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
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
SSD(Keras / TensorFlow)でディープラーニングによる動画の物体検出を行う - Qiita
やったこと 前回に引き続き、動画の物体検出を行いました。 今回はアルゴリズムを変えて、SSDという物体検出アルゴリズムを使用しています。 （動画はPIXELS VIDEOSよりCCライセンスの動画を使用しました。） SSD(Single Shot MultiBox Detector)とは 論文はこちら(2016年)。 前回使用したYOLO(You only look once)アルゴリズムと同じく、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)を用いた物体検出アルゴリズムです。 他のシングルステージ方式と比較して、入力画像サイズが小さくてもSSDの精度ははるかに優れています。 Compared to other single stage methods, SSD has much better accuracy, even with a
[Python]KerasをTensorFlowから，TensorFlowをc++から叩いて実行速度を上げる - Qiita
はじめに 深層学習は学習自体に時間がかかるのはもちろんのこと，訓練済み学習モデルを走らせる際にもそれなりに時間がかかります．しかし，SSD（Single Shot MultiBox Detector）等でリアルタイム物体認識をさせたい！とか，DQN(DeepQNetwork)等で強化学習したAIと人とでリアルタイムアクション対戦ゲームをさせたいといった際には，モデル実行のリアルタイム性がかなり重要になってきます． いいPC買え！といえばそれまでですがそんなお金もないですし，ノートPC等でポータブルに実行したいということもあるでしょう．そこで今回はKeras(TensorFlow)をいかに高速に実行するかについて考えていきます． 実行環境 Python3.5.2 Keras 1.2.1 tensorflow 1.0.0 MacBookPro(Late 2013) 高速化 ではやっていきましょ
![[Python]KerasをTensorFlowから，TensorFlowをc++から叩いて実行速度を上げる - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/82869e72c0767fc0a8421bf587458eb79ffe4146/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGNTk4NjQlMkZwcm9maWxlLWltYWdlcyUyRjE0NzM2OTUwNTg_aXhsaWI9cmItNC4wLjAmYXI9MSUzQTEmZml0PWNyb3AmbWFzaz1lbGxpcHNlJmZtPXBuZzMyJnM9YTE3N2MyNGEwNmJhYmVhMWE0ZDUwMmNmNWM5MGVjZTI%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Dc8dd32b31fae03c70963421bf3671e4f%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCUHl0aG9uJTVES2VyYXMlRTMlODIlOTJUZW5zb3JGbG93JUUzJTgxJThCJUUzJTgyJTg5JUVGJUJDJThDVGVuc29yRmxvdyVFMyU4MiU5MmMlMkIlMkIlRTMlODElOEIlRTMlODIlODklRTUlOEYlQTklRTMlODElODQlRTMlODElQTYlRTUlQUUlOUYlRTglQTElOEMlRTklODAlOUYlRTUlQkElQTYlRTMlODIlOTIlRTQlQjglOEElRTMlODElOTIlRTMlODIlOEImdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz0zMjNkYzdhZDM1YzQ3YzkwZGY4OWY0NjdjM2ZlNjk5YQ%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDB5dWtpQiZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1wYWQ9MCZzPTQwNDMzNzY3OWM3ZGFlZDg1NWQ2ZmFkZmQ5NTQ2NTYy%26blend-x%3D242%26blend-y%3D454%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-44OG44Oz44Kv44O8%26txt-x%3D242%26txt-y%3D539%26txt-width%3D838%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%25231E2121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D28%26s%3De1ec73c44c1fdf3971a8526efbc9c9e4)
KerasでLSTM AutoEncoderを実装する - Qiita
1.はじめに この記事はKerasのLSTMのフィードフォワードをnumpyで実装するの続きみたいなものです． KerasでLSTM AutoEncoderを実装し，得られた特徴量から2値分類を試します． データは，周波数の異なる2つのsin波を生成し，それを識別します． 2.環境 Python 3.6.1 :: Anaconda 4.4.0 (64-bit) Keras 2.0.5 (backend : tensorflow) 3.データの作成 3.1 概要 データの生成は以下の記事を参考にしています．ありとうございます． 深層学習ライブラリKerasでRNNを使ってsin波予測 RNNにsin波を学習させて予測してみた 今回は2値分類をするため，データの生成方法を少し変更しています． 周波数の異なるsin波を二つ準備し，それを識別させます． 3.2 コード 今回使うデータを生成するコー
kerasで画像で主流のFine Tuning（転移学習）を、データ学習でもやってみる - Qiita
作成したモデルをオンラインサービスで使う場合、新たに蓄積されるデータを使って既存のモデルを日々更新したいですが、毎日バッチで全部のデータを回すのは時間もお金もかかります。 画像の学習では、VGG16のような学習済みのモデルに判別したい画像を読ませてFine Tuningする方法が一般的です。 そこで今回は、普通のデータで構築したモデルを保存し、そのモデルをFine Tuningしてみました。 ここではポイントだけ紹介しますので、実際に動くサンプルコードは以下から見てください。 https://github.com/tizuo/keras/blob/master/%E8%BB%A2%E7%A7%BB%E5%AD%A6%E7%BF%92%E3%83%86%E3%82%B9%E3%83%88.ipynb ベースとするモデルを構築する 今回はirisデータを適当に分割して、2回に分けて学習させます
kerasのLSTMでアイテム購入履歴からロイヤルカスタマーになるか予測 - Qiita
アイテムの買い方のパターンから、この顧客がロイヤルカスタマーになりそうか判定したいというニーズがあると仮定します。 そこで、自然言語処理で単語の出現順に時系列扱いで学習させて感情判定するのを応用し、最初の10個までの購入アイテム履歴から、このユーザーが101個目まで購入しているか予測してみました。 #データとスクリプト 元データ UCI Online Retail Data Set アイテムをインデックス化する（単なる識別子のため順不同） 1顧客1行とし、アイテムを購入された順に当該アイテムのインデックス番号を若いカラムに格納 購入されていないカラムはNull jupyterで見れるスクリプトと加工後のデータはこちら https://github.com/tizuo/keras/blob/master/is_future_purchase.ipynb https://github.com/
Python 3.5でKerasモデルを可視化 - Qiita
目的 Python3.5、Anaconda4.3環境を使用しています。 Kerasで作ったLSTMモデルをJupyter Notebook上でpydot ＋ Graphvizで可視化する際の手順です。 OSはCentOS7.3です。 ここにKerasのモデルを可視化する方法が書いてあるのですが、必要なパッケージ含めて解説します。 https://keras.io/visualization/ 手順 yumでOSにgraphvizをインストール。 pipでpydot、graphvizをインストール。 Jupyter Notebookでモデルを可視化してみる。 yumでOSにgraphvizをインストール Graphviz自体はPythonと関係ないパッケージです。 http://www.graphviz.org/About.php CentOSに限らず、OSで動作するものなので、まずはインス
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
Kerasのcallbackを試す（modelのsave,restore/TensorBoard書き出し/early stopping） - Qiita
[Keras/TensorFlow] Keras(Tensorflow)の環境構築 - Qiita![[Keras/TensorFlow] Keras(Tensorflow)の環境構築 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/45135c0abb93691c8febac3d05bc9e5998862f5b/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCS2VyYXMlMkZUZW5zb3JGbG93JTVEJTIwS2VyYXMlMjhUZW5zb3JmbG93JTI5JUUzJTgxJUFFJUU3JTkyJUIwJUU1JUEyJTgzJUU2JUE3JThCJUU3JUFGJTg5JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1hZjhiYTEwYWFmYzY2YmExODE2ZWU5YmVkYzFjZGFmYg%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBhZ3Vtb24mdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWNhZjU3ZDkyMTI1OGEyMDBkY2U0NDRlNTZmOTg3NjIz%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D357513b3f339b70cbd0be6335cb3c46f)
