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
Jupyter Notebook is a powerful tool that allows you to create and share documents containing live code, equations, visualizations, and narrative text. It's an essential tool for data scientists, researchers, and anyone who wants to work with data interactively. In this post, we've collected some of the best Jupyter Notebook tips, tricks, and shortcuts to help you become a Jupyter power user in no
Gallery of IPython Notebooks in Python/v3 Get started with IPython notebooks with this set of examples. A collection of practical IPython notebooks for interactive graphing with Plotly, data science, technical computing, and more. Note: this page is part of the documentation for version 3 of Plotly.py, which is not the most recent version. See our Version 4 Migration Guide for information about ho
TFlearn is a modular and transparent deep learning library built on top of Tensorflow. It was designed to provide a higher-level API to TensorFlow in order to facilitate and speed-up experimentations, while remaining fully transparent and compatible with it. TFLearn features include: Easy-to-use and understand high-level API for implementing deep neural networks, with tutorial and examples. Fast p
(時間がない人のための要約) 対話的開発環境であるJupyter Notebookの上に 作りっぱなしだったいろんな調査ツールをまとめたもの 読書猿のワークベンチなのでMonkeyBenchと名前をつけた。 探しものの際に、自分がやってる手作業のうち、ネットやコンピュータでできそうなことをPythonにやってもらえるように短いプログラムをいろいろ使い捨てして来たが、これらをまとめてJupyter Notebookのマジックコマンドにしたものである。 コードの中身と簡単な使用例をこちらに乗っけた。 http://nbviewer.jupyter.org/gist/kurubushi--rm/231f5dff7e5c6f9a50bb709e0d234dd8 https://gist.github.com/kurubushi--rm/231f5dff7e5c6f9a50bb709e0d234dd
Pymanopt A Python toolbox for optimization on Riemannian manifolds with support for automatic differentiation Riemannian optimization is a powerful framework to tackle smooth nonlinear optimization problems with structural constraints. By encoding structural properties of a problem in the manifold geometry, Riemannian optimization allows for elegant and convenient enforcement of properties such as
7. # Prepare multi-layer perceptron model # 多層パーセプトロンモデルの設定 # 入力 784次元、出力 10次元 model = FunctionSet( l1=F.Linear(784, n_units), l2=F.Linear(n_units, n_units), l3=F.Linear(n_units, 10)) コード:モデル定義 8. # Prepare multi-layer perceptron model # 多層パーセプトロンモデルの設定 # 入力 784次元、出力 10次元 model = FunctionSet( l1=F.Linear(784, n_units), l2=F.Linear(n_units, n_units), l3=F.Linear(n_units, 10)) コード:モデル定義(POINT:入出力定義)
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです! Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス #1. インストール# まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.
from xchainer import NNmanager import numpy as np from chainer import FunctionSet, Variable, optimizers import chainer.functions as F from sklearn.base import ClassifierMixin # NNmanager NNmanager model optimizer lossFunction model chainer.FunctionSetoptimizer chainer.optimizerslossFunction chainer.functions chainer paramsparams epoch batchsize logging forward trimOutput forward trimOutput chain
2. ⾃自⼰己紹介 l 得居 誠也 (Seiya Tokui) @beam2d (Twitter, GitHub) l PFI (2012-‐‑‒2014) -‐‑‒> PFN (2014-‐‑‒) l 専⾨門:機械学習 – ⾃自然⾔言語処理理(品詞タグ付け)、近傍探索索のためのハッシング(修⼠士) – Deep Learning(2012年年秋ごろ〜~)、画像・映像認識識 l 4 ⽉月に Chainer を作り始めて今はこれがメイン 2 3. Chainer サイト: http://chainer.org ドキュメント: http://docs.chainer.org GitHub: https://github.com/pfnet/chainer l Deep Learning のフレームワーク l Python
環境 この記事の内容は、Ubuntu 6.10, Python 2.4で確認しました。 現象 ユニコード文字列をstr関数に与えると、UnicodeEncodeErrorが発生します。 $ python Python 2.4.4c1 (#2, Oct 11 2006, 21:51:02) [GCC 4.1.2 20060928 (prerelease) (Ubuntu 4.1.1-13ubuntu5)] on linux2 Type "help", "copyright", "credits" or "license" for more information. >>> s = u'ほげ' >>> str(s) Traceback (most recent call last): File "", line 1, in ? UnicodeEncodeError: 'ascii' codec
dlibを用いたselective searchで紹介したSegmentation as Selective Search for Object Recognitionを読んだところ、selective searchした候補領域に対してHOG特徴量を取ってSVMで物体かどうかの判定を行っていたのでHOG+SVMによる物体検出器を使ってみます。 ここではdlibの実装を使います。 dlibのPythonラッパーのインストールはdlibを用いたselective searchを参照してください。 教師データの作成 ラベリング用プログラムはOpenCVでの物体検出器作成にあるものを使います。 出力をこのプログラムでxmlに変換します。 #include <iostream> #include <fstream> #include <string> using namespace std; int
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