はてなブックマーク

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

概要 自然言語処理におけるディープラーニングでニューラルネットを構成する際には、RNNやLSTMなどの層の前に、単語ごとに任意の次元のベクトルを用意した埋め込み層(embedding layer)を利用することがあります。この層はニューラルネットの学習の際に同時に重みを学習することもできますが、既に単語の分散表現(word embedding)を別の手法やデータセットで学習しておき、学習済みの分散表現を重みとして利用することができます。 今回は、Kerasにおいて埋め込み層に学習済みの分散表現を利用する方法を紹介します。今回は、word2vec等の機能を提供しているパッケージgensimでの読み込み機能を用いることにします。 方法 日本語の単語分散表現 今回は東北大の乾/岡崎研究室が公開している「日本語 Wikipedia エンティティベクトル」を利用します。 日本語 Wikipedia

概要 AWSのGPUインスタンスに、TensorflowおよびKerasがGPUで動作する環境を構築します。 こういった記事がn番煎じなのは承知の上ですが、それでもネットには各々のタイミングで書かれ最新かどうかも分からない資料が散逸しているので、こういうものと割り切って今の現状を書きます。まだまだ手作業な部分がありつつも、NouveauやCUDA Toolkitの手動インストールから解放されたようです。 参考資料 基本的には下記URLの内容を参考にします。細かなバージョン等は変更を加えています。 How to Set Up a Deep Learning Environment on AWS with Keras/Theano AWS E2 G2インスタンス上にKeras環境を構築する 2017年2月版 - Qiita 環境 OS: Ubuntu Server 16.04 LTS (HVM

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

前々回：API BlueprintでWeb APIのドキュメントを生成する - Qiita 前回：API Blueprintとapi-mockでモックサーバを作成する - Qiita 概要 さて、今回はAPI Blueprintを使って作成したWeb APIがドキュメント通りに動作するかを、dreddを使ってテストします。 dreddとは dreddはAPI BlueprintをベースにしたWeb APIのテストフレームワークです。"Language-agnostic"と謳っているだけあってテストのフックにはnode.js以外にもgoやPython、Rubyなど多様な言語が利用でき、またCircleCIやJenkinsCIなどのCIのサポートもあります。 このように、API Blueprintのエコシステムに乗っかることによって、API Blueprint形式で書いた仕様からaglioを使

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに Machine Learning Advent Calendar 2012の2日目を担当させていただく@yag_aysです．機械学習ガチ勢の皆様に囲まれて非常にガクブル((((;゜Д゜)))しておりますが，少しでも何か皆さんの印象に残るような記事を書ければと思います． 今回の内容 今回は「パターン認識と機械学習」11章で紹介されているサンプリング法・MCMCの中でも，ギブスサンプリングについて取り上げたいと思います．1日目のnaoya_tさんがメトロポリス・ヘイスティング法について書かれており，偶然にも続き物のような形になりました．ギブスサンプリングは，メトロポリス・ヘイスティング法というおおまかな枠組みの中の特殊なケースです．とは言うものの，実際のアルゴリズムは外見上かなり違ったものになるので，メトロポリス・ヘイスティング法をあまり知らないという人でもこの記事は問題なく読むこと