エンジニア勉強会でChainerとKerasの比較をしてみました pythonエンジニア勉強会機械学習 はじめに こんにちは、新卒1号エンジニアの村上です。 ビザスクでは去年の7月頃から毎週水曜日にエンジニア勉強会(読書会)をやっています。当初は1冊本を選んで、章ごとに担当を決めて読書会形式で行っていました。(ex.『エキスパートPython』『リーダブルコード』) ところが、最近になって「たまには手を動かして新しい技術に触れることもしたいよね！」という想いから、個人の興味がある分野でビザスクに還元できそうな内容をプレゼンするという形式になりました。 今回は、その先々週の勉強会で発表した内容になります。 おしながき ChainerとKerasでやったこと スライド スライドの補足 まとめ ChainerとKerasでやったこと 分類問題を題材に、シンプルなニューラルネットワークをChain
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。 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378.05.05.25f0
無から始めるKeras - Qiita
無から始めるKerasについて Python も Keras もわからないけれど、近年のありえんニューラルネットワークブームに追いつくために勉強しようと思って作りました。 初心者で何もわからない状態から始めていますので、あたたかく見守っていただき、疑問や不審な点があればどしどしご指摘いただければとおもいます。 環境は Debian 8.8 ＋ Python 3.4.2 ＋ Keras 2.0.5 ＋ TensorFlow 0.10.0 です。 もくじ はじめての Keras 活性化関数、目的関数、最適化手法とは Functional API で実装してみる 学習された重みから手計算で推定する MNIST と EarlyStopping、バッチサイズ、DropOut CNN で MNIST リカレントニューラルネットワーク Register as a new user and use Qii
始めに chainerと似て抽象化がされている。 違いの一例としてはネットワークの定義でユニット数の書き方がchainerと逆になってる。Dense(1, input_dim=784,... 出力ユニット数,入力ユニット数の順になってる。 この記事では関数の紹介、使い方、どこで使われてるかを説明できる範囲で紹介します。 ※layer_testというサンプルが多用されてますが、ただのテストコードなことに後で気づきましたので、そのうち直します。 継承関係 Layer ↑ Container ↑ Model ↑ Sequential Keras v2では名前が変わったりしてます。 今はv1を元に書いています。 http://qiita.com/miyamotok0105/items/322b29339e1771184b9e from keras.models import Sequential
How HBO’s Silicon Valley built “Not Hotdog” with mobile TensorFlow, Keras & React Native
— July 2018 Update — Not Hotdog has been nominated for a primetime Emmy®. Thanks to all the fans for the amazing reception, and to all the people at HBO & Brown Hill Productions who made this possible. The HBO show Silicon Valley released a real AI app that identifies hotdogs — and not hotdogs — like the one shown on season 4’s 4th episode (the app is now available on Android as well as iOS!) To a
[Keras/LSTM FCN]AI好きギタリストが音声からギターを推定するモデルを作った話 - Qiita
この記事は SoftBank AI部 Advent Calendar 2019 の1日目の記事です。トップバッター頑張ります👀 ※ SoftBank AI部 Advent Calendar 2019 第二弾 も出ました！ スーパー内定者のコミさん！素敵な企画有難うございます。 はじめに エレキギターの種類 エレキギターには結構いろんな種類があるんですが、ざっくりと「シングルコイル勢」「ハムバッカー勢」の２派閥に分けることができます。 シングルコイル・ハムバッカーというのは「ピックアップ」の種類のことです。 エレキギターの弦の振動を電気信号に変えるマイクのような装置で、具体的には 左のようなピックアップがシングルコイル 右のようなピックアップがハムバッカーです。 どこかで見たことがあるのではないでしょうか。 ピックアップによる音の違い 見た目の違いももちろんですがこれらを二大派閥とした理由
![[Keras/LSTM FCN]AI好きギタリストが音声からギターを推定するモデルを作った話 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/369e86f784a8b054bf98d0d649a1d2ac6c8585a8/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-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBKb2hhbm55am0mdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWI0NGExMTkzMWU5ZGVhZTIyNTkzZWQyMzljMzI4ZGQ1%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D40e81ad15eb7a896d3d74f7439b4ac4d)
自前のデータでKerasで画像分類を写経してみる（１） | WordPressでフリーオリジナルフォント
他人のデータのMNISTとかばっかりやっても全く面白くない！ 自分で集めたデータで機械学習したい！ 貴重な説明が以下にあったので、写経してみる！ 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） hiroeorz@github 2017年02月15日に更新 http://qiita.com/hiroeorz@github/items/ecb39ed4042ebdc0a957 Google検索でりんごとオレンジの画像をそれぞれ25枚ずつゲット（ダウンロード）してくれば、私にもできました！ （環境） Windows 8.1 Anaconda 4.4.0 Python 3.6.1 Tensorflow 1.2.1 Keras 2.0.6 （１）C:/python/ フォルダ下に、以下のフォルダを作成 data/train/apple ←りんご画像20個をダウンロード /tr
概要 KerasやTensorflowを使用してニューラルネットワークの重みを計算したものの、それをどうやって実アプリケーション（iPhoneアプリとか、Androidアプリとか、Javascriptとか）に使えば良いのかって、意外と難しい。 単純なニューラルネットワークとなれば、単純で良いのだが、今回LSTMで学習した重みを使用する必要があったので、KerasのLSTMのPredictの内容を解読した。 学習済みの重みはmodel.get_weights()で取ってこれるが、こいつに関する情報がググっても全く出てこない。 結局、コードを書いて、ごちゃごちゃ手当たり次第に試していった結果、model.get_weights()で取ってくる重みは、 1つ目(インデックス0)：LSTMの入力層の入力に対する重み、入力ゲートの重み、出力ゲートの重み、忘却ゲートの重み 2つ目(インデックス1)：隠
今回は、KerasでMNISTの数字認識をするプログラムを書いた。このタスクは、Kerasの例題にも含まれている。今まで使ってこなかったモデルの可視化、Early-stoppingによる収束判定、学習履歴のプロットなども取り上げてみた。 ソースコード: mnist.py MNISTデータのロードと前処理 MNISTをロードするモジュールはKerasで提供されているので使った。 from keras.datasets import mnist from keras.utils import np_utils # MNISTデータのロード (X_train, y_train), (X_test, y_test) = mnist.load_data() # 画像を1次元配列化 X_train = X_train.reshape(60000, 784) X_test = X_test.reshap
Keras FAQ: Kerasに関するよくある質問 Kerasを引用するには？ KerasをGPUで動かすには？ KerasをマルチGPUで動かすには？ "sample","batch"，"epoch" の意味は？ Keras modelを保存するには？ training lossがtesting lossよりもはるかに大きいのはなぜ？ 中間レイヤーの出力を得るには？ メモリに載らない大きさのデータを扱うには？ validation lossが減らなくなったときに学習を中断するには？ validation splitはどのように実行されますか？ 訓練時にデータはシャッフルされますか？ 各epochのtraining/validationのlossやaccuracyを記録するには？ レイヤーを "freeze" するには？ stateful RNNを利用するには？ Sequentialモデ
tf.kerasが終了 Keras 3がTensorFlowから独立し、マルチバックエンド復活！：TensorFlow 2＋Keras（tf.keras）入門 TensorFlow＋Kerasの最新情報として、Keras 3.0のリリースに伴い、TensorFlowから独立し、TensorFlow 2.16以降でKeras 3がデフォルトとなったことについて紹介します。また、Keras 3（TensorFlowバックエンド）での書き方や、今後のディープラーニングライブラリの選び方についても私見を示します。 連載目次 もう4年も前になりますが、2020年5月に「マルチバックエンドKerasの終焉（しゅうえん）、tf.kerasに一本化」という記事を書きました。しかしその後、逆の動きが起きています。本稿では、前回の記事をフォローアップする目的も兼ねて、最新の状況をお伝えします。 そもそもKer
Image edited by Author for the icon taken from the official site of PyTorch and KerasThe war between Deep Learning Frameworks is still on fire, which one that will gain more masses, it will be the next game-changer for the deep learning community in future. The loser one will fade in if they can’t survive by giving the best solution for the deep learning community and the world. The first framewor
詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理 巣籠悠輔 マイナビ出版 3,740円 (3,400円+税) 販売終了 TensorFlowとKerasによるディープラーニング・ニューラルネットワークの実践的入門書。ディープラーニング、ニューラルネットワークについての予備知識がなくても学習を進められるようゼロから丁寧に、理論とその実装について解説します。 関連サイト本書の関連ページが用意されています。 詳解 ディープラーニング｜マイナビブックス内容紹介本書はディープラーニング、ニューラルネットワークについての予備知識がなくても学習を進められるようゼロから丁寧に、理論とその実装について解説します。 実装にはPythonのディープラーニング向けのライブラリ、TensorFlow (1.0) およびKeras (2.0) を用います。 「ディープラーニングについて
Using Keras and Deep Q-Network to Play FlappyBird | Ben Lau
200 lines of python code to demonstrate DQN with Keras Overview This project demonstrates how to use the Deep-Q Learning algorithm with Keras together to play FlappyBird. This article is intended to target newcomers who are interested in Reinforcement Learning. Installation Dependencies: (Update : 13 March 2017, code and weight file has been updated to support latest version of tensorflow and kera
Help us understand the problem. What is going on with this article?
コンピュータービジョンとは？ Teslaやトヨタによって開発された自動運転技術や、スマートフォン上の顔認識ソフトウェア、画像認識アプリケーションに至るまで、様々な会社や組織においてコンピュータービジョンは活躍しています。企業の競合優位性や収益に対して、機械学習を活用したコンピュータービジョンが大きな影響を与えていることに疑いの余地はありません。 米テックメディアのtechopediaによれば、コンピュータービジョンとは「人間が行うのと同じ方法でコンピューターが画像を見たり、識別したり、処理することを可能にするコンピューターサイエンスの分野（注：意訳）」と定義をしています。 下の図の通り、コンピューターと人間では画像を見るのに大きな違いがあります。単純に言えば、左の写真のように人間の目には「犬」と認識できるこの写真ですが、コンピューターにとっては28行28列のピクセルを表した行列としか認識が
こんばんはエンジニアの眠れない夜です。 前回はkeras−yolo3の使い方をご紹介しました。 【物体検出】keras−yolo3の使い方 まだ読んでいない方は先にkeras-yolo3の使い方を読んでkeras-yolo3を動くようにしてからこの先を読み進めるとスムーズにkeras-yolo3の学習を始められます。 物体検出ってこんなに簡単にできるの！？ってなります。機械学習がとっても身近なものに感じられるようになります。 keras−yolo3の独自データセット学習の流れ sleepless-se/keras-yolo3 をクローン 教師画像をダウンロード 教師画像をリサイズ VOTTでアノテーションを作成 アノテーションファイルをYOLO用に変換 YOLO学習開始 結構ステップが多くて大変そう(；´Д｀) と、感じますがそこはディープラーニング、仕方ないですね(^_^;) sleep
脳のように非同期学習を行うニューラルネットワークの実装 with keras tensorflow backend - rarilureloの日記
はじめに タイトルには脳の非同期学習というようにまるで脳が非同期的に学習をしているかのように書きましたが, そこんところ実際はどうなっているかよくわかりません. 自転車を漕ぎながら考えごとをしたり, サッカーでドリブルしながらシュートかパスか考えたり, 少なくとも思考と運動の処理自体は並列非同期であるよう私自身は思います. まぁよくわからないんですが, とりあえずニューラルネットワークでは非同期でも学習できたよ! というのが今回紹介する論文です. Decoupled Neural Interfaces using Synthetic Gradients 目次 はじめに 目次 どんなことをしているか DNI 実験 詳しい実験結果 追実験 実装 まとめ どんなことをしているか まず言葉の意味から行くと, Decoupledとは分離という意味です. なにを分離するのかというと層の依存関係を分離し
GoogleのブログでTensorFlow 0.12 が Windows をサポートとあったので、試してみると簡単にできました。 実行環境 以前にインストールしたものになります。 Windows 10 Professional 64bit Anaconda3 4.2.0 (Python 3.5) ⇒ CPU版、GPU版どちらでもpython3.5が必要 GeForce GTX 1070 ⇒ GPU版に必要 CUDA Toolkit 8.0 (8.0.44) ⇒ GPU版に必要 cuDNN 5.1 ⇒ GPU版に必要 CPU版でとりあえず試したい方はこちらより「Anaconda3-4.2.0-Windows-x86_64.zip」をそのままイントールしてください。python3.5やJupyterなどがインストールされます。 Tensorflowのインストール Windowsスタートメニュー
概要 Keras(Tensorflowバックエンド)で、画像認識の分野で有名なモデルVGG16を用いた転移学習を行いました。 そもそもディープラーニングとは？Kerasって何？という方は、こちらの記事をご参照下さい。 転移学習とファインチューニングの違い 転移学習とファインチューニングは、どちらも既存のモデル(今回はVGG16)を応用したディープラーニングの学習方法です。その為この２つはよく混同されていますが、厳密には異なります。 参考：Quora: What is the difference between transfer learning and fine tuning? ざっくりと説明すると、違いは以下になります。 - 転移学習：既存の学習済モデル（出力層以外の部分）を、重みデータは変更せずに特徴量抽出機として利用する。 - ファインチューニング：既存の学習済モデル（出力層以外の
はじめに 画像から、人物を検出してみます。 様々な方法があるようですが、理論はちょっと置いておいて、以下３つの方法を試してみました。 openCV（HOG特徴量＋SVM） openCV（Haar-like特徴量分類器） keras （SSD） 環境 windows7 home（64bit） openCV 3.3.1 tensorflow 1.2.1 keras 2.1.3 テスト用画像 フリー画像のサイトはいくつもありますが、スポーツ系の画像はあまりありませんでした。 その中でAdobeの画像がオシャレだったので、いくつかダウンロード（1ヶ月の無料期間あり。ユーザ登録要） openCV（HOG特徴量＋SVM） OpenCVの「cv2.HOGDescriptor」を使って人物を検出します。 ソースコード 複数画像を対象に人物を検出するソースはこちら→GitHub import numpy a
Sequence Classification with LSTM Recurrent Neural Networks in Python with Keras - MachineLearningMastery.com
Sequence classification is a predictive modeling problem where you have some sequence of inputs over space or time, and the task is to predict a category for the sequence. This problem is difficult because the sequences can vary in length, comprise a very large vocabulary of input symbols, and may require the model to learn the long-term context or dependencies between symbols in the input sequenc
Kerasによる2クラス分類（Pima Indians Diabetes） - 人工知能に関する断創録
Kerasのプログラミングは データのロード モデルの定義 モデルのコンパイル モデルの学習 モデルの評価 新データに対する予測 という手順が一般的。今回はもう少し実践的なデータを使ってこの流れをつかみたい。 ソースコード：pima.py 1. データのロード 参考文献で挙げた記事と同じようにUCI Machine Learning repositoryにあるPima Indians Diabetes Data Setを使おう。 医療系のデータでPimaインディアンが糖尿病にかかったかどうかを表すデータのようだ。 Attribute Information: 1. Number of times pregnant 2. Plasma glucose concentration a 2 hours in an oral glucose tolerance test 3. Diastolic
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
【ディープラーニングフレームワーク】Chainer, Keras, TensorFlow, Pytorch 【更新2018/11/11】 - HELLO CYBERNETICS
はじめに Chainer 利点欠点 感想 誰にオススメか TensorFlow 利点欠点 感想 誰にオススメか Keras 利点欠点 感想 誰にオススメか Pytorch なぜPytorchを選んだか Pytorchがfast.aiとその受講生にもたらす利点 誰にオススメか（使ったこと無いので偏見） フレームワーク検索ボリューム（一新しました） Define by Runで有名なChainerとPyTorch比較 比較範囲：日本 比較範囲：全世界 Chainer、PyTorch、TensorFlow、Kerasの比較 比較範囲：日本 比較範囲：世界 はじめに この記事を公開してから1年以上の月日が経っていました。 Google検索で、「TensorFlow PyTorch」という検索ワードを入れるとそれなりの上位にこの記事が表示されていたので、あまりに情報が古いということで更新することにい
GoogleのTensorFlow開発チームは10月1日、オープンソースの機械学習ライブラリ「TensorFlow 2.0」の公開を発表した。Kerasとの統合を強化したほか、Eager Executionのデフォルト対応などによってPythonとの親和性を改善した。 TensorFlowはオープンソースの機械学習ライブラリ。JavaScript向けのTensorFlo.js、モバイルやIoT向けのTensorFlow Lite、大規模な実装向けのTensorFlow Extendedなどを提供し、機械学習向けの包括的なプラットフォームを目指す。 TensorFlow 2.0は、2017年に公開されたバージョン1.0に続く最新のメジャーリリースとなる。 機械学習アプリケーションの開発を容易にすることにフォーカスし、Pythonで実装されたディープラーニングAPIであるKerasの統合強化や
はじめに KerasはTheano，TensorFlowベースの深層学習ラッパーライブラリです．Theano，TensorFlowのおかげでだいぶ深層学習にとっつきやすくなってきたものの，まだまだアルゴリズムをガリガリ書いていくのが大変．ということで，ネットワーク構造をかなりシンプルに書けるようにしたライブラリがKerasです．Keras自体の概要についてはid:aidiaryさんの記事が大変参考になりました． Kerasの基本サンプルとして，MNISTの分類は非常にたくさん見かけるのですが，RNNを使ったシンプルなサンプルはあまり見つけられませんでした（Kerasの公式にRNNを用いた映画の感情分類のサンプルはあるのですがいかんせん最初に扱うには複雑すぎました）．そのため今回は，LSTMにsin波を学習させて予測するという簡単なサンプルを通じて，KerasのRNN実装を試します．なお，T
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
2-2.環境準備(Docker上にJupyter構築) Dockerファイルのbuild。 GPU環境でない場合はubuntuイメージなどを使ってください。 ※ buildには少し時間がかかります。 $ git clone https://github.com/tsunaki00/fine_tuning.git $ cd fine_tuning $ cd docker $ docker build . -t keras # Dockerを起動(GPU環境ではnvidia-docker) $ docker run -d --name keras-container \ -v $PWD/notebooks:/notebooks \ -p 8888:8888 \ keras import pandas as pd import random, math import numpy as np fr
![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/4e6f0b4286079b116bae9696523a77f3a683189d/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9S2VyYXMlMjhUZW5zb3JGbG93JTI5JUUzJTgxJUE3JUU1JUFEJUE2JUU3JUJGJTkyJUU2JUI4JTg4JUUzJTgxJUJGJUUzJTgzJUEyJUUzJTgzJTg3JUUzJTgzJUFCJUUzJTgyJTkyJUU4JUJCJUEyJUU3JTk0JUE4JUUzJTgxJTk3JUUzJTgxJUE2JUU1JUIwJTkxJUUzJTgxJUFBJUUzJTgxJTg0JUUzJTgzJTg3JUUzJTgzJUJDJUUzJTgyJUJGJUUzJTgxJUE3JUUzJTgyJTgyJUU3JTk0JUJCJUU1JTgzJThGJUU1JTg4JTg2JUU5JUExJTlFJUUzJTgyJTkyJUU1JUFFJTlGJUU3JThGJUJFJUUzJTgxJTk5JUUzJTgyJThCJTVCJUU4JUJCJUEyJUU3JUE3JUJCJUU1JUFEJUE2JUU3JUJGJTkyJUVGJUJDJTlBRmluZSUyMHR1bmluZyU1RCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9MGUxOTZlYjk3MjA3NmIzNDgxZTc5YzM0NDhiY2Q1NWE%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0c3VuYWtpJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz0zYjlkMmVmODE2ZDcyYWQ3MzlkNWU4YjUzYTIzNmQ5Nw%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-R0FVU1M%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%2523212121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3D7045bbb5447d0db868c5207ea7f2dbbc)
ディープラーニングに限らず、機械学習モデルを作るときに大変なのがパラメータの調整です。 機械学習モデルの精度はパラメータに左右されますが、パラメータは数も範囲も広く、最適解を見つけることが難しいのが現状です。 例えば隠れ層3のニューラルネットワークモデルを考えるとき、各層のアウトプットとなるニューロン数やドロップアウト率、バッチサイズやエポック数等々、決めなければならない要素が多く、範囲も広いです。 各パラメータの決め方は色々ありますが、可能な数値の例は大体以下になります。 ニューロン数：1以上の整数 ドロップアウト率：0以上1より小さい小数 バッチサイズ：入力データ以下の整数 エポック数：1以上の整数 ニューラルネットワークによって適当な数値はあったりしますが、データとニューラルネットワークモデル次第で適不適があるため、正直パラメータ調整は面倒です。 しかもそのパラメータが良いか悪いかは
LinuxでKerasを動かす際の環境構築手順をまとめました。 ディストリビューションはUbuntu 16.04 LTS、GPUで学習を行うことを想定しています。 なお、本投稿によって生じた全ての事象について私は責任を負いかねますので、必ず自己責任で行うようお願いします。 今回はこのような流れで進めていきます。 はじめに Google Chromeをインストール Visual Studio Codeをインストール fishをインストール Pythonをインストール CUDAをインストール Tensorflow/Kerasをインストール Kerasでmnistの学習を実行 終わりに はじめに まずはじめにターミナルを開き、下記を実行しておきます。
Chainer, tensorflow, Keras, それともゼロから作る？Deep Learningを制するには何がいいのか？！ - プロクラシスト
【2017/1/7追記】 Deep Learning用モジュールといえば？？ tensorflowは英語。だがtensorboardは唯一無二。googleが作っている安心感 【2017/1/7追記】Kerasがtensorflowのラッパーとして優秀すぎる！ chainerは日本語であるがゆえに日本のみのコミュニティ？？ ライバル3つの本 tesorflow本は画像関連がメイン chainer本は自然言語処理、時系列処理が中心 ゼロから作るDeepLearningは、仕組みがわかるのが嬉しい！ 興味のある分野に応じて買えば良さそう Deep Learning用モジュールといえば？？ Theano, Caffe, Tensorflow, Chainer あたりが有名か。どれもpythonで簡単に使えるのでとても良い。 ↓はそれぞれのことが詳しく書かれているからおすすめ d.hatena.n
GitHub - donnemartin/data-science-ipython-notebooks: Data science Python notebooks: Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, Python essentials, AWS,
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
この記事は GMOアドマーケティングAdvent Calendar 2020 23日目の記事です。 みなさんこんにちは、GMOアドマーケティングのM.H.と申します。 突然ですがみなさんは機械学習する時にどのような環境で実行していますか？Google Colaboratoryでは、制限はありますが無料でTPUを使用し、高いパフォーマンスで学習を進めることができます。 今回はこのTPUを使って、モデル内のハイパーパラメータを自動で探索してくれるKeras Tunerを使っていく方法と注意点についてお話しします。 そもそも、TPUとは TPU(Tensor Processing Unit)とは、Googleが開発した機械学習特化型のプロセッサのことで、基本的にGPUよりも高速で学習を進めることができます。計算量が多く、バッチサイズが大きい場合に特にその効果を発揮します。 私たちがこのパワ
Long Short-Term Memory Networks With Python（2018/8/20）のつづき。 今回は、Damped Sine Wave Prediction Problemという時系列予測のタスクを対象にKerasとPyTorchでStacked LSTMの実装方法を比較してみます。 減衰するサイン波を系列データとみなして、…
import numpy as np from keras.datasets import mnist from keras.models import Sequential from keras.layers.core import Dense, Activation, Flatten from keras.layers.convolutional import Convolution2D, MaxPooling2D from keras.layers.normalization import BatchNormalization from keras.utils import np_utils from keras.optimizers import Adam import keras.callbacks import keras.backend.tensorflow_backend
![[TF]KerasでModelとParameterをLoad/Saveする方法 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/16fbfd89c26e45b23b796836668c736543f755dc/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-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCVEYlNURLZXJhcyVFMyU4MSVBN01vZGVsJUUzJTgxJUE4UGFyYW1ldGVyJUUzJTgyJTkyTG9hZCUyRlNhdmUlRTMlODElOTklRTMlODIlOEIlRTYlOTYlQjklRTYlQjMlOTUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWZmNDcwOWNiODMyZmIxOTg0NzhhYmExODIyNTk5MTk3%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwc3VwZXJzYWlha3VqaW4mdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTNhYWU4OGExODAwZGJlZjhjNzJjZDEzY2NiMDk5NjE2%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Db16d58887433eb6c99ea5059281a5033)
GitHub - horovod/horovod: Distributed training framework for TensorFlow, Keras, PyTorch, and Apache MXNet.
The primary motivation for this project is to make it easy to take a single-GPU training script and successfully scale it to train across many GPUs in parallel. This has two aspects: How much modification does one have to make to a program to make it distributed, and how easy is it to run it? How much faster would it run in distributed mode? Internally at Uber we found the MPI model to be much mor
ささっと使ってみたい人にオススメ、深層学習ライブラリ「Keras」 - HELLO CYBERNETICS
Kerasとは？ TensorFlowを使うのと何が違うのか インストールの方法 TensorFlowの場合 Theanoの場合 Chainerに比べたアドバンテージ Kerasは最初の一歩にオススメ Kerasとは？ 深層学習ライブラリのTensorFlowとTheanoに対応したラッパー。 簡単に言えば、TensorFlowやTheanoをブラックボックスにしたままその機能を使うことができる上級言語です。 公開されてから続々の記事が出てますが、我慢して日本人の維持でChainerをやってきた私も、ついにKerasを少し触ってみました。 ちなみに最近このツイートが話題で、頭を鈍器で殴られた気持ちでした。 blog.livedoor.jp TensorFlowを使うのと何が違うのか TensorFlowは、たしかにニューラルネットワークを記述すること優れたライブラリではありますが、他のこと
Introducing Keras 2
Keras was released two years ago, in March 2015. It then proceeded to grow from one user to one hundred thousand. Hundreds of people have contributed to the Keras codebase. Many thousands have contributed to the community. Keras has enabled new startups, made researchers more productive, simplified the workflows of engineers at large companies, and opened up deep learning to thousands of people wi
Keras+DQNでリバーシのAI書く - Qiita
冬休みの自由研究 デモもあるよ 動機 この記事を読んで学生時代同じことやってたのが懐かしくなったので この記事を読んだらけっこう簡単にできそうだったので リバーシのルールを学ばせるとかじゃなく純粋に強いAIを目指します。 リポジトリ DQN以前の話題 盤面 盤面は6x6としました。 もともとは8x8でやっていたのですが、モデル、学習データともにそれなりの大きさになるので6x6くらいがお試しにはちょうどよかったです。 というか6x6で偶然うまく行ってこれでいっかってなった AIを用意 学習のための棋譜を大量生成したいので適当なAIを作ります。 今日は完全ランダムとモンテカルロ木探索を作ります。 そしてできたものがこちらになります。 この記事ではMTS(n)でプレイアウト数n回のモンテカルロ木探索のAIを示すものします。 棋譜の生成 こちらで紹介されているNeural Fitted Q Ite
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
エンジニア勉強会でChainerとKerasの比較をしてみました
Mac OSXでeGPUプログラミング環境構築(Keras,Tensorflow) - Qiita
keras-1チュートリアル流し読み - Qiita
KerasのLSTM model.predictを解読した話 - Qiita
KerasでMNIST - 人工知能に関する断創録
FAQ - Keras Documentation
tf.kerasが終了 Keras 3がTensorFlowから独立し、マルチバックエンド復活！
Why I Switch From Keras to PyTorch
詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理
KerasでCNNしたった - Qiita
初心者のための畳み込みニューラルネットワーク（MNISTデータセット + Kerasを使ってCNNを構築）
【物体検出】keras−yolo3で独自データセットの学習方法
TensorFlow(+Keras)がWindowsで簡単にインストールできた件 - Qiita
Keras / Tensorflowで転移学習を行う - Qiita
openCVとKerasで画像から人物検出 - Qiita
Keras統合を強化した「TensorFlow 2.0」が公開 | OSDN Magazine
深層学習ライブラリKerasでRNNを使ってsin�波予測 - Qiita
ベイズ最適化のKeras DNNモデルへの適用 - Qiita
ディープラーニングを始めたいひとのLinux環境構築【Python×Keras】 - Qiita
Google ColaboratoryのTPUランタイムを使ってKeras Tunerでパラメタ探索
Keras カテゴリーの記事一覧 - 人工知能に関する断創録
[TF]KerasでModelとParameterをLoad/Saveする方法 - Qiita
Amazon.co.jp: PythonとKerasによるディープラーニング: Francois Chollet (著), 株式会社クイープ (翻訳), 巣籠悠輔 (その他): 本
