Windowsに、オフラインでディープラーニング環境をインストールする(Tensorflow, Keras) ・・・「オフライン環境でのpipインストール方法」と言ってもいいかも・・・ - Qiita
なぜWindows? なぜオフライン？ 機械学習・ディープラーニングの環境は、インターネットに接続できるMacやLunuxで構築するのが一般的だと思います。しかし、事情により「オフライン（インターネット非接続）」の「Windows7マシン」に環境構築しなければならなくなりました。 Windowsとういだけで警戒しますが、さらにオフライン。 なぜこんなしばりかというと、データ分析案件でかなり機密度の高いデータを扱う必要があり、自社にデータを持ってくることも、クラウドにアップすることも許されないため、すべてお客様先で完結させる必要があるためです。ディープラーニングをデータ分析用途に使おうとする場合には、考えられる状況ではないでしょうか。 ちょっと調べてみると、結構面倒そうな情報ばかりで、はまりそうな予感がします。 結論を先に書いておくと、あっさり簡単にできました。 TensorflowのWin
データセット CIFAR10 画像分類 10のクラスにラベル付けされた，50,000枚の32x32訓練用カラー画像，10,000枚のテスト用画像のデータセット． 使い方: from keras.datasets import cifar10 (x_train, y_train), (x_test, y_test) = cifar10.load_data() 戻り値: 2つのタプル: x_train, x_test: shape (num_samples, 3, 32, 32)または(num_samples, 32, 32, 3)のRGB画像データのuint8配列です．これはバックエンド設定のimage_data_formatがchannels_firstとchannels_lastのいずれなのかによって決まります． y_train, y_test: shape (num_samples,)
MacBook Pro の Radeon GPU で Keras を使って MNIST を高速に学習させる方法 - Kei Minagawa's Blog
2019年12月現在、MacBook Pro の Radeon GPU で Keras を使って MNIST を高速に学習させることができました。忘れないよう環境構築手順等を記載します。Plaid-ML という機械学習ライブラリをインストールし Keras のバックエンドにそれを指定するとできることを確認しました。 Table of Contents 1. 参考文献 2. 環境構築 2.1. 前提条件 2.2. "plaidml-keras" のインストール 2.3. 初期設定コマンド 3. Keras で GPU を使用するために追加するコード 4. MNIST の学習 5. まとめ 1 参考文献 以下の記事を参考にしています。 Tensorflowのdockerを使ってみる（macOS） qiita.com PlaidML Kerasでやっていく #TokyoR 73 PlaidML
zachmoshe.com Technical Consultant for Risk Management, Fraud Prevention and Data Science About me "Computers are useless. They can only give you answers." (Pablo Picasso, 1960s) Use Keras Pretrained Models With Tensorflow In my last post (the Simpsons Detector) I’ve used Keras as my deep-learning package to train and run CNN models. Since Keras is just an API on top of TensorFlow I wanted to play
7月26日、TensorFlow 2.13とKeras 2.13がリリースされました。 このリリースでは、Apple Silicon Macのサポートやtf.lite、tf.dataの改善など、重要な変更点が含まれています。 以下で、新機能のハイライトを紹介します。 7月26日、TensorFlow 2.13とKeras 2.13がリリースされました。 このリリースでは、Apple Silicon Macのサポートやtf.lite、tf.dataの改善など、重要な変更点が含まれています。 以下で、新機能のハイライトを紹介します。 Apple Silicon Macのサポート TensorFlow 2.13は初めて、Apple Silicon Mac上で最新バージョンのTensorFlowを使用できます。 Apple、MacStadium、Googleの協力により、Apple Silicon
はじめに 時系列データを入力にとり、今の時刻の入力に加えて前の時刻の「状態」も使って出力を決めるニューラルネットワークの形態に RNN (Recurrent Neural Network) があります。LSTM（Long Short-Term Memory, 長・短期記憶）が有名でしょうか。 時系列データとは、動画やテキストといった、列全体として意味を持つようなデータです。普通のニューラルネットワークは画像や文字といった、形式の決まったある1つのデータを入力に取るわけですが、それらが並んだ動画やテキストを扱うときには、個々の画像（フレーム）や文字はもちろん、その並びにも大きな意味がありますね。このようなデータをうまく扱う構造がRNNというわけです。 ただ普通の全結合層などと違って正直とっつきにくいと思います。私もそうです。 というわけで、まずはRNNが何をするものかを理解して、次に前の時刻
![[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/8738512ef63d2393192e700daef50a00a00e1bc7/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkYwJTJGMjA0MDg0JTJGcHJvZmlsZS1pbWFnZXMlMkYxNzMwNzIyODk3P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPTZhMDZjMWUwOWRhYzczMTdhNWRmYmRhMGMyYzNkYjI2%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D5376bdfb865b89cc17ab87e4dc72c580%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCVGVuc29yRmxvdyUyRktlcmFzJTVEJTIwJUU1JUE1JUJEJUUzJTgxJThEJUUzJTgxJUFBJUU2JUE3JThCJUU5JTgwJUEwJUUzJTgxJUFFUk5OJUUzJTgyJTkyJUU3JUI1JTg0JUUzJTgxJUJGJUU3JUFCJThCJUUzJTgxJUE2JUUzJTgyJThCJUUzJTgxJUJFJUUzJTgxJUE3JUUzJTgxJUFFJUU5JTgxJTkzJUUzJTgxJUFFJUUzJTgyJThBJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LXBhZD0wJnM9MzExNGU5MjBhMDJjY2U1ODAwNjllMDUyMjk5YjBhOTk%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBldmVyeWxpdHRsZSZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1wYWQ9MCZzPWQzZTAwYjBiM2EwMmQwMWQ3YjYxYjNiMjliNWRlY2Fi%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D4e74e176edbd06de027713fd46619da0)
【Keras】ArcFaceとUmapを使って特徴量を可視化する - 旅行好きなソフトエンジニアの備忘録
ディープラーニングを用いたMetric Learningの一手法であるArcFaceで特徴抽出を行い、その特徴量をUmapを使って２次元に落とし込み可視化しました。KerasでArcFaceを用いる例としてメモしておきます。 qiita.com qiita.com 実装は以下を引っ張ってきました。元とほぼ一緒なのですが一部以下の変更を入れています。 github.com archs.pyの簡素化 from keras.models import Model from keras.layers import Dense, Conv2D, BatchNormalization, Activation from keras.layers import Input, MaxPooling2D, Dropout, Flatten from keras import regularizers from
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。
#はじめに この記事では画僧分析の入門としてKaggleの開発環境(Kernel notebook)とKerasを用いたMNISTデータセットの分類を紹介します。 Kaggle上ではKernelを公開しているので、自分でも動かしたい場合などは併せてご覧になってください。 https://www.kaggle.com/taiga518/keras-deep-learning 間違い、質問、コメントなどあればぜひお声がけください。 LGTM頂けると励みになります！ #Kaggleとは Kaggleはオンラインで行う世界最大の分析コンペティションです。 また、分析にすぐに取り組めるKernel notebookというオンライン開発環境が用意されており、データ分析の入門には最適だと思います。 本記事ではKaggleに既に登録しており、Kernelの使い方がわかる方を対象にしています。 （ご存じない
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
François Cholletさんのツイート: "Keras yurukyara mascot 🦄✨🧠📈… "
Keras yurukyara mascot 🦄✨🧠📈 https://t.co/HmnZgMaIFr
GitHub - ashnkumar/sketch-code: Keras model to generate HTML code from hand-drawn website mockups. Implements an image captioning architecture to drawn source images.
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
Kerasのモデルは学習完了時のものが最良とは限らない ちょっとしたTipsです。 Kerasの限らず、ディープラーニングで作ったモデルは学習完了時のものが最良とは限りません。 学習を進めていって全エポックを終了したとしても（またはEarlyStoppingしても）、過学習であったり局所最適化されてしまったりということがありえます。 学習の途中に最良のモデルが存在するけど、学習完了時はそれより劣る、ということです。 そうした場合はCheckpointで保存された最良のモデルをロードし直すのが良いと思います。 import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers
機械学習初学者のKerasでCNN - Qiita
はじめに 本記事は機械学習の知識が0だった人間が、１ヶ月間勉強した成果をまとめた内容になります。 具体的なコードを用いて、1行ずつ「何をやっているのか？」を自分の理解で綴ります。 厳密ではなかったり、間違っていることを書いているかもしれませんがご了承ください。 CNNとは？ Convolutional Neural Networkの略称です。 日本語だと畳み込みニューラルネットワークと呼ばれています。 機械学習と一言で言っても種類は様々です。その中の一つがCNNです。 画像分類でよく用いられるニューラルネットワークです。 Kerasとは？ 機械学習にはscikit-learn、Chainer、TensorFlowといった様々なライブラリが存在します。 KerasはGoogleが開発したTensorFlowをベースに利用することが可能なライブラリです。 KerasでCNN Kerasを使って
概要 YOLOv3 の仕組みについて、Keras 実装の keras-yolo3 をベースに説明する。 概要 ネットワークの構造 YOLOv3 ネットワーク Darknet-53 ネットワーク ネットワークの実装 必要なモジュールを import する。 utils.compose() について 1つの畳み込み層 Darknet-53 の Body 部分 追加の畳み込み層 参考 ネットワークの構造 YOLOv3 ネットワーク ベースネットワークには Darknet-53 を使用する。 Fully Convolutional Network である。 75層の畳み込み層、アップサンプリング層及び Shortcut Connection で構成される。 各畳み込み層は畳み込み、Batch Normalization、活性化関数 Leaky ReLU の順番で構成される。 プーリングの代わりにス
はじめに カブクで機械学習エンジニアをしている大串正矢です。今回は複数入力モデルの精度向上のためのTipsについて書きます。 背景 複数入力のモデルでは単一入力のモデルとは異なり、下記のような問題点があります。 – データによってロスに対する貢献度が異なり、ロスが下がりやすいデータを優先して学習してしまう。 – 学習の収束性はデータによって異なり、全体の最適化を目指すと個々のデータで過学習が発生してしまう。 1の問題を解決する方法として重み付きヘテロジニアスラーニング、2の問題を解決するためTask Wise Early Stoppingという手法が存在するので今回はその手法を紹介します。 注意点：両手法はマルチタスクラーニングに適用される手法のため、記事上ではタスクと表記しています。1入力を1タスクと置き換えて記述しています。 データ、前処理、モデル定義部分 データと前処理、モデル定義部
GitHub - fchollet/deep-learning-models: Keras code and weights files for popular deep learning models.
THIS REPOSITORY IS DEPRECATED. USE THE MODULE keras.applications INSTEAD. Pull requests will not be reviewed nor merged. Direct any PRs to keras.applications. Issues are not monitored either. This repository contains code for the following Keras models: VGG16 VGG19 ResNet50 Inception v3 CRNN for music tagging All architectures are compatible with both TensorFlow and Theano, and upon instantiation
この記事は BrainPad AdventCalendar 2017 23日目の記事です。 今回は深層強化学習を取り上げてみようと思います。 ビジネス課題と強化学習 BrainPadでは、データ分析に基づいて様々なビジネス課題に取り組んでいますが、時間的な制約や網羅性の制約などから、機械学習に必要となる最終的に得たい結果(目的変数)と打ち手となる要因（説明変数）の組みを事前にすべて揃えることが出来ない課題において検討されるのが強化学習のアプローチです。そこでは、実際に打ち手を局所的に試行しデータを集めながら、得たい結果との関係性（予測モデル/判断モデル）を動的に学習していきます。そのような意味で、教師あり学習と教師なし学習の中間に位置する手続きと解釈される枠組みで、より現実世界の時間の流れに沿った動的な課題に適用が検討されます。 具体的には、立上げた新規Webページでの広告の出し分けロジッ
Kerasではデータ拡張（Data Augmentation）の処理を効果的に行うため、ImageDataGeneratorというジェネレーターが用意されています。 データ拡張とは、画像に対して移動、回転、拡大・縮小など加工することで、データ数を水増しするテクニックです。 ImageDataGeneratorを使用することで、このような画像を簡単に生成することが出来ます 機械学習、ディープラーニングの世界では大量のデータが必要となるので、オリジナルデータが少ない場合、ImageDataGeneratorを使用することで簡単に画像を増やす事ができます。 ImageDataGeneratorのimport ImageDataGeneratorはkerasのライブラリです。次のようにインポートします。
KerasでGPUメモリの使用量を抑える方法
バックエンドをTensorFlowとしてKerasを利用しようとすると，デフォルトだとGPUのメモリを全部使う設定になっていて複数の実験を走らせられないので，GPUメモリの使用量を抑える設定方法について紹介します．1 2 検証環境 GPUのメモリ使用量を抑える 下記コードを貼り付けるなり，importするなりすれば大丈夫です． 最小限のGPUメモリのみ確保 gpu_options.allow_growthで設定可能です． 実行時に必要な分だけ確保する方法で，さらに必要になるとメモリ領域を拡張するようになっています． ただし自動的にはメモリを開放しないので，メモリが断片化して性能が悪化する可能性があり注意が必要です．1 import tensorflow as tf from keras import backend as K config = tf.ConfigProto() config
ではせっかくなのでモデルの中身をみてみましょう．以下のコードでその中身を見ることができます． model.summary() 以下のようなモデルの構造が表示されるかと思います． Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) (None, 224, 224, 3) 0 _________________________________________________________________ block1_conv1 (Conv2D) (None, 224, 224, 64) 1792 ______________________________________________________
Kerasを使ったGoogle VisionサービスのDistillation(蒸留) - にほんごのれんしゅう
Kerasを使ったGoogle VisionサービスのDistillation(蒸留) Vision APIをVGGで蒸留する Vision APIの出力は実はタグの値を予想する問題でしかない 出力するベクトルが任意の次元に収まっており、値の範囲を持つ場合には、特定の活性化関数で近似できる 例えば、Vision APIはメジャーなタグに限定すれば、5000個程度のタグの予想問題であり、5000個程度であればVGGを改良したモデルで近似できることを示す (2017/11/08 データセットをスクリーニングして、問題のあるデータセット（一定の確率で特定のタグによってしまう）を排除したところ、だいぶ改善しました) 理論 去年の今頃、話題になっていたテクノロジーで、モデルのクローンが行えるとされているものである。 Google VISION APIなどの入出力がわかれば、特定のデータセットを用意す
Keras: Theano-Based Deep Learning Library | Hacker News
I know of 4 projects for deep learning based on Theano.Keras, Blocks and Lasagne all seem to share the same goal of being more libraries than framework. You can use only one part (e.g. a Layer implementation, training algo) without having to pull in everything : https://github.com/bartvm/blocks https://github.com/benanne/Lasagne Then there is pylearn2, which look more like a framework and seems to
※サンプル・コード掲載 あらすじ 「フルーツの画像を判別するモデルを作ってくれませんか？」 と言われた時に、どのようにモデルを作りますか？ ディープラーニングで画像分類を行う場合、通常畳み込みニューラルネットワークという学習手法を使いますが、画像の枚数によっては数週間程度がかかってしまいます。 また、学習に使用する画像の枚数も大量に用意しないといけません。 では、短時間・少ない画像から画像を分類するモデルを作るにはどうすればよいでしょうか。 その解決策として、画像分類でよく使われているfine tuningという手法をご紹介します。 今回はkeras2.0を使ってサンプルコードを書いて行きます。 *keras = Pythonで書かれたニューラルネットワークライブラリ。裏側でtheanoやtensorflowが使用可能。 fine tuning（転移学習）とは？ 既に学習済みのモデルを転用
A Comprehensive guide to Fine-tuning Deep Learning Models in Keras (Part I) | Felix Yu
In this post, I am going to give a comprehensive overview on the practice of fine-tuning, which is a common practice in Deep Learning. Drawing from my own experience, I will list out the rationale behind fine-tuning, the techniques involved, and last and most important of all, detailed step-by-step guide of how to fine-tune Convolutional Neural Network models in Keras in Part II of this post. Firs
Deep learning for complete beginners: convolutional neural networks with keras
How AI Drives Innovation: Lessons from CDO Fiona James of the Office for National Statistic Driving innovation and staying competitive can often feel like a tough challenge for businesses; however, with the rise...
Introduction to Deep Learning - Deep Learning basics with Python, TensorFlow and Keras p.1 | Python Programming Tutorials
Introduction to Deep Learning - Deep Learning basics with Python, TensorFlow and Keras p.1 Welcome everyone to an updated deep learning with Python and Tensorflow tutorial mini-series. Since doing the first deep learning with TensorFlow course a little over 2 years ago, much has changed. It's nowhere near as complicated to get started, nor do you need to know as much to be successful with deep lea
機械学習の勉強はここから始めてみよう。ディープラーニングの基盤技術であるニューラルネットワーク（NN）を、知識ゼロの状態から概略を押さえつつ実装。さらにCNNやRNNも同様に学ぶ。これらの実装例を通して、TensorFlow 2とKerasにも習熟する連載。
この記事は Retty Advent Calendar 20日目です。 昨日は@takumi-suzukiのDNSでバランシングしていたら辛くなった話でした。 #ガジェット手当 みなさん、いきなりですがスパコンを持ってますか？ 僕は持っています。 Rettyという会社は、エンジニアには通期で一回「ガジェット手当」という制度があります。 IT機器などを個人的に購入する場合に、業務とか用途関係なく援助してくれる制度です。 だからというわけではありませんが、Rettyでもスパコンを買ってみることにしました。 #スパコン買ってみよう！ 皆さんが想像されるスパコンというのはこういうのをイメージされると思いますが、 By 0-0t - 0-0t, GFDL-no-disclaimers, Link やっぱ買うならこういうのが欲しいなと思ったりするのですが、残念ながらまだまだベンチャーのRettyにはこ
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
![[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)
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
この記事では、タイトルにあるとおりTensorFlowと統合されているKerasを使ってみます。したがって、この記事に書かれているコードを試す範囲では、Kerasを別途インストールする必要はありません。 TensorFlowに統合されたKerasでMNISTに挑戦 まずは、インストールが必要なKerasのコードをご覧いただきます。 参考：https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py '''Trains a simple convnet on the MNIST dataset. Gets to 99.25% test accuracy after 12 epochs (there is still a lot of margin for parameter tuning). 16 seconds
はじめに 時系列データを入力にとり、今の時刻の入力に加えて前の時刻の「状態」も使って出力を決めるニューラルネットワークの形態に RNN (Recurrent Neural Network) があります。LSTM（Long Short-Term Memory, 長・短期記憶）が有名でしょうか。 時系列データとは、動画やテキストといった、列全体として意味を持つようなデータです。普通のニューラルネットワークは画像や文字といった、形式の決まったある1つのデータを入力に取るわけですが、それらが並んだ動画やテキストを扱うときには、個々の画像（フレーム）や文字はもちろん、その並びにも大きな意味がありますね。このようなデータをうまく扱う構造がRNNというわけです。 ただ普通の全結合層などと違って正直とっつきにくいと思います。私もそうです。 というわけで、まずはRNNが何をするものかを理解して、次に前の時刻
![[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/6377d83eee7e2ef2b604800b251d7cd607309670/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCVGVuc29yRmxvdyUyRktlcmFzJTVEJTIwJUU1JUE1JUJEJUUzJTgxJThEJUUzJTgxJUFBJUU2JUE3JThCJUU5JTgwJUEwJUUzJTgxJUFFUk5OJUUzJTgyJTkyJUU3JUI1JTg0JUUzJTgxJUJGJUU3JUFCJThCJUUzJTgxJUE2JUUzJTgyJThCJUUzJTgxJUJFJUUzJTgxJUE3JUUzJTgxJUFFJUU5JTgxJTkzJUUzJTgxJUFFJUUzJTgyJThBJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1iYzFiOTA3ZDI3ODhiODM1NWRhOTc5ZjExYzYyNGMyNg%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBldmVyeWxpdHRsZSZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9ZjhkMjI2NDg4YTBiMmM3NDA1YWEyMDMxMTY0NjYxMzM%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D4a2d9674d39f6b01b9c70ab1f5009fd3)
Kerasでモデルを学習させるときによく使われるのが、fitメソッドとfit_generatorメソッドだ。 各メソッドについて簡単に説明すると、fitは訓練用データを一括で与えると内部でbatch_size分に分割して学習してくれる。 それに対し、fit_generatorではbatch_size分のデータを生成するgeneratorを自分で作成して与える必要がある。 ミニバッチごとに入力の前処理をしたい場合なんかはfit_generatorを使うことになる。 本記事では、これらfitメソッドとfit_generatorメソッドを使って同じモデルを学習させ、学習時間を比較してみる。 なぜ比較するのかというと、「ひょっとして学習時間に差があるのでは？」と気になったからだ。 検証してはっきりさせておくことで、fitとfit_generatorの使い分けに役立てられればいいと思う。 検証は以下
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
EeePCの軌跡 要するに、モバイル端末機器活用、AI/機械学習応用が趣味のブログです。 物欲、自作小説も少々？ ※ 管理人 ディープタイピング 物体検出コードといえば、Faster-RCNN、SSD、そしてYOLOが有名ですが、そのYOLOの最新版である”YOLO v3”のKeras＋TensorFlow版を使って、独自データにて学習できるところまで持っていきましたので、ここに手順を書きます。 まず、YOLO v3の威力をご覧ください。 YOLO: Real-Time Object Detection 最近出たアルゴリズムなので、SSDよりも高速＆正確であるというのが謳い文句です。ごらんのとおり、物体検出数も精度のなかなかです。 制度と速度を他の物体検出コードと比較したグラフです。わざとグラフの横軸からはみ出すように作ってますが・・・実際動かしてみると、確かに以前試したTensorFlo
#動画 Generalization and Equilibrium in Generative Adversarial Nets (GANs) #torch7のpix2pix torch7がオリジナル http://qiita.com/masataka46/items/3d5a2b34d3d7fd29a6e3 #DCGAN ##DCGANアーキテクチャ https://www.slideshare.net/xavigiro/deep-learning-for-computer-vision-generative-models-and-adversarial-training-upc-2016 https://blog.openai.com/generative-models/ 敵対生成で画像を生成する。ノイズを入力し、ジェネレーターで偽の画像を生成。ディスクリミネータで本物の画像を判定す
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
Use Keras Deep Learning Models with Scikit-Learn in Python - MachineLearningMastery.com
Keras is one of the most popular deep learning libraries in Python for research and development because of its simplicity and ease of use. The scikit-learn library is the most popular library for general machine learning in Python. In this post, you will discover how you can use deep learning models from Keras with the scikit-learn library in Python. This will allow you to leverage the power of th
http://peterroelants.github.io/posts/rnn_implementation_part02/ を Keras で。一部元コードをそのまま使ってる。 # Porting http://peterroelants.github.io/posts/rnn_implementation_part02/ using Keras import sys import os import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.layers import Activation from keras.layers import Dropout from keras.layers import LSTM from keras.callba
GitHub - sicara/tf-explain: Interpretability Methods for tf.keras models with Tensorflow 2.x
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
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
データセット - Keras Documentation
Use Keras Pretrained Models With Tensorflow
TensorFlow 2.13とKeras 2.13がリリース ー Apple Silicon Macに対応
[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita
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
KaggleとKerasで始めるディープラーニング画像分析 - Qiita
Kerasのモデルは学習完了時のものが最良とは限らない - Qiita
Keras 実装で学ぶ YOLOv3 - その1 YOLOv3 ネットワークの概要とその実装 - Pynote
Kerasを用いた複数入力モデル精度向上のためのTips | 株式会社カブク
Keras-RLを用いた深層強化学習コト始め - Qiita
Kerasを使用して画像のデータ拡張（回転、拡大・縮小）を行う - AI人工知能テクノロジー
【Python】KerasでVGG16を使って画像認識をしてみよう！
少ない画像から画像分類を学習させる方法（kerasで転移学習：fine tuning）
TensorFlow 2＋Keras（tf.keras）入門
手のひらスパコンでKeras-Tensorflowを使ってみる - Qiita
[Keras/TensorFlow] Keras(Tensorflow)の環境構築 - Qiita
GitHub - nzw0301/keras-examples
【TensorFlow】統合されたKerasを使ってみよう！ | 侍エンジニアブログ
[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita
Keras の fit と fit_generator の速度を比較する - Ahogrammer
kerasでDCGANとpix2pixを比較 - Qiita
KerasでImageNetのハンバーガーと自転車を分類した - Qiita
Keras LSTM で足し算 - higepon blog