はてなブックマーク

はじめに データ分析及び機械学習ですっかりおなじみになったJupyter Notebook(以下、Jupyter)ですが、昨年(2016年)あたりからGCP(Google)・AWS・Microsoft Azure・Bluemix(IBM)といった主要なクラウドベンダーからJupyterのホストサービスが登場するようになってきました。その中には無料で使えるサービスもあるため、ローカルの環境構築を意識しないでPythonやデータ解析・機械学習等のコードを動かしたり共有できるようになり、勉強会やハンズオンの敷居も低くなっているように感じられます。 今回は勉強会で環境構築に困った際にこういう選択肢もあるよという意味で、各ベンダーが提供するJupyter環境をまとめてみました。 サービス一覧 Google / GCP Colaboratory Cloud Datalab Microsoft Azur

はじめに Webフロントエンドの知識がjQueryで知識が止まっていたので、モダンなWebフロントエンドに触れてみた。そのメモ。 良かった点 「今はこうなっているのかー」と分かった。今後はナウい記事を読んでもビビらないと思う。 Reactのすごさ 触ってみて下の記事のいうことが理解できた。何がすごいの？と聞かれたら下の記事を掻い摘んで説明したい。 Reactを使うとなぜjQueryが要らなくなるのか 触ってみたもの ES6 Yarn Webpack Babel Sass/SCSS React とりあえずエディタ開いてHTMLを書くぞというタイプの人間だったので、フロントエンド開発にまずはコマンドラインを打って環境を構築する点が新鮮。自動化できるところはツールで共通化してラクできるところはラクをする、というのは分かった。Reactは使うか分からないが、Webpack/Babel/SCSSは絶

はじめに Android Thingsの登場により、AndroidでもGPIOやI2C、SPI、PWMを通してセンサーやインプットをいじることができるようになりました。既存のAndroidの知識を活かしつつIoTデバイスの開発が行うことができてますし、さらにはAndroid Things Consoleを使うことでOTA（Over-The-Air）からソフトウェアのアップデートすることが可能です。Google社によるAndroidのサポートとConsoleの存在は、クラウドインフラを持たないIoTスタートアップにとっては大きなメリットになるのではないでしょうか。 今回はそんなAndroid Thingsのユースケースを調べたり、KotlinでのLチカをトライしてみたので紹介します。 Android Thingsの特徴 既存のAndroidと比べて、Android Thingsでは何が新しい

はじめに iOS11から登場したCoreMLフレームワークを使って、Kerasで実装したニューラルネットを動かしてみました。画像認識や自然言語処理のCoreMLのサンプルはあったのですが、iPhoneから取得したセンサーデータをRNN(Recurrent Neural Network、再帰型ニューラルネットワーク）で認識させた例がなかったようなのでトライしてみました。 以下の記事では、○・□・△・✕を描くジェスチャーの認識を行うRNNの学習とCoreMLでの活用について紹介します。 デモ 認識したジェスチャーに応じてHTTPリクエストを送ってSlackにメッセージを送る例 : iOSアプリのスクショ : 真ん中のボタンを押している間（最大4秒）だけジェスチャーのセンサーデータを取得して、ボタンを話したらニューラルネットにより認識を行います。 レポジトリ・学習済みモデル akimach/Ge

はじめに モデルの評価に使われる性能指標と検証手法を紹介します。 イントロ Scikit-learn・Keras モデルの性能指標・評価方法 ← 今ココ！ データの前処理・データ拡張 早期終了(early stopping)・正則化 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 TensorFlowやKerasなどの入門記事を読むと、サンプルコードの中で示されるニューラルネットの評価指標としてAccuracy（正解率、ややこしいが精度とも）だけが使われているケースが多いです。MNISTのようなベンチマークやKaggleでも、性能指標は統一されています。 今ここであるインプットに対してすべてAクラスと返すAIを考えてみます。 図1 : すべて負クラスと答えるAI 入力には負クラスに該当するものが9個、正クラスに該当するものが1個あります。このAIはすべて負クラスと返すので正解

目次 イントロ ← 今ココ Scikit-learn・Keras モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping) 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 はじめに 大学3年生のとき、小林雅一『AIの衝撃 人工知能は人類の敵か』という本をなんのきなし読んだことがあります。その本の中で「最先端のAIを実装できるのは世界でも50人くらいの研究者・大学院生くらいだ」といった文章を読み、なんだかすごそうという動機で機械学習に触れ始めました。そのころちょうど、TensorFlow 0.0.5が公開されて騒がれていたことを覚えていますが、当時ディープラーニングとは何かすらまったく分かりませんでした。それから約2年の月日が経ちますが、TensorFlowをはじめとしたフレームワークの普及もあってか「最先端のAI」というものを研究し実装

はじめに TensorFlow 1.2.0がリリースされました。 https://github.com/tensorflow/tensorflow/releases リリースノートに載っていた変更点を以下にメモりました。憶測で書いているところもあるので、ツッコミは大歓迎です。 Windows上でのPython3.6のサポート spatio temporal deconvolutionのためのtf.layers.conv3d_transposeレイヤの追加 コメント：3次元MRI画像のようなデータをさばくためのレイヤだと理解 前のTFには2次元の畳込みしかなかった記憶がある tf.Session.make_callable()の追加 オーバーヘッドが削減されるとのこと contrib向けにibverbsベースのリモートダイレクトメモリアクセス（RDMA）を追加 RDMAやInfiniBand

はじめに Github-pagesとPelicanを使ってWebサイトを作ってみたので紹介します。以下のリンクから、今回作ってみたサイトのページに飛べます。 TFUG Utsunomiya Blog Pelicanとは Pelicanとは静的なWebページを生成するツールで、Github-pagesではjekyllというRubyで作られたツールのほうがおなじみかもしれません。言ってしまえば、PelicanはそのPython版です。 http://docs.getpelican.com/en/stable/ インストール まずPelicanと依存パッケージをインストールします。また、gh-pagesブランチの操作を手軽にするghp-importをインストールします。 $ pip install pelican $ pip install Markdown $ pip install typo

はじめに TensorFlow Foldのノートです。 TensorFlow Foldとは 以下の記事でわかりやすく解説されています。 TensorFlow Foldによる動的な計算グラフとDynamic Batching - DeepAge 参考ページ Announcing TensorFlow Fold: Deep Learning With Dynamic Computation Graphs ― Google Research Blog tensorflow/fold TensorFlow Foldについて ― 過去・現在・未来 上記のページのまとめ 構造化データを使用するTensorFlowモデルを作成するためのライブラリ 構造化データ : 自然言語理解の構文解析木、ソースコードの抽象構文木、WebページのDOM木 入力データのサイズや構造はやっかい サイズや構造が異なる入力は、

はじめに 今流行りのディープラーニング(深層学習)ですが、いざ自分でやってみると思ったように精度が出なかったり、重みの初期化や学習率をどのように選択したらよいのか、といったことで戸惑うことがよくあります。 重みの初期化や学習率といった、ニューラルネットではなく人間が選択しなければいけないパラメータをハイパーパラメータ(Hyperparameter)と呼びます。逆に言えば、ハイパーパラメータとは学習アルゴリズムによって決定できず、ヒューリスティックな部分でもあります。 ハイパーパラメータは試行錯誤で決定していくのが基本ですが(もちろん自動化技術もあります)、50年以上の歴史があるニューラルネットには知恵やテクニックが多くの先人によって培われてきました。そして、今もなお研究が盛んに行われている分野でもあります。 あとで参照しやすいように本記事では、ハイパーパラメータの指南をまとめてみました。

はじめに TensorFlowにはTensorBoardという視覚化ツールが用意されています。TensorBoardを使うとニューラルネットのグラフや学習状況をインタラクティブに確認することができるので大変便利です。 しかし、TensorBoardの利用には「ログの書き出し→サーバ起動→ブラウザ起動」の手間があったり、GRAPHで表示されるグラフはノード名が途中で「...」で丸められてしまって他人に説明するには使いづらかったり、データサイエンス系で人気のJupyter notebookと連携できないといった面倒な点があります。 そこで、TensorFlowで構築したグラフをDOT言語+graphvizによって可視化するモジュールtfgraphvizを作りました。tfgraphvizを使うことで、グラフを簡単に画像化したり、TensorBoardのGRAPH機能と同等の機能をJupyter