets/build_voc2012_data.py でTFRecordに変換して学習に供する方針の下での解説をおこなっている。 必要な画像の種類 1つのシーンについて2種類の画像を用意する。 元画像 ラベル画像 …元画像の中の識別したい領域を既定の色で塗りつぶした画像 この2種類を1セットとして、複数セットの画像を用意してデータセットを構成する。 ※動作確認だけなら10セットもあれば用は足りる 元画像: ラベル画像(モノクロ):よく見るとナンバープレートと車体は別の色(=別領
第3回：ニューラルネットワーク概要② - Qiita
前回では 機械学習における学習とは一言で言うと 「重みを訓練データから自動的に決定する」ことです。 前回示した通り、ステップで示すと以下のようになります。 ステップ①:ある重みからなるニューラルネットワークに訓練データ[入力]を入力する。 ステップ②:ニューラルネットワークは順伝播を行い、演算結果を出力する。 ステップ③:出力したデータと教師データ（訓練データ[出力]）を比較し、損失関数を計算する。 ステップ④:損失関数を基に逆伝播を行い、勾配を計算する。 ステップ⑤:勾配方向に重みを少しだけ更新する。 ①～⑤を繰り返す 繰り返した結果、訓練データの入力と出力の関係をうまく説明できる重みをもつニューラルネットワークが構築される。 さあ、それではステップごとにどのような仕組みになっているのか見ていきましょう。 前回の専門用語たちの説明も登場します。 ステップ① まずはステップ①から見てみまし
Adversarial Residual Transform Network (ARTN) の実装に関するメモ（２） - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 # pattern 1 #mu_t_1 = [2.0, 0.5] #sig_t_1 = sig_s_1 #mu_t_2 = [2.0, 1.5] #sig_t_2 = sig_s_1 #mu_t_3 = [2.5, 1.0] #sig_t_3 = sig_s_1 # pattern 2 #mu_t_1 = [0.5, 0.5] #sig_t_1 = sig_s_1
日本語ツイートをEkmanの基本6感情で評価 - Qiita
import pandas as pd from os.path import join from sklearn.utils import shuffle emotions = ["happy", "sad", ["disgust", "disgust2"], "angry", "fear", "surprise"] dir_path = "gathering/ja_tweets_sentiment" size = 60000 df = [] for i, es in enumerate(emotions): if isinstance(es, list): for e in es: data = shuffle(pd.read_json(join(dir_path, "{}.json".format(e)))).iloc[:int(size/len(es))] data['label'
Domain Adaptation Neural Network (DANN) と Gradient Reversal Layer (GRL) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.3, 0.5, 0.2] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.0, 0.5] sig_t_1 = sig_s_1 mu_t_2 = [2.5, 2.0] sig_t_2 = sig_s_1 mu_t_3 = [3.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
AI開発におけるGPU利用に関する備忘録 - Qiita
#背景 AI開発において、特にネットワークモデルが複雑な、画像系AI開発においては、その処理時間の短さを主な理由に、GPUを利用する事が推奨されています。 ただ、私が会社で利用しているAI開発環境は、GPUを２枚搭載しているサーバーであり、複数人がこの環境を共有し、GPUを使える事は非常にありがたいのですが、TensorFlowを使って、AIの勉強やPoCの学習をする際には、標準でTensorFlowを動かしてしまうと、GPUメモリーの90%を確保する為、同時に複数人でプログラムを動かしてしまうと、メモリー不足になり作業する事が出来なくなります。 このような状況を回避する為、自分で利用するGPUを制限する事が必要になりました。 ###１．Pythonプログラムで、TensorFlow実行時に、使用するGPUを指定する方法 GPU版のtensorFlow環境が前提： 実行前のGPUの状況：２
DANN と ADDA の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.3, 0.5, 0.2] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.0, 0.5] sig_t_1 = sig_s_1 mu_t_2 = [2.5, 2.0] sig_t_2 = sig_s_1 mu_t_3 = [3.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
Adversarial Residual Transform Network (ARTN) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 # pattern 1 #mu_t_1 = [2.0, 0.5] #sig_t_1 = sig_s_1 #mu_t_2 = [2.0, 1.5] #sig_t_2 = sig_s_1 #mu_t_3 = [2.5, 1.0] #sig_t_3 = sig_s_1 # pattern 2 #mu_t_1 = [0.5, 0.5] #sig_t_1 = sig_s_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
TensorFlow1.10.1をUbuntu18.04 + CUDA9.2 + cuDNN 7.2.1上で動かす - Qiita
文字ベースCNNによるツイート分類 (成功) - Qiita
Donkey Carの作り方(RasPi側) - Qiita
Donkey Carの作り方(Mac側) - Qiita
Donkey Car学習(Mac側) - Qiita
