【PyTorch、Chainer、Keras、TensorFlow】ディープラーニングのフレームワークの利点・欠点【2017年10月更新】 - HELLO CYBERNETICS
ディープラーニングの大流行の中、様々なフレームワークが登場し、気軽にプログラミングができるようになりました。しかし、そんな中どのフレームワークを選べば良いかわからないという人も多いと思います。そんな人に少しでも参考になればと思い記事を書きます。 はじめに Chainer 特徴 柔軟な計算グラフの構築が可能 Pythonによる実装 直感的な計算グラフの構築が可能 メリット・デメリット メリット デメリット まとめ Keras 特徴 とんでもなく簡単に計算グラフを記述可能 高速計算ライブラリのディープラーニング用ラッパー もはやプログラミングの経験すら不要 メリット・デメリット メリット デメリット まとめ TensorFlow 特徴 圧倒的な利用者数 テンソル計算を行うライブラリ Define and Run 追加のライブラリが豊富 メリット・デメリット メリット デメリット まとめ PyT
KerasでTPUを使ってトレーニングをする
こんにちは、GMOアドマーケティングのS.Rです。 Googleが開発しているTPUをご存知ですか？TPUはディープラーニングを高速化するため、Googleが開発したプロセッサです。TPUでディープラーニングのモデルのトレーニング時間は20倍以上の改良が可能です。2018年9月26日にColabというGoogleが提供されている、 機械学習のオンラインノートサービスでTPUインスタンスの無料提供を始めました。今回はColabでTPUを利用する方法を投稿させていただきます。本記事中の図説は、筆者が自らの環境で作成したものを含みます。 1 Colabのインスタンスを作る Colabの利用を始める最初のStepは、Colabのファイルを作ります。Google Driveの管理画面へ遷移し、新しいColabのファイルを作ります（図1）。 図1: Colabのインステンスを作る 2 TPUを設定する
TensorFlow（主に2.0以降）とそれに統合されたKerasを使って、機械学習・ディープラーニングのモデル（ネットワーク）を構築し、訓練（学習）・評価・予測（推論）を行う基本的な流れを説明する。 公式ドキュメント（チュートリアルとAPIリファレンス） TensorFlow 2.0（TF2）でモデルを構築する3つの方法 データの読み込み（MNIST手書き数字データ） Sequential APIによるモデルの構築 訓練（学習）プロセスの設定: Model.compile() 訓練の実行: Model.fit() 学習済みモデルの評価: Model.evaluate() 学習済みモデルを使った予測（推論）: Model.predict() 学習済みモデルの保存と復元: Model.save() Functional APIによるモデル構築 Subclassing API（Model Su
Jupyter+Keras+ Nvidia Docker with GPU on Google Cloud in an instant
As a machine learning engineer, making environments by myself to try machine learning task is really important. The more convenient public cloud services such as AWS and GCP is getting, The more important the ability to do that I think. Today, I would like to describe a kit which I made to make an environment with jupyter notebook, keras and Nvidia docker with GPU on google cloud in an instant. Mo
※この記事は苫小牧高専 AdventCalendar-2016の5日目の記事です。 はじめに 最近流行りのDeepLearningについての記事を書こうと思います。ただし、理論についてではなく、理論をプログラムに落とし込むためのツールに関するお話です。それも1つのフレームワークに関することなので、比較などではなく自分が使ってみた感想をつらつら書いていきます。 僕は4月から卒業研究でDeepLearningに関する研究をしており、PythonとDeepLearning用フレームワークKeras（バックエンドはTensorflow）な環境で色々コードを書いています。そこで、半年くらいKerasを使ってみていいなと思ったこと、苦しかったことを書こうと思います。テーマはなんでもいいってことだったので、刺さる人が少ないのは申し訳ないですが、この記事がきっかけで機械学習をKeras使って始めてみようみ
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!
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
A ten-minute introduction to sequence-to-sequence learning in Keras
Note: this post is from 2017. See this tutorial for an up-to-date version of the code used here. I see this question a lot -- how to implement RNN sequence-to-sequence learning in Keras? Here is a short introduction. Note that this post assumes that you already have some experience with recurrent networks and Keras. What is sequence-to-sequence learning? Sequence-to-sequence learning (Seq2Seq) is
learning_phaseはTrainingとTestで動作が異なる場合に使います。TrainingとTestでネットワークが変わらない場合は入りません。 learning_phaseは、Training時に１にセットされ、Test時には０にセットされます。この値によりネットワークを切り替えています。値の入力はkerasが自動で行っているので何もしなくてよいです。例えばValidationの時は0が設定されます。 簡単な例 簡単なMaltilayer Neural Networkの例はこんな感じになります。 import numpy as np from keras.datasets import mnist from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activati
![[TF]KerasからTensorboardを使用する方法 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/6a2df91ba550b307b0a9ee15eae79d4818236af2/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCVEYlNURLZXJhcyVFMyU4MSU4QiVFMyU4MiU4OVRlbnNvcmJvYXJkJUUzJTgyJTkyJUU0JUJEJUJGJUU3JTk0JUE4JUUzJTgxJTk5JUUzJTgyJThCJUU2JTk2JUI5JUU2JUIzJTk1JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1mMmI1MjQxZjIyY2UxZTRhOTU0ZThlOGFjYzQzZjc3NA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBzdXBlcnNhaWFrdWppbiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NDM4YTY0ZDdkYWRmMTQxNDhkYTFiMzYzY2M5NjlkNjA%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D1d039f53cfc10fa51022cb87b623bf31)
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。 環境 Mac: 10.12.3 Python: 3.6 TensorFlow: 1.0.1 Keras: 2.0.2 To Do Keras導入編 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 <---いまココ Kerasで転移学習 学習のテクニック編 KerasでCV Kerasでグリッドサーチ、ランダムサーチ Kerasで最適化手法の調整 Kerasで画像の水増し Kera
![[Keras/TensorFlow] Kerasで自前のデータから学習と予測 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/8f334db069c3eb5eb996df4e593242439acb03b8/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCS2VyYXMlMkZUZW5zb3JGbG93JTVEJTIwS2VyYXMlRTMlODElQTclRTglODclQUElRTUlODklOEQlRTMlODElQUUlRTMlODMlODclRTMlODMlQkMlRTMlODIlQkYlRTMlODElOEIlRTMlODIlODklRTUlQUQlQTYlRTclQkYlOTIlRTMlODElQTglRTQlQkElODglRTYlQjglQUMmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPTE4ZGI1MGZjZDg4NTQyODNlNmZkMTA2Y2IwZGM1ZDFk%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBhZ3Vtb24mdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWQyMWFlMGMwMWExMGZmMDkwNTk4ZmVmZmJjNzBiN2Q5%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3De71345c6769e2e0f7e4b62fa53dbc144)
[Windows編] Deep Learningをすぐに試せるライブラリKeras講座～その１ - Qiita
はじめに 近年流行りのディープラーニングを理論を知らなくてもとりあえず試してみたい人やただ使いたい人向けの投稿になります。自分のメモのために書いているので、分かりにくい箇所や間違いがあればご指摘ください。 Kerasとは、TensorflowとTheanoのためのPythonによるラッパーであり、深層学習ライブラリです。このライブラリを使用することで、非常に簡単に深層学習を体感することができると共に、多くのネットワーク構造を難しい理論を意識することなくコーディングすることができます。 この記事では、TensorflowとKerasの導入とまず手始めに多層パーセプトロンで四角形の識別を行います。 （追記）多くの方に見ていただけているようなので、学習済みパラメータを読み込んでの識別も追加しました。皆様の参考になれば幸いです。 （2017/03/09追記）2017年2月15日にGoogleからT
![[Windows編] Deep Learningをすぐに試せるライブラリKeras講座～その１ - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/f54f27b55b5d186ce0512af932107c302d315689/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCV2luZG93cyVFNyVCNyVBOCU1RCUyMERlZXAlMjBMZWFybmluZyVFMyU4MiU5MiVFMyU4MSU5OSVFMyU4MSU5MCVFMyU4MSVBQiVFOCVBOSVBNiVFMyU4MSU5QiVFMyU4MiU4QiVFMyU4MyVBOSVFMyU4MiVBNCVFMyU4MyU5NiVFMyU4MyVBOSVFMyU4MyVBQUtlcmFzJUU4JUFDJTlCJUU1JUJBJUE3JUVGJUJEJTlFJUUzJTgxJTlEJUUzJTgxJUFFJUVGJUJDJTkxJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1hNjNhMTA3OTQ1OTEwOTkxNDJiYTQ0YjMxZjdiY2ZjMA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0b21vY2hpaWkmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTU1YzRhZjc5ZGE2Y2JjMDNhMzM5YmJlYTUyZDY5YTcz%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Ddba99d0181383932271afb3f654bf9af)
Kerasによるニューラルネットワーク本「Deep Learning with Keras」を読んだ | 10001 ideas
Deep Learningの基本的な仕組みなどについては大体把握してきたと思うので、実際に動くコードを書くにはどうすればよいのかということを学ぶために、Kerasによるニューラルネットワーク本、「Deep Learning with Keras」を読みました。 Kerasはご存知の通り、TensorflowやTheanoなどのDeep Learning基盤を使いやすくするためのフレームワークです。実際にKerasを使ってみると、難しそうなイメージがあるDeep Learningは積み木のように構築出来て、結構簡単じゃないかという自信を得られるので、一般的なユーザーには生のTensorflowを使うよりもお勧めです。 この本の内容は、Kerasのインストール、基本的なフィードフォワードNNから始まり、CNN、RNN、WordEmbedding、GAN、転移学習、強化学習、などと幅広くカバーさ
これはなに？ DevFest Tokyo 2016での 発表で出したサンプルコードの全体を見たいという要望を頂いたので晒しておきます。 やりたかったこと 生のTensorFlowとTensorFlowの高レベルAPI版tf.contrib.learnとTensorFlowをバックエンドにしてDSLっぽくネットワークを記述できるKerasで、同じデータ、同じ手法で揃えてどう違うか、と横串で見れるものがなかったので横並びで見えるようにしたかった。 と、いうのも、それぞれのチュートリアルを見ていくと、微妙にやっていることが違うため、混乱してしまう、というか私は混乱してしまいました。 自分が調べた範囲では同じような条件で比較しているものがなかったので、混乱する方が少しでも減るように記録を残しておこうかなと思った次第です。とりあえずtf.contrib.learnのチュートリアルのものを基準に他のも
スタンドアロンKerasとtf.kerasの違いとは？ ～ #AskTensorFlow より～：TensorFlow 2＋Keras（tf.keras）入門 「スタンドアロンKerasとtf.kerasは何が違うのか？」「tf.kerasが、将来的にTensorFlowから削除される可能性はあるのか？」など、TensorFlow 2.0時代のKerasに関する一般的な疑問と、それへのTensorFlowチームメンバーからの回答をまとめる。
TensorFlow Eager Execution + Keras API の基本 - HELLO CYBERNETICS
はじめに Eager Executionの書き方 インポート データの準備 モデルの書き方 学習コード モデルの評価 補足 Google colabでのTensorBoard 最後に はじめに TensorFlow2.0から Eager Execution と Keras API が標準になる見込みです。すでにブログではこのことを何度か取り上げています。 www.hellocybernetics.tech www.hellocybernetics.tech 今回は、TF2.0から最も標準的になると思われるコードの書き方を見ておきましょうというテーマになります。 特にディープラーニングのテクニックや手法の考察などは行わないので、あくまで書き方の参考という程度に御覧ください。 コードはgoogle colabで書いていったので、基本的にはjupyter notebookなどで動作させることを想
Practical Text Classification With Python and Keras – Real Python
Watch Now This tutorial has a related video course created by the Real Python team. Watch it together with the written tutorial to deepen your understanding: Learn Text Classification With Python and Keras Imagine you could know the mood of the people on the Internet. Maybe you are not interested in its entirety, but only if people are today happy on your favorite social media platform. After this
GitHub - yu4u/convnet-drawer: Python script for illustrating Convolutional Neural Networks (CNN) using Keras-like model definitions
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でCNNを構築して，CIFAR-10データセットを使って分類するまでのメモ CHANGE LOG 2020/07/12 ライブラリをスタンドアロンKeras → Tensorflow.kerasに変更 インポートするライブラリ 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
Deep Learningを用いた樹皮画像による樹種同定（Keras, CNN, 転移学習, VGG16） - あさの畑
ディープラーニング（Deep Learning、深層学習）を用いて樹皮の画像から樹種を同定しようという試みのまとめです。 全くのゼロからディープラーニングの勉強をした僕の奮闘記はこちら ・前編 【Deep Learning勉強編】僕はDeep Learningに魅せられて勉強を始めた ・後編 【Deep Learning実践編】ひたすら調べて自分でなんとか画像認識をしてみた 樹皮の画像で樹木の種類を特定したいと思った理由についてはこちら Deep Learningを用いて樹皮による樹種同定を行なおうと思ったわけ そしてこの記事では総まとめとして全体を振り返りたいと思います。 目的 Deep Learningによる画像認識で、樹皮画像からコナラとイチョウを見分ける。 ※コナラとイチョウを試料として用いた理由は、身近に生育していて写真を集めやすいことと、どちらの樹種も幹が縦に裂けていて樹皮画像
KerasでDeep Learning：LSTMで日経平均株価を予測してみる - データサイエンティスト(仮)
導入 前回までで、画像データに関してDeep Learningを試してきました。画像データは、各データが独立と期待されるようなタイプのデータです。しかしながら、Deep Learningはこのような各データが独立であるような場合だけでしかできないというわけではありません。データ間に相関がある場合の代表例として、時系列データがあります。今回は、時系列データに対して威力を発揮するネットワークをKerasで実装してみます。 使用データ 人工データを使うのもあれなので、より現実的で身近なデータを使ってみます。今回は、日経平均株価の終値（日次）を使います。日経平均株価のデータは、以下のサイトからダウンロードしました。 日経平均株価 1時間足 時系列データ CSVダウンロード あるだけ（2007年以降）全てダウンロードし、それらを結合して一つのファイルを作っておきます。 終値（finish）をプロット
サンプルファイル作成 ~/にmnist_mlp_tb.pyを配置 こちらのファイルの以下をベースは変更した。 https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py スクリプト中の### add for TensorBoard と ### で囲まれた部分が追加箇所。 from __future__ import print_function 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
![[Keras/TensorFlow] KerasでTensorBoardの利用 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/9611590656fb1a4c10eb4ab6e79c22613700d089/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCS2VyYXMlMkZUZW5zb3JGbG93JTVEJTIwS2VyYXMlRTMlODElQTdUZW5zb3JCb2FyZCVFMyU4MSVBRSVFNSU4OCVBOSVFNyU5NCVBOCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9ZThjMDQ2ODFmOTQ3NzBjMjliMjhhM2I4ODk0YjRhMjQ%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBhZ3Vtb24mdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWQyMWFlMGMwMWExMGZmMDkwNTk4ZmVmZmJjNzBiN2Q5%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D03ee2535872439a876048069b90faac7)
静止画像と動画からの物体検出(Yolo3)をやってみる。／tensorflow v1＋keras-yolo3 - SE_BOKUのまとめノート的ブログ
目次 物体検出(Yolo3)をやってみる keras-yolo3をダウンロード Quick Start Quick Start：Download YOLOv3 weights from YOLO website Quick Start：Convert the Darknet YOLO model to a Keras model. Quick Start：物体検出する画像か動画を用意する 静止画像（写真）でRun YOLO detection.（物体検出実行） 動画でRun YOLO detection.（物体検出実行） 動画の物体検出がエラーになる場合・・その１ 動画の物体検出がエラーになる場合・・その２ 動画の物体検出結果の動画ファイルを保存 参考までに 物体検出(Yolo3)をやってみる DeepLearningベースの物体検出(Yolo3)のQuick Startをやってみました。
はじめに 定番のGANs（pix2pix）線画着彩を、無料のGoogle Colabでやってみました。 教師データが大きく、また学習時間も長いので、Colabでやるには多少工夫が必要です。 https://colab.research.google.com/ pix2pixの説明は、他の方の分かりやすい記事を見て頂くとよいかと思います。 先にU-Netを理解してからだと、pix2pixの理解が早いと思います。 https://qiita.com/koshian2/items/603106c228ac6b7d8356 https://qiita.com/mine820/items/36ffc3c0aea0b98027fd 事前準備 美少女イラストを収集・厳選・加工し、線画と着彩のデータセットを用意します（以下参考）。 https://www.mathgram.xyz/entry/scrapi
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 - deeplearning4j/deeplearning4j: Suite of tools for deploying and training deep learning models using the JVM. Highlights include model import for keras, tensorflow, and onnx/pytorch, a modular and tiny c++ library for running math code and a java
The Eclipse Deeplearning4J (DL4J) ecosystem is a set of projects intended to support all the needs of a JVM based deep learning application. This means starting with the raw data, loading and preprocessing it from wherever and whatever format it is in to building and tuning a wide variety of simple and complex deep learning networks. Because Deeplearning4J runs on the JVM you can use it with a wid
GitHub - matterport/Mask_RCNN: Mask R-CNN for object detection and instance segmentation on Keras and 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
深層学習で時系列の予測がしたいときとかあると思います。 以下の記事を参考にさせていただきます。 qiita.com それで時系列データが手元にないので以下のサイトにある日経平均株価の日足をつかいます。 日経平均株価 1時間足 時系列データ CSVダウンロード 直近1000営業日の値動きをプロットすると以下です。縦軸は学習のためにスケーリング済みです。 以下のコードで学習します。参考記事のままです。前日まで10営業日分の株価を入力して当日の株価を予測するというモデルにします。900営業日分のデータで学習し、100営業日分のデータでテストすることにします。 # -*- coding: utf-8 -*- import numpy import pandas import matplotlib.pyplot as plt from sklearn import preprocessing fro
Kerasのノウハウ覚え書き - Qiita
ver1版がだいぶ古くなっていたので書き直しました。 とりあえずマニュアルを隅から隅まで読みましょう 見落としがちですが、メニューの下の方にも結構色々重要(?)なものがあります。 コールバック EarlyStopping、各エポックでのモデル保存、学習率の調整、、etc Applications 事前学習済みのモデル 可視化 モデルを画像化してくれるやつ などなど。 読むと楽しいソース Examples だいぶ色々入ってます。VAEとかHRNNとかBidirectional LSTMとか。 事前学習済みのモデル(の実装) 新しいのも結構ぽろぽろ追加されてます。v2.2.0でMobileNetV2とか。 細かいノウハウ(?)やコピペ用コード片など importの仕方 Keras 2.0以上なら(?)、 だけでほとんどのものが使えます。 (2.2以前はpreprocessing配下だけは改めて
備考 Francois Chollet（フランソワ・ショレ） Googleでディープラーニングに取り組んでいる。Kerasディープラーニングライブラリの作成者であると同時に、TensorFlow機械学習フレームワークのコントリビュータでもある。また、形式推論に対する機械学習の応用とコンピュータビジョンに焦点を合わせたディープラーニングの研究も行っている。ショレの論文は、CVPR（Computer Vision and Pattern Recognition）、NIPS（Neural Information Processing Systems）のカンファレンスとワークショップ、ICLR（International Conference on Learning Representations）を含め、主要なカンファレンスで発表されている。 監訳：巣籠 悠輔（すごもり ゆうすけ） 電通・Goo
【Python】 KerasでU-Net構造ネットワークによるセグメンテーションをする - 旅行好きなソフトエンジニアの備忘録
ここ（Daimler Pedestrian Segmentation Benchmark）から取得できるデータセットを使って、写真から人を抽出するセグメンテーション問題を解いてみます。U-Netはここ（ U-Net: Convolutional Networks for Biomedical Image Segmentation ）で初めて発表された構造と思いますが、セグメンテーション問題にMax Poolingを使うのは良くないといった話があったり、Batch Normalization等も使いたいということで、pix2pixのGeneratorとして利用されているU-Net構造のネットワークを利用します。 github.com 実行環境は以下になります。 Windows10 64bit Python3.5.2 Keras2.0.4 BackendはTensorflow CPU版 まずは
def create_fcn(input_size): inputs = Input((input_size[1], input_size[0], 3)) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(inputs) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv1) pool1 = MaxPooling2D(pool_size=(2, 2))(conv1) conv2 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(pool1) conv2 = Convolution2D(64, 3, 3, activatio
GitHub - fchollet/keras-resources: Directory of tutorials and open-source code repositories for working with Keras, the Python deep learning library
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.jsを使って、JavascriptでDeepLearningを動かしてみる - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか？一人で箱根温泉りらっくすできました。 Keras.jsが出て、遂にKerasをjavascriptを扱えるようになりました。 （これ公式なのかどうかが非常に不安で、きっと違う） ということで実際に動かしてみようと思います。 Kerasについて Keras（Python） Keras-js ディレクトリ構成 Demoを動かしてみよう Clone サーバの起動 カスタマイズポイント Model もしくは、Sequentialの構成の出力 hdf5として出力したファイルを変換する。 javascript上でのkerasのNeural Networkの宣言 データ形式 予測 感想 Kerasについて Keras（Python） KerasはDeepLearningのライブラリです。 Theano、TensorFlowをバックエンドとして動作し、 切り替えることが可能
KerasのモデルとTensorFlowの最適化でWasserstein GANを学習する - Qiita
はじめに この記事でやること：Kerasのモデル，TensorFlowの最適化によってWasserstein GANを学習する． 前提知識：GANの基本的な学習則 この記事が必要ない方：いずれかの深層学習ライブラリ，またはフルスクラッチで自由自在にコーディングできる方 最近深層生成系，いわゆるGANがホットですね．僕もいろいろ試して遊んでます．ライブラリはやっぱりKerasが直感的でわかりやすいですね． さて，ふつうのDCGANやWasserstein GANなどはKerasでもサクッと実装・学習できてしまうわけですが，誤差の最適化などで細かい改善がされてるやつになると「これ，Kerasでどう書けばええんや，，，？」となってしまうこともあるかと思います．僕はImproved Training of Wasserstein GANsで提案されているGradient Penaltyの実装でそう
GitHub - leriomaggio/deep-learning-keras-tensorflow: Introduction to Deep Neural Networks with Keras and 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
はじめに 強化学習を試してみたい題材はあるけど、自分でアルゴリズムを実装するのは・・・という方向けに、 オリジナルの題材の環境を用意し、keras-rlで強化学習するまでの流れを説明します。 実行時の環境 Python 3.5 keras 1.2.0 keras-rl 0.2.0rc1 Jupyter notebook 使用するライブラリ keras 簡単にネットワークが構築できると話題のディープラーニングのフレームワークです。 keras-rl kerasを利用して、DQNなどの深層強化学習のアルゴリズムを実装したライブラリです。 対応しているアルゴリズムはこちらを参照。 gitのリポジトリをcloneしてインストールします。
![[Python] Keras-RLで簡単に強化学習(DQN)を試す - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/1389efd7cdf3c337d48dd3f765343dcc52d52626/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJTVEJTIwS2VyYXMtUkwlRTMlODElQTclRTclQjAlQTElRTUlOEQlOTglRTMlODElQUIlRTUlQkMlQjclRTUlOEMlOTYlRTUlQUQlQTYlRTclQkYlOTIlMjhEUU4lMjklRTMlODIlOTIlRTglQTklQTYlRTMlODElOTkmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPWUzZWZiMjRmNjFlMzI0ZTQxODYwNTIzNDhjNTAyNDIy%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBpbm9vcnkmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTkyMzAyMDA3MTFkN2Q1ZjhmMmUzNzJjMTJiMDliOGVi%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dc67c65d490796e3d65a2ee712b12d0f5)
前回（2016/11/9）はMNISTの数字認識を多層パーセプトロンで解いたが、今回は畳み込みニューラルネットを使って解いてみた。このタスクもKerasの例題に含まれている。ソースコードを見れば大体何をやっているかつかめそうだけどポイントを少しまとめておく。畳み込みニューラルネットワーク自体の説明は、参考文献に挙げた「ゼロから作るDeep Learning」の7章が非常にわかりやすいのでおすすめ。 ソースコード: mnist.py 4次元テンソルのチャネル位置 畳み込みニューラルネットでは、入力する画像の形状を保つために画像集合を4次元テンソル（4次元配列）、すなわち画像のサンプル数、画像のチャネル数（白黒画像なら1、RGBのカラー画像なら3など）、画像の縦幅、画像の横幅で入力するのが一般的。Kerasでは、4次元テンソルの各次元の位置がimage_dim_orderingによって変わる
時系列データ解析の為にRNNを使ってみようと思い，簡単な実装をして,時系列データとして ほとんど，以下の真似ごとなのでいいねはそちらにお願いします． 深層学習ライブラリKerasでRNNを使ってsin波予測 LSTM で正弦波を予測する CHANGE LOG 2020/07/12 Sequenceの長さを25 → 50で再学習させた場合を追記 ライブラリをスタンドアロンKeras → Tensorflow.kerasに変更 ライブラリ from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation from tensorflow.keras.layers import LSTM from tensorflow.keras.optimizers impor
入門 Keras (1) Windows に Tensorflow と Keras をセットアップ｜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 (1) Windows に Tensorflow と Keras をセットアップ 本連載ではこれからディープラーニングを手軽にはじめてみたいという方、普段使っている PC でディープラーニングをはじめてみたいという方を対象に、高レベル・ニューラルネットワーク API の Keras を使いながら、実践的かつ入門的にディープラーニングについて初歩から解説していきたいと思います。 Keras とは 紙に描く絵画をオンラインで学んだり共有できる Wysp というサービスを作った、Google 社員の François Chollet 氏作成のライブラリです。Tensorflow, Theano, CNTK などのディープラーニングフレームワークをバックエンドの基盤として使い、より簡単にディープラーニングの仕組みを作ることが出来ます。 Keras で作成するニューラルネットのネッ
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
TensorFlow, Kerasの基本的な使い方（モデル構築・訓練・評価・予測） | note.nkmk.me
半年ほどKerasを使ってみた感想など - toshiemon18のブログ
[TF]KerasからTensorboardを使用する方法 - Qiita
[Keras/TensorFlow] Kerasで自前のデータから学習と予測 - Qiita
生のTensorFlowとtf.contrib.learnとKerasを比較してみよう - Qiita
スタンドアロンKerasとtf.kerasの違いとは？ ～ #AskTensorFlow より～
KerasでCNNを簡単に構築 - Qiita
[Keras/TensorFlow] KerasでTensorBoardの利用 - Qiita
無料のGoogle Colabで美少女イラストのKeras+GANs線画着彩 - Qiita
keras/examples at master · keras-team/keras
Keras の LSTM で時系列の予測がしたい - クッキーの日記
PythonとKerasによるディープラーニング|マイナビブックス
Deep learningで画像認識⑨〜Kerasで畳み込みニューラルネットワーク vol.5〜
[Python] Keras-RLで簡単に強化学習(DQN)を試す - Qiita
Kerasによる畳み込みニューラルネットワークの実装 - 人工知能に関する断創録
Amazon.co.jp: 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ: Antonio Gulli (著), Sujit Pal (著), 大串正矢 (翻訳), 久保隆宏 (翻訳), 中山光樹 (翻訳): 本
初心者のRNN(LSTM) | Kerasで試してみる - Qiita