Keras(theano)によるNeuralFingerprintsの実装 - Qiita
概略 David Duvenaud et al, "Convolutional Networks on Graphs for Learning Molecular Fingerprints", NIPS 2016(https://arxiv.org/abs/1509.09292) をKerasを用いて実装しました ソースコード[https://github.com/mpozpnd/NeuralFingerprint-Keras] 化合物のベクトル化 機械学習を用いて、化合物のデータから化合物のなんらの物性を予測をしたいということがあります。 たとえば創薬において、ウェットな実験によって既に所望の薬剤としての性質の有無が分かっている化合物のデータによって学習モデルを構築し、新規の化合物について薬剤としての性質を持つかどうか予測をする、というタスクがあります。 なぜ学習ができるのかというと、「
コピペから脱却して自由に Deep Learning するための TensorFlow 再入門 - Qiita
はじめに TensorFlow はなかなかとっつきにくい部分があるかと思います。書き方が独特なので、慣れるまでに時間がかかるかと思います。公式の MNIST は一通りやったけど、自分で考えたディープニューラルネットワーク (DNN) をどう書いたらいいかわからない……なんてこともあるのではないでしょうか。 この記事では、シンプルな問題を題材にして、 TensorFlow をコピペに頼らず、自分の書きたい DNN を 低レベル API を使ってどのように書くかを最小構成で説明していきます（今さら感はありますが。。）。ベースは公式ドキュメントの Low Level APIs のあたり です。 内容としては： TensorFlow の最小構成要素 TensorFlow で線形関数のフィッティング TensorFlow で DNN を実装 のようになっています。また、以下のような方を対象としており
kerasでtensorboardの表示とmodelの保存 - Qiita
環境 ubuntu: 17.04 python: 3.6 keras: 2.0.8 tensorflow: 1.3.0 tensorflow-tensorboard: 0.1.5 実装 tensorboard用callbackの指定 model.fit()のcallbacks引数に、keras.callbacks.TensorBoard()を指定する また、histogram_freqを指定する場合はvalidation_data引数が必要になる 具体的には以下のようにする tb_cb = keras.callbacks.TensorBoard(log_dir=log_filepath, histogram_freq=1, write_graph=True, write_images=True) model.fit(x_train, y_train, epochs=20, batch_si
多分もっともわかりやすいTensorFlow 入門 (Introduction) - Qiita
TensorFlow を試してみた まず、Get started を読んでみます。 Introduction | TensorFlow いきなりTensorFlow のサンプルコードがでてきますが、ここではサンプルデータを使って、どれだけシンプルにモデルを構築できるかを見せてくれているわけです。ここはそもそも機械学習の知識が皆無だと、逆に意味がわからないと思います。 いろいろなTensorFlow の記事を見ると「機械学習知識ゼロでもいける」というのもみかけますが、TensorFlow はあくまでもツールにすぎないので、最低限の知識はあったほうが今後のためにも良いと思います。 次に、伝統的なMNIST(手書き文字認識)に取り組むということでデータのダウンロードを勧められます。MNIST 未経験なら「青いクスリ」を、ある程度機械学習に慣れた方は「赤いクスリ」をと勧められますので、ここは迷わず
kaggle TensorFlow Speech Recognition Challengeの上位者のアプローチを紹介する（後編） - Qiita
INTRODUCTION 前回に引き続き、kaggleのTensorflow Speech Recognition Challangeの上位者の アプローチを紹介いたします。 これはこの記事の続きです。 先にそちらをご覧ください。 今回は Network Architecture optimizer resampling normalization / standarization data augmenation silenceクラスへの対応 未知のunknonwへの対応 軽量化・高速化の工夫 LBのデータのトレーニングへの利用 について触れます。 nerwork architecture CNNベースのものがほとんどで、DNN以外のアプローチはほぼ見られません。 2ndの人以外は画像に対しても利用されるオーソドックスなアーキテクチャーでした。 なお、以下はすべてアンサンブル前のレベル１
Keras チュートリアル - Qiita
# encoding: utf-8 from keras.datasets import mnist from keras.models import Sequential from keras.layers.core import Dense, Activation from keras.utils import np_utils # kerasのMNISTデータの取得 (X_train, y_train), (X_test, y_test) = mnist.load_data() # 配列の整形と，色の範囲を0-255 -> 0-1に変換 X_train = X_train.reshape(60000, 784) / 255 X_test = X_test.reshape(10000, 784) / 255 # 正解ラベルをダミー変数に変換 y_train = np_utils.to_
Tensorflow Object Detection APIで寿司検出モデルを学習するまで - Qiita
内容 最近DeepLearningの勉強を始めて、[Tensorflow Object Detection API]を使って、自分で集めた画像を使って学習してみました。学習データの収集、ローカルマシンでの学習からCloudでの学習まで自分が経験したことを共有したいと思います。 追記: 学習したモデルをiOSで動かすまでの記事を書きました。 https://heartbeat.fritz.ai/building-a-real-time-object-recognition-ios-app-that-detects-sushi-c4a3a2c32298 今年6月に公開されたTensorflow Object Detection APIを使うと、画像から物体(Object)とその位置を検出するためのモデルを作ることが簡単にできます。 実際に僕が触って見たときは、PythonやTensorflow
tf.kerasでのvgg16 fine-tuningで悩んだ話 - Qiita
はじめに [Tensorflow 1.4.0 : Release note] tf.keras is now part of the core TensorFlow API. とあるように ver 1.4.0よりtf.keras.XXXでkerasに容易にアクセスできるようになりました．私も重い腰を上げ，素のtensorflowからkeras(tf.keras)への乗り換えをはじめています．特にモデルが大きくなる場合には記述の見通しがよく，kerasの威力を実感しています． ただ，表題の通り1点よくわからない状況に出くわしたのでここにまとめてみます（正確な情報をご存知の方がおられればご教授いただけると嬉しいです）． 環境 Ubuntu 16.04 Python 3.5 tensorflow 1.4.0 状況 vgg16のfine-tuningを試したかったので，以下のような暫定コードを書き
kaggle TensorFlow Speech Recognition Challengeの上位者のアプローチを紹介する（前編） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? INTRODUCTION 今更ながらこちらのkaggleのコンペの上位者のアプローチを紹介します。 TensorFlow Speech Recognition Challenge tensorflowの名を冠していることから予想できるように、 google brainがorganizerです。 自分も一応は参加しておりました・・・。 長いので前編・後編に分けてポストいたします。 今回はコンペそのものと、アプローチの要素のうちタスク設計と特徴量について触れます。 このコンペについて コンペのタスクの内容 音声認識の中でも、いわゆる"key
新しい Deep Learning Base AMIでkerasとtensorflowを設定する - Qiita
新しい Deep Learning Base AMI 使ってみた。簡単だった。 https://aws.amazon.com/jp/blogs/news/new-aws-deep-learning-amis-for-machine-learning-practitioners/ 新しい Deep Learning Base AMI Base AMI にはディープラーニング用の基盤となる構成要素がプリインストールされています。これには Amazon Elastic Compute Cloud (EC2) インスタンスで Machine Learning を加速化しスケールするため、NVIDIA CUDA ライブラリ、GPU ドライバ、システムライブラリが含まれています。Base AMI は白紙の状態でカスタマイズしたディープラーニングセットアップをデプロイできるようなものとお考えください。
生のTensorFlowとtf.contrib.learnとKerasを比較してみよう - Qiita
これはなに？ DevFest Tokyo 2016での 発表で出したサンプルコードの全体を見たいという要望を頂いたので晒しておきます。 やりたかったこと 生のTensorFlowとTensorFlowの高レベルAPI版tf.contrib.learnとTensorFlowをバックエンドにしてDSLっぽくネットワークを記述できるKerasで、同じデータ、同じ手法で揃えてどう違うか、と横串で見れるものがなかったので横並びで見えるようにしたかった。 と、いうのも、それぞれのチュートリアルを見ていくと、微妙にやっていることが違うため、混乱してしまう、というか私は混乱してしまいました。 自分が調べた範囲では同じような条件で比較しているものがなかったので、混乱する方が少しでも減るように記録を残しておこうかなと思った次第です。とりあえずtf.contrib.learnのチュートリアルのものを基準に他のも
怠け者のためのディープラーニング入門 - Scikit-learn・Keras
はじめに 本記事ではKerasとScikit-learnの簡単な使い方を紹介します。 イントロ Scikit-learn・Keras ← 今ココ！ モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping)・正則化 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 Scikit-learnはPythonによる機械学習ではよく使われるライブラリで、サポートベクターマシンや決定木、ランダムフォレストなど有名な機械学習アルゴリズムをサポートしています。他のライブラリもScikit-learnを似せてインタフェースを作っていることが多いので、覚えておくとあとでつぶしが効くと思います。 インストール 基本的な使い方 機械学習アルゴリズムのオブジェクト（例：model）を生成する この段階で各種アルゴリズムのハイパーパラメータを設定する model.f
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
kerasでword2vecを転移学習し、分類モデルの構築 - Qiita
#目標 教師なしデータを使い、word2vecを学習させ、それをEmbedding層としてテキスト分類問題に応用する。 #知識 word2vec 単語をベクトル化する。今回はpythonライブラリであるgensimを使用して、実装する。このライブラリは以下の論文を参考にしている。 ・Efficient Estimation of Word Representations in Vector Space ・Distributed Representations of Words and Phrases and their Compositionality ##転移学習 転移学習とは学習済みのモデルを利用して、新たなモデルを構築する手法である。 今回の場合でいうと、次のようである。 学習済みのモデル→gensimのword2vecモデル 新たなモデル→文書分類モデル 転移学習を利用した文書分類
kerasのpad_sequencesを使うときはdtypeを指定しなければいけない理由 - Qiita
>>> from keras.preprocessing import sequence >>> import numpy as np >>> data = [np.array([[1,2,3],[4,5,6]]), ... np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12],[13,14,15]])] >>> data [array([[1, 2, 3], [4, 5, 6]]), array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [10, 11, 12], [13, 14, 15]])] >>> #長さを4に揃える。 >>> data = sequence.pad_sequences(data, maxlen=4,padding="post", truncating="post") >>> data array(
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
Parcelで始めるTensorFlow.js (ブラウザ/Node.js) - Qiita
TensorFlowで作ったモデルをCore MLで利用する - Qiita
学習時間評価 その3 (NVIDIA Tesla V100) [TensorFlowでDeep Learning 18] - Qiita![学習時間評価 その3 (NVIDIA Tesla V100) [TensorFlowでDeep Learning 18] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/6428522ba11bd43b2322476def63c4d6a044f8c1/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-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUU1JUFEJUE2JUU3JUJGJTkyJUU2JTk5JTgyJUU5JTk2JTkzJUU4JUE5JTk1JUU0JUJFJUExJTIwJUUzJTgxJTlEJUUzJTgxJUFFMyUyMCUyOE5WSURJQSUyMFRlc2xhJTIwVjEwMCUyOSUyMCU1QlRlbnNvckZsb3clRTMlODElQTdEZWVwJTIwTGVhcm5pbmclMjAxOCU1RCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9Y2RkYzQxNGU1NGMyNGE1Njk5ZmJlYjUzNjBlZTI0Njg%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBrdW1vbmt1bW9uJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1jN2E4YTQ3OWRhOThmMTE1ODNjODlhYjJkYjQ5NmEwOA%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4gTWVyY2FyaQ%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%25231E2121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3D9c3c79f70fcaf3f70d9535de8c4ab882)
Keras(+Tensorflow)でMNISTしてみる - Qiita
深層学習全部入りコンテナ(Keras/TensorFlow/Chainer/Pytorch/Open AI Gym/Anaconda)で、nividia-dockerを使う - Qiita
