Exploratory、R、kerasでディープラーニングを体験する。 - Qiita
Saveボタンを押すと、コマンドが実行されます。 以下のように実行成功のメッセージが出れば成功です。 このコマンドは一度実行すればよいのですが、このスクリプトを残しておくとプロジェクトを開く度に実行されてしまうので、これを避けるため、一度成功したらこのスクリプトを削除しておきます。 Exploratoryのカスタムモデルとしてkerasを使用出来るようにする Exploratoryの中では、すでに多くの機械学習モデルがUI越しにサポートされていますが、それ以外にも自分の使いたいものをRスクリプトを書くことによって追加できます。 カスタムモデルの登録の仕方 こちらのフレームワークを使って、kerasによるニューラルネットワークモデルを構築するためのコードが以下になります。 以下のコードをコピーして、Exploratoryプロジェクト内にスクリプトを作成します。 # kerasによる二値予測ニ
[Keras/TensorFlow] 転移学習（Fine-tuning） - Qiita
目的 ゼロからKerasとTensorFlow(TF)を自由自在に動かせるようになる。 そのための、End to Endの作業ログ(備忘録)を残す。 ※環境はMacだが、他のOSでの汎用性を保つように意識。 ※アジャイルで執筆しており、精度を逐次高めていく予定。 目次 Keras(Tensorflow)の環境構築 KerasでMINSTの学習と予測 KerasでTensorBoardの利用 Kerasで重みファイルの保存/読み込み Kerasで自前データの学習と予測 Kerasで転移学習 <---いまココ 概要 このページを読んでできるようになること VGG16のFine-tuningによる17種類の花の分類 で紹介されている fine tuning のサンプルプログラムを動かす。 上記の学習はCPUだと2日間近くかかるため、事前に用意してある学習済みのパラメータを読み込み、学習結果を確認
![[Keras/TensorFlow] 転移学習（Fine-tuning） - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/8416e348ce666e1b31ceca68b079f3132c5f16fb/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnMzLWFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkZxaWl0YS1pbWFnZS1zdG9yZSUyRjAlMkY3Mzg4MSUyRmUyZjAxN2YwMDliYzYyOTQ5OTQxYzJiYmZmOTNhNmM3MzMwYzkzYjglMkZsYXJnZS5wbmclM0YxNzE5NjI1ODc4P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPWJiN2I0ZDcwMzM1YjNjNjc1Mjg5ODc0NWVlOGE1MGEw%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D96cd38d5848b7b46344f271a2779eb30%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCS2VyYXMlMkZUZW5zb3JGbG93JTVEJTIwJUU4JUJCJUEyJUU3JUE3JUJCJUU1JUFEJUE2JUU3JUJGJTkyJUVGJUJDJTg4RmluZS10dW5pbmclRUYlQkMlODkmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz03OWQzMzE5NzU1OTFiZTA1YzFlMThjZGRiZTdjM2YwYw%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDB0c2hpbWJhJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LXBhZD0wJnM9ZTJkMTUzZTM4N2JhODc0ZTVlNjU1YTU2NGMzNTg2Y2U%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Dcc756df392eee7c0ca59e840385c877c)
KerasによるAlexNetを用いた犬猫分類モデル - Qiita
このコンテンツはMaruLabo × JAWS-UG AI #3でハンズオンの課題として使うために作成したものです。 Jupyter Notebookとすぐに実行するためのDockerfileをGitHubにて公開しています。 当記事のプログラム中で画像を表示する部分がありますが、データセットの規約の関係上、一部の出力画像は掲載しておりません。 KerasによるAlexNetを用いた犬猫分類モデルの実装 Author: 古川新 (facebook, web) TensorFlowをバックエンドに、Kerasを用いて犬猫分類モデルを構築します。モデル構成はAlexNet（論文）を用います。 犬猫のデータセットはDogs vs. Cats Redux: Kernels Editionを用います。訓練用データセット(./train/*.jpg)とテスト用データセット(./test/*.jpg)を
KerasのRNNを触ってみる① - Qiita
はじめに この内容は、自身の知識の整理が主な目的です。 実装した内容は、公式ドキュメントや色々な人の実装例を参考にしていますが、 なにぶん、知識不足により間違った理解があるかもしれません。。 その時は、遠慮なくご指摘頂けると幸いです。。 環境： python 2.7.13 Keras 2.0.7 theano 0.9.0 scikit-learn 0.18.2 やること RNNのシンプルな例を使って、Kerasでの実装方法を学ぶ。 Kerasでの簡単なRNNの実装例はCNNと比べて少なかったので、（ここくらい？） 自分で例を作ってみようと思いました。 やることは、Peter's notesの例とほとんど同じですが、 可変長の数字の並びを入力として、その総和を出力とします。 例） no 入力(X) 出力(y)
Keras で超簡単 Seq2Seq の学習をしてみる - Qiita
Seq2Seq とは シーケンスのペアを大量に学習させることで、片方のシーケンスからもう一方を生成するモデルです。 実用例としては以下のようなものがあります。 翻訳: 英語 -> フランス語 のペアを学習。英語を入力するとフランス語に翻訳してくれる。 構文解析: 英語 -> 構文木 のペアを学習。英語を入力すると構文木を返してくれる。 会話bot： 問いかけ -> 返答 のペアを学習。「お腹減った」に対して「ご飯行こうぜ」などと返してくれる。 いろいろ夢の広がるモデルです。 LSTM を使った以下のような形をしたネットワークで、入力を内部表現に変換するエンコーダ部分（画像左半分）と内部表現から出力を得るデコーダ（画像右半分）で構成されます。 引用元：TensorFlow Seq2Seq を簡単に試したい！ Fariz Rahman さんが Keras での Seq2Seq ライブラリを公開
KerasでCNNを簡単に構築 - Qiita
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D from tensorflow.keras.layers import MaxPool2D from tensorflow.keras.optimizers import Adam from tensorflow.keras.layers import Dense, Activation, Dropout, Flatten from tensorflow.keras.utils import plot_model, to_categorical from keras.callbacks import TensorBoard from keras.datasets import cifar10 Sequential
kerasでCNN 自分で拾った画像でやってみる - Qiita
はじめに kerasでCNNにチャレンジしてみました。例題のデータセットだけだと面白くないので、自分で拾ってきた画像をCNNで分類しました。 ここではCNNの理論的な部分はある程度わかっている前提で、処理の部分に焦点を当てています。 分析環境は、AWSのEC2を利用。 なお、画像に関しては必要な部分の切り出しを行なった上で実行しています。 (私はOpenCVで行いました) 分析環境について TensorFlowをGPUで動くよう、環境を構築したかったのですが初心者には難しく… AWSですでに環境が構築されているAMI(Bitfusion Ubuntu 14 TensorFlow)があったので、こちらを利用しています。 必要なパッケージも既に入ってます。 なお、上記のAMIはPython3も入っているので、そちらでも利用できるかと思います。 (なおコストはかかるので、その点はちゃんと確認くだ
SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す - Qiita
リアルタイムに物体検出するのってどうやるんだろう？と思い調べてみたら、想像以上に高機能なモデルが公開されていたので試してみました。こんな感じです。 自動運転で良く見るようなリアルタイムの物体認識をしています。このモデルは「Single Shot MultiBox Detector（SSD）」という深層学習モデルで、Kerasで動いています。 環境さえ整えればレポジトリをクローンして簡単に実行できます。今回はデモの実行方法をまとめてみます。 環境 ちょっと古いiMacにUbuntu16.04を入れたものを使いました。詳しくはこのへんとかこのへんをご参照ください。 SSD: Single Shot MultiBox Detector 深層学習を利用したリアルタイムの物体検出は次々と新しい技術が公開されているようです。ざっと調べたところ、R-CNN、Fast R-CNN、Faster R-CNN
Keras Recurrentレイヤーメモ:return_sequences, RepeatVector, TimeDistributed - Qiita
#動機 「詳解 ディープラーニング Tensorflfow・Kerasによる時系列データ処理」で勉強をしている中で、Kerasで足し算タスクを学習するRNN Encoder-Decoderの項目がありました。 それ以前の内容は比較的追いやすかったのですが、RNN Encoder-Decoderのスクリプトの理解は少々難しかったため、KerasのReccurentレイヤーの使い方を忘れないようにメモ。 #RNN Encoder Decoderとは 原著(arXiv)：https://arxiv.org/abs/1406.1078 最近はRNN encoder decoderモデルの一つであるseq2seqが翻訳やチャットボットなどで使われていますね。 図：Sequence to Sequence Learning with Neural Networksより抜粋 基本的には、Encoderネ
kerasのmnistのサンプルを読んでみる - Qiita
最近流行のDeepLearningを触ってみたいと思っていたところ、まずはkerasでmnistを動かしてみるのがよいとアドバイスいただいたので試してみました。 とりあえず動いたものの、pythonの知識もほとんどなく、機械学習も初心者なので、コードを見てもよく分からん。ということで、気になるところを調べてみました。同じような方の参考になれば幸いです。 Kerasとは Kerasは，Pythonで書かれた，TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリです． Kerasは，迅速な実験を可能にすることに重点を置いて開発されました． アイデアから結果に到達するまでのリードタイムをできるだけ小さくすることが，良い研究をするための鍵になります． TensorFlowやTheanoの知識がなくても、手軽に深層学習を試すことが出来るライブラリっぽ
Kerasの学習過程をスマホで見る - Qiita
2017/12/18追記 下のアイディアを、もっと扱いやすい形でHyperdash公式に取り込んでもらえました！（PullRequest） まだドキュメントは無いようですが、以下の仕組みが理解できれば使えるものだと思います。また今度記事書こうと思います。 「ネットワークのトレーニング時間かかるし一日置いとくか」と放置していたら、最初の方でつまづいていたりすることがよくあります。次の日に気づくと悲惨です！ そこで、スマホアプリでリアルタイムに学習経過を見ることのできる便利なサービスhyperdashを使いましょう。 インストールや基本的な動かし方は公式ページにあります。 この記事では少し応用してKerasのコールバックから、hyperdashのapiにつなげる方法を紹介します。 とは言っても、次の二つのファイルを用意するだけで終わりです。 実行は普段通りpython train.pyでOK!
Keras(TensorFlow)で学習済みモデルを転用して少ないデータでも画像分類を実現する[転移学習：Fine tuning] - Qiita
import pandas as pd import random, math import numpy as np from keras.preprocessing.image import load_img, img_to_array from keras.applications.vgg16 import VGG16 from keras.models import Sequential, Model from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.optimizers import SGD from keras.utils import np_utils from keras.preprocessing.image import ImageDataGenerator # 分
![Keras(TensorFlow)で学習済みモデルを転用して少ないデータでも画像分類を実現する[転移学習：Fine tuning] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/86f10e94802397eafa77dc937bce99b7254346dd/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-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0c3VuYWtpJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1hZjBhNDMxNGZmMjgwODVlZjE5MmNkZDhjNDgyMGVjMQ%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-R0FVU1M%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%3D7d08128db409450e7c480f09fedddf21)
青空文庫で作者っぽさ判定（KERAS ＋ character-level cnn） - Qiita
青空文庫で作者っぽさ判定 青空文庫のテキストを利用して、任意の日本語文の作者っぽさを判定するモデルを作ってみました。 https://github.com/shibuiwilliam/aozora_classification 動機 2017/02のTFUG #3に参加したのですが、Rettyの中の方がcharacter-level convolutional neural networkをしていて、これで火がつきました。 https://tfug-tokyo.connpass.com/event/49849/ 元ネタとなったQiitaの記事はこちらです。 とても勉強になりました。ありがとうございます。 http://qiita.com/bokeneko/items/c0f0ce60a998304400c8 なおcharacter-level cnnの論文はこちらです。 https://p
Keras バックエンド速度比較 CNTK vs TensorFlow - Qiita
from __future__ import print_function import time start_time = time.time() 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 = 20 # the data, shuffled and split between train and test sets (x_train, y_train), (x_test, y_test) = mnist.load_data() x_tr
RasPiでKeras/TensorFlowを動かす - Qiita
RasPiでKeras/TensorFlowを動かすまでの試行錯誤をメモしておく。使った環境は以下の通り。 RaspberryPi 3 Model B Raspbian August 2017 16GB SD card（いろいろツールを入れたので8GBでは足りなくなった） まずはTensorFlowを入れる TensorFlow公式RasPiサンプルはビルドおそい 最初にTensorFlow公式のRasPiサンプルを試したのだけど、C++のコードをゼロからビルドするので、非力なRasPiでは何時間待っても終わらない...ってグチをつぶやいたら、TensorFlowチームのPete Wardenが絶妙のタイミングでブログ記事Cross-compiling TensorFlow for the Raspberry Piを書いていて、リンクをシェアしてくれた。この記事では、あらかじめビルド済みの
Kerasで多変量LSTM - Qiita
単変量の時系列はkerasでもよく見るのですが、株価や売上などを予測する時などには複数の要因が関わってきますので、今回は複数の時系列データを使って予測してみました。 ソースの紹介 コード 「MACHINE LEARNING MASTERY」で紹介されているコードを基本に、多変量対応にしました。 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras jupyterで見れるコードの全貌はこちら https://github.com/tizuo/keras/blob/master/LSTM%20with%20multi%20variables.ipynb データ サンプルデータは以下から拝借しました。一番左のice_salesを予測します。 アイスクリームの売れ方 ice_sales yea
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でちょっと難しいModelやTrainingを実装するときのTips - Qiita
Keras(〜2.1.2)でtrainable=FalseをセットしてもBN層は完全に固定されない - Qiita
Kerasのバックエンドを使った層を追加する - Qiita
Keras on jupyter notebook でGPUを使わない - Qiita
