画像の高速スタイル変換を行う論文の紹介 - Qiita
画像のスタイルを変換するアルゴリズムとしてGatysらの"A Neural Algorithm of Artistic Style"が知られていますが、これを高速に行う手法が現れました。 以下のつぶやきを見て驚愕したので早速調べました。 testing real-time style transfer published in the last week with #chainer and #openFrameworks pic.twitter.com/KrQaN8TSs9 — Yusuke Tomoto (@_mayfa) 2016年4月7日 2016/4/12追記 Yusuke Tomoto氏による実装が公開されました。Chainerを使っています。 https://github.com/yusuketomoto/chainer-fast-neuralstyle 実装の元になった論文は
chainer.cuda.elementwiseを使ってGPUで処理を行う - Qiita
はじめに Chainerのfunctionsのコードを読んでいるとcuda.elementwiseとかcuda.reduceの呼び出しを見かけることがあります。 これらは独自の処理をGPU上で実行するためのメソッドです。 Chainer functionの実装には欠かせないメソッドと言えるわけで、Chainer中級者になるために必要そうなので調査しました。 この記事ではcuda.elementwiseを扱い、cuda.reduceについては説明しません。 cuda.elementwiseの説明は以下にあります。 http://docs.chainer.org/en/stable/cupy-reference/kernel.html またSlideShareにPreferred Networksの奥田氏による解説があります。 http://www.slideshare.net/ryokuta
Chainerでcaffemodelを読み込んで画像を分類する - Qiita
Chainerでcaffemodelを読み込んで画像を分類します。 Chainerのサンプルにも画像分類はあるのですが、認識率が出力されるだけでどの画像がどのカテゴリに分類されたかがわかりません。 分類結果としてカテゴリ名とスコアを出力できるようにします。 こちらにソースコードがあります。(この記事のコードをクラス化したものです) 記事を読むのが面倒という方はcloneしてください caffemodelをダウンロードする 今回はmodelとしてbvlc_googlenetを使います。 1000カテゴリの分類が可能です。 bvlc_googlenet のページにcaffemodelファイルへのリンクがあるので、そこからダウンロードしてください。 ラベルファイルを生成する 分類結果のカテゴリ番号とカテゴリ名を紐付られるようにラベルファイルを生成します。 以下にimagenet関連ファイルをダウ
ディープラーニングの様々なモデルを使ってCIFAR-10画像データセットの分類を行う
動機 Residual Networkのようなdeeeepなニューラルネットワークを使ってみたいと思いました。 MNISTでは物足りなく、ImageNetはデータ集めるのが大変そう&学習に時間がかかりそう、という理由でCIFAR-10画像データセットをつかって画像の分類を行いました。 CIFAR-10画像データセットとは CIFAR-10画像データセットは小さいサイズのカラー画像のデータセットです https://www.cs.toronto.edu/~kriz/cifar.html 画像サイズは32 x 32px 10クラスの画像がそれぞれ6000枚、計60000枚の画像がある そのうち50000枚が学習データ、10000枚がテストデータ クラスはairplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck 実行
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
処理を実行中です
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
