以下の記事は自身のブログData Science Struggleでも掲載予定。許可なき掲載とかではない。 #概略 Kerasを使えばTensorflowなどに比べて簡単に深層学習のコードを書くことができる。『深層学習、ニューラルネットワークに入門したいけど難しそう』と言う人は積極的にKerasを使っていくべきだと思う。 Kerasはモデルの表記方法が二種類あり、そのうちの一つであるfunctional APIを利用した記法について紹介する。 #functional APIとは functional APIは，複数の出力があるモデルや有向非巡回グラフ，共有レイヤーを持ったモデルなどの複雑なモデルを定義するためのインターフェースです． 上記の説明はKerasの公式ドキュメントから抜粋したものになる。要するに、複雑なモデルを作るにはこれが必要だ ってことだ。 ##何故functional AP
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
Jupyter Notebook with CUDA accelerated Theano and Keras all in a Docker container
Dockerfile @�8 -V @�` -V # Docker container that spins up a Jupyter notebook server # with CUDA accelerated Theano support. Assumes the host # system has CUDA drivers installed that match the version below. # # Launch with a comman line similar to the following: # # docker run -it \ # --device /dev/nvidiactl --device /dev/nvidia-uvm --device /dev/nvidia0 # -p 8888:8888 # -v /[where notebooks are o
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
keras-and-fp.html
深層学習（ディープ・ラーニング）ってのは、つまるところ、バックプロパゲーション（逆誤差伝播法）が可能な計算グラフ（計算式）を作って、計算グラフ中のパラメーターに設定すべき値を大量データでキアイで学習させるだけ。しかも、色々と定石が定まってきている（たとえば「畳込みをするならバッチ・ノーマライゼーション→ReLU→畳込みの順にすると精度が上がるよ」とか「分類の場合、畳み込み結果を直接全結合層に入れるより画像全体で平均プーリングした方がパラメーター数が少なくなっていいよ」とか）なので、定石を組み合わせるだけでいろいろできちゃう。ライブラリが計算式をカプセル化してくれますから、計算グラフといっても実際は数式いらずだし。あと、ライブラリが自動でバックプロバゲーション可能な計算グラフを作ってくれるますから、バックプロバゲーションのことも全く考えなくてオッケー。 そして、論文には最新の計算グラフが数式
Deep Learning Frameworks – Keras 応用 & PyTorch, MXNet, Caffe2 ドキュメント – クラスキャット
PyTorch : PyTorch 0.1.12 リリースノート PyTorch 0.1.12 がリリースされましたので、リリースノートを翻訳しておきました。 [ 詳細 ] (05/05/2017) PyTorch : Tutorial 初級 : 分類器を訓練する – CIFAR-10 一般に画像・テキスト・音声あるいはビデオデータを扱わなければならない時、データを numpy 配列にロードする標準 python パッケージが使用できます。それからこの配列を torch.*Tensor に変換できます。 画像については、Pillow, OpenCV のようなパッケージが有用です。 音声については、scipy と librosa。 テキストについては、生の Python あるいは Cython ベースのロード、あるいは NLTK と SpaCy が有用です。 ビジョンについては、torchv
ニューラルスタイル変換とは ニューラルスタイル変換とはあるターゲット画像を、他の画像のスタイル（質感）に変換して新たな画像を生成する機械学習のテクニックの一つです。街や人の画像をゴッホ風に変えたりするアプリで使われている技術ですね。 ではこの技術を使って今回は本物の、今にも人を食べてしまいそうな凶暴なワニ画像を、100日後に死ぬワニ風にスタイル変換して優しいにこにこワニに変換できるか試してみたいと思います。 （それにしてもこの画像のにいちゃん大丈夫か、、、気をつけないと死んじゃうよ！） やることは基本的には元の画像のコンテンツ（画像の骨組みといったマクロな構造）を維持した上で、100ワニ風の漫画タッチのスタイル（質感）を取り入れます。ディープラーニングでは常にある達成したいことを指定する損失関数を定義して、その損失関数を最小化することで目的の達成を目指します。今回の例の物凄くざっくりした最
時系列データでVariational AutoEncoder keras - 機械学習を学習する天然ニューラルネットワーク
はじめに 前回の記事で時系列入力に対するオートエンコーダーを組んだ。 aotamasaki.hatenablog.com 今回は潜在変数を正規分布に押し込むというVariational AutoEncoderを組んでみた。CNNとVAEを組み合わせる記事は割と見つかるのに、RNNとなったとたん見つからないものである。 データはMNISTであるが後述するように、時系列だと見なして入力した。 まずはモデルとデータの概要を説明する。そのあと、結果で再構成された数字と生成された数字の例を示す。最後に、潜在変数Zが正規分布になっているのか確かめる。 はじめに モデルの概要 データの概要 結果 Zは本当に正規分布をしているのか？ まとめ 参考文献 モデルの概要 また、赤字で示した損失関数についての数式は以下のようになっている。詳しくは最後に示す参考文献を見ていただきたい。 コードはこんな感じ def
GitHub - ptyadana/Data-Science-and-Machine-Learning-Projects-Dojo: collections of data science, machine learning and data visualization projects with pandas, sklearn, matplotlib, tensorflow2, Keras, various ML algorithms like random forest classifier, boo
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
はじめに keras-yolo3はyolo3のkeras実装です。 yoloを使うと、高速に画像内の物体が存在する領域と物体を認識することができます。 今回は、手動での領域のラベルづけ(アノテーション)を行い、自分で用意した画像を使ってkeras-yolo3を学習させてみました。 今回書いたソースコードはここに置いておきます。 https://github.com/algaeeater/keras-yolo3 やること 画像を同じ大きさにリサイズ VoTTでアノテーション作業 VoTTからアノテーション位置を取得し、keras-yolo3用のtxtファイルを生成 keras-yolo3の重みをダウンロード 学習用にkeras-yolo3のファイルを修正 GitHubからクローン GitHubからkeras-yolo3をクローンします。 画像を同じ大きさにリサイズ 学習用に呪腕のハサンの画像
入門 Keras (6) 学習過程の可視化とパラメーターチューニング – MNIST データ｜技術ブログ｜北海道札幌市・宮城県仙台市のVR・ゲーム・システム開発 インフィニットループ
入門 Keras (6) 学習過程の可視化とパラメーターチューニング – MNIST データ 連載一覧 入門 Keras (1) Windows に Tensorflow と Keras をセットアップ 入門 Keras (2) パーセプトロンとロジスティック回帰 入門 Keras (3) 線形分離と多層パーセプトロン 入門 Keras (4) 多クラス分類 – Iris データを学習する 入門 Keras (5) 学習済みモデルと Flask で API サービスを作る 入門 Keras (6) 学習過程の可視化とパラメーターチューニング – MNIST データ 第6回は学習過程の可視化を通して様々なパラメーターチューニングの手法について解説していきます。テーマとする問題には機械学習のベンチマークとして定番な、手書きの数字を認識させる MNIST を用います。 MNISTデータの取得 M
お仕事的な理由と、bitcoin のトレードに活かせないか、という２つの理由でディープラーニングに手を出そうとして以下を購入した。 詳解 ディープラーニング ~TensorFlow・Kerasによる時系列データ処理~ 作者: 巣籠悠輔出版社/メーカー: マイナビ出版発売日: 2017/05/30メディア: 単行本（ソフトカバー）この商品を含むブログ (1件) を見る 良著。 何が良い所か。 Pythonのセットアップ、文法、NumPyの利用方法から解説している 数式と図を用いた原理の解説から、それをTensorFlowおよびKerasそれぞれでどのように実現するかまで、丁寧に書いてある この一冊さえあれば、Python以外の言語をちょっと抑えた程度の人でもPythonとディープラーニングの知識を手に入れることができる。 正直、私のしょぼい数学知識では後半の数式はきちんと理解できなかったが、
GitHub - stratospark/food-101-keras: Food Classification with Deep Learning in Keras / Tensorflow
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
GitHub - cerndb/dist-keras: Distributed Deep Learning, with a focus on distributed training, using Keras and Apache Spark.
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
► Code examples / Timeseries / Traffic forecasting using graph neural networks and LSTM Traffic forecasting using graph neural networks and LSTM Author: Arash Khodadadi Date created: 2021/12/28 Last modified: 2023/11/22 Description: This example demonstrates how to do timeseries forecasting over graphs. View in Colab • GitHub source Introduction This example shows how to forecast traffic condition
ご注意：本記事は、＠IT／Deep Insider編集部（デジタルアドバンテージ社）が「deepinsider.jp」というサイトから、内容を改変することなく、そのまま「＠IT」へと転載したものです。このため用字用語の統一ルールなどは＠ITのそれとは一致しません。あらかじめご了承ください。 ディープラーニングによる文書生成 AIによって仕事が奪われるとか、いわゆるシンギュラリティであるとか、AIの能力が人類を凌駕（りょうが）するなどと巷間（こうかん）に喧伝（けんでん）される今日このごろである。そんな中で、「ものを書くAI」というのも話題に上ることが多く、企業業績サマリー記事の自動生成や、あるいはAIが「執筆」した文書の著作権はどこに帰属するか、という話も聞こえてくるようになってきている。 では、AIは本当に文章を書けるようになるのだろうか。これについては、筆者は懐疑的である。文章というのは
難しかった。（というかこのファイル構造よくわからん） $ ls model_weights.h5 # kerasで保存したファイル $ python # ... >>> import h5py >>> model_weights = h5py.File('./model_weights.h5', 'r') >>> model_weights.keys() KeysView(<Attributes of HDF5 object at 4383104920>) # (´・ω・｀)？ >>> model_weights.attrs.keys() KeysView(<Attributes of HDF5 object at 4383104920>) # (´；ω；｀)？ >>> list(model_weights.attrs.keys()) ['layer_names', 'backend',
トップ1とトップ5の精度はImageNetの検証データセットを参照しています． Xception keras.applications.xception.Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000) ImageNetで事前学習した重みを利用可能なXception V1モデル． ImageNetにおいて，このモデルのtop-1のvalidation accuracyは0.790で，top-5のvalidation accuracyは0.945です． データフォーマットは'channels_last'(height, width, channels)のみサポートしています． デフォルトの入力サイズは299x299． 引
Keras（バックエンドはtensorflow）で、この度横綱に昇進した稀勢の里と、千年に一人の逸材の橋本環奈を見分けられるのかやってみた。で、その途中でアイドル同士を見分けることってできるんだろうかと思って広瀬すずも追加して三つ巴でやってみた。 Kerasによる、ものすごくシンプルな画像分類（りんごとオレンジ）では読み込んだ画像をフラットな１次元配列に変換してモデルの学習に使ったけど、今回はより本格的に畳み込み層(Convolution2D)を追加してやってみます。 Kerasのドキュメントを読むと、Convolution2Dに喰わせる前に、画像を読み込んだ配列の次元をいじる必要があるようです。例えば 縦:100 x 横:100 x RGB:3 の画像を読み込んだ場合、100x100x3の配列として読み込まれますが、これを 3x100x100の形に直してからConvolution2Dに与
The Keras Blog
Deploy Your First Deep Learning Model On Kubernetes With Python, Keras, Flask, and Docker
So Easy Even Your Boss Can Do It!This post demonstrates a *basic* example of how to build a deep learning model with Keras, serve it as REST API with Flask, and deploy it using Docker and Kubernetes. This is NOT a robust, production example. This is a quick guide for anyone out there who has heard about Kubernetes but hasn’t tried it out yet. To that end, I use Google Cloud for every step of this
#はじめに 文書を入力すると、どんなジャンル（恋愛とかファンタジーとか）になるかを判断してくれるものを作った。そのときに使ったモデルの構築などのメモ。 ##どんなことしたか 小説家になろうから、ジャンル別にランキング上位の小説のテキストを取得 ーRequests, BeaufitulSoupによるスクレイピング Kerasで単語レベルの１次元畳み込みによる学習 ー単語分割にMeCab, 単語埋め込みの重みにfastTextの学習済みデータを使用 fastTextのデータは配布されているのを利用させていただきました。 ・fastTextの学習済みモデルを公開しました - Qiita ##1.テキストデータの取得 ディープラーニングの学習には、データが必要。今回は簡単に取得できるものとして「小説家になろう」からテキストデータを取得した。 ランキング上位1000個の小説からそれぞれ2000文字分
「囲碁をディープラーニングするのは面白い」という噂なので(笑)、私も試しに一度やってみることにしました。作るならやっぱり評価関数。それも、その時の形勢を「目数」で教えてくれるやつがなんかいいですよね？ とりあえず今回は19路盤用です。 まずは学習に使うデータについてです。とりあえず評価する局面は、COSUMIで打たれた19路盤互先の作り碁の棋譜から作りました。GNU Go、強い人、弱い人、意図した序盤早々の連続パス、意図しないクリックミスの混ぜ合わさった様々なよく分からない局面が出現しそうで、まあ良いのではないかと…(笑) まず、最後のパスパスを取り除き、1手から最終手の間の一様乱数にまで棋譜の手数を短くして、さらに対称形を考慮しない完全な重複分を取り除き、残った棋譜の最終局面を使うことにしました。 そして次に、その局面に付けるラベル、今回の場合は「目数単位の形勢判断」ですが、うーん、これ
はじめに だいたい1年くらい前にChainerで書いたアニメ顔を分類するプログラムですが，今回はKerasで書きました．プログラムはGitHubにあげました． データセット データセットはanimeface-character-datasetから入手することができます． 参考:DenoisingAutoEncoderでアニメ顔の特徴を抽出してみた データセット前処理 前より少しだけ改良しました．32×32のRGBのデータ(shape=(3, 32, 32))にリサイズします．前回と違うのは，データの入っていない空のフォルダを削除しなくても多分ちゃんと動くところです． Requirementsは six numpy opencv progressbar2 となっています． #! -*- coding: utf-8 -*- import os import six.moves.cPickle
はじめに Theanoとは 多次元の配列を含む数式を効率的に定義、最適化、評価するためのPythonライブラリ Kerasとは Python / Theanoによって実装されたミニマルかつ高度にモジュラー化されたニューラルネットワークライブラリ モジュール化、ミニマリズム、拡張性により、簡単かつ素早くプロトタイピングすることがきる。 convolutional network(CNN)とrecurrent network(RNN)および、それらの組み合わせサポートしている。 任意の接続スキームをサポートしている（モデルに対する複数のインプット、複数のアウトプット等）。 CPUとGPUでシームレスに実行することができる。 参考資料 Installation of Theano on Windows (http://deeplearning.net/software/theano/instal
GitHub - ageron/tf2_course: Notebooks for my "Deep Learning with TensorFlow 2 and Keras" course
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
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)
Abstract Keras と OpenCV を使って、画像を分類するプログラムを試作しました。バックギャモンのプレシジョンダイスの出目を判定することができます。精度もまあまあのものが出来ました。 Backgammon dice recognition with Keras https://t.co/XO8vibXdBy via @YouTube — Masahiro Kisono (@mkisono) July 16, 2016 Related work 去年も同じものを作りました。その時は、Caffe + OpenCV でした。 Backgammon dice detection with OpenCV Backgammon dice recognition with Caffe そこそこ動いたのですが、Caffeが難しかったのと、C++でちまちま書くのが面倒になり、すぐに飽きてしま
GitHub - farizrahman4u/seq2seq: Sequence to Sequence Learning with Keras
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
某所のライントレース大会向けに機械学習を使ったライントレーサーを作ってみた。 そろそろいいかなと思うのでblogで公開してみる。 完成した動作は↓を参照。 Keras+TensorflowでCNNを使ったラズパイライントレーサ作ってみた。 挙動がかなり怪しい場面もあるがそこそこ動いてる。 pic.twitter.com/jEGCEZ7BjU— michu (@ginnyu_tei) 2017年9月17日 (なお、この動画の後は自分の影を黒と認識して机から落ちました・・・) 何分大会がある週の週末に思いついて一日で実装したので適当な実装箇所が 数多くあるが時間がなかったのでご容赦頂きたい。 本体解説 外観 2階建てで下のプレートはタミヤダブルギヤボックスとモーターコントローラ(DRV8830) 上はRaspberry Pi3とRaspberry Piカメラ+スマートフォン用クリップレンズ (
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
Note: this post was originally written in July 2016. It is now mostly outdated. Please see this example of how to use pretrained word embeddings for an up-to-date alternative. In this tutorial, we will walk you through the process of solving a text classification problem using pre-trained word embeddings and a convolutional neural network. The full code for this tutorial is available on Github. Wh
初心者がGPU搭載Windows10にPython + Anaconda + TensorFlow + Kerasの環境を構築してみた[2018/4/28] - Qiita
初心者がGPU搭載Windows10にPython + Anaconda + TensorFlow + Kerasの環境を構築してみた[2018/4/28]PythonGPUWindows10KerasTensorFlow Windows10 Pro NVIDIA GeForce GTX 1080 Ti Python 3.6.1 Anaconda 3-4.4.0 TensorFlow-GPU 1.3.0 Keras 2.1.6 Visual Studio Community 2015 with Update 3 CUDA v8.0 cuDNN 6 大事なこと この分野は急成長中であり常に変わっていきます。環境構築の際は記事の日付がなるべく新しいものを参考にしてください。 出来る限り環境を合わせると良いでしょう。特にインストールするバージョンは記事と同じにすると上手くいくことが多いです。 私
![初心者がGPU搭載Windows10にPython + Anaconda + TensorFlow + Kerasの環境を構築してみた[2018/4/28] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/0a19055b71e410a97a402ff58ed67865e68cc408/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-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBqb25waWxpJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1iYzVhNzIzMmFjY2M4OGFjOTg4OGRiZDVjNTNjNWQ2NA%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D5d4fc08ac3b84281a872f428d0726877)
最短でYOLOv3を学習させて物体検出させたい人のために（Python, Keras） - カニカニクラブライフ
仕事で、物体検出を用いた業務発注を行う関係で勉強していたのと、これに応募してみようとして色々やっていて、表題のプログラムが動かせるようになったので一応手順を共有しておきたく。 第2回衛星データ分析コンテスト「Tellus Satellite Challenge」を開催します （METI/経済産業省） すでに以下の日本語の記事があって、ほぼほぼそれのパクリなのですが、元のgithubなりコードを調べないと解決しない箇所があったのでまとめておきます。 最新の物体検出YOLO v3 (Keras2.2.0+TensorFlow 1.8.0)を独自データで学習できるようにしてみた: EeePCの軌跡 疑問点、指摘などコメントでいただけるとありがたいです。 1. YOLOとは？＆今回のコード 2. 学習させたい画像と対象の位置情報を記述したファイルを用意する 3. 事前学習済み重みファイルを用意する
Image classification using deep learning is widely known today, but you hear only small numbers of successful news for image classification. The reason why, I suppose because it needs enormous data and time consuming to achieve good results. Transfer Learning solves such a problem in a sophisticated way. Transfer learning is a technique that uses pre-trained network and change little bit at the en
Computer Vision! Computer vision isn't just for PhD's and R&D folks anymore. Open source libraries like Tensorflow, Keras, and OpenCV are making it more accessible and easier to implement. When combined with advancements in algorithms like deep neural nets it just gets easier! In this post we'll walk you through building a deep neural net that can identify things contained within an image and show
Keras のモデルと学習結果を保存して利用する
モデルと学習結果を保存する 前回描いたコード に以下を追加して、モデルを mnist_mlp_model.json に、学習結果を mnist_mlp_weights.h5 に保存する。 model_json_str = model.to_json() open('mnist_mlp_model.json', 'w').write(model_json_str) model.save_weights('mnist_mlp_weights.h5'); # -*- coding: utf-8 -*- import numpy as np np.random.seed(20160717) from keras.datasets import mnist from keras.models import model_from_json from keras.utils import np_util
GitHub - oreilly-japan/deep-learning-with-keras-ja: 『直感 Deep Learning』のリポジトリ
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
「PyTorchは速いぞ」という記事がいろいろ出てて気になったので、何番煎じかわかりませんが、どのぐらい速いんだろうと思って実験してみました。実験するのはこの前作ったDenseNetです。 環境 Google Colab GPUはTesla K80、ハードウェアアクセラレータはON Kerasのバージョンは2.1.6、PyTorchのバージョンは0.4.1 条件 Dense Netの論文の条件を若干アレンジしたものです。Data Augmentationはシンプルにしました。 成長率K=16とし、DenseNet-121と同じ構成のDenseNetを作る CIFAR-10を分類する Data Augmentationは左右反転、ランダムクロップのみ。 L2正則化（Weight Decay）に2e-4（0.0002）。ドロップアウトはなし オプティマイザーはAdam、初期の学習率は0.001
benchm-dl/keras_backend.md at master · szilard/benchm-dl
Inspired by Max Woolf's benchmark, the performance of 3 different backends (Theano, TensorFlow, and CNTK) of Keras with 4 different GPUs (K80, M60, Titan X, and 1080 Ti) across various neural network tasks are compared. For the performance of TensorFlow and CNTK with K80, the numbers reported at Max Woolf's benchmark are used. The benchmark test environment is described at versions.txt. The accura
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はfunctional APIもきちんと理解しよう - Qiita
Kerasで分岐・結合を持つNNを素早く書く - Qiita
【kerasの使い手必見】複数モデルを学習させるシステム作りました。
本物の凶暴ワニ画像をKerasで100ワニ風ににこにこニューラルスタイル変換する - Qiita
自前の画像をVoTTでアノテーションしてkeras-yolo3に呪腕のハサンを学習させる - Qiita
書評： 詳解ディープラーニング TensorFlow・Kerasによる時系列データ処理 - DEVGRU
Keras documentation: Traffic forecasting using graph neural networks and LSTM
ディープラーニングで自動筆記 － Kerasを用いた文書生成（前編）
【Python】kerasで保存したweightsをh5pyを使って取得する - ITの隊長のブログ
Applications - Keras Documentation
Kerasは相撲取りとアイドルを見分けられるかやってみた - Qiita
keras + fastText(学習済み)で文書のジャンル分類してみた - Qiita
Keras/TensorFlowでDNNな囲碁の評価関数を作ってみる
続・深層学習でアニメ顔を分類する with Keras - Qiita
Windows 8.1にTheano/Kerasをインストール - Qiita
[Keras/TensorFlow] 転移学習（Fine-tuning） - Qiita
Keras + OpenCV で画像認識 - Qiita
Keras+TensorflowでRapsberry Piライントレーサー作ってみた - 日曜技術者のメモ
RasPiでKeras/TensorFlowを動かす - Qiita
Using pre-trained word embeddings in a Keras model
Serverless Transfer Learning with Cloud ML Engine and Keras
Image Recognition in Python with Keras
Google ColabでやるPyTorchとKerasの比較（DenseNetを例に） - Qiita