第15回 食べ物を見分ける分類器を自作してみよう|Tech Book Zone Manatee
今回は、学習済みモデルなどを使わず独自に簡単な分類モデルを構築して学習させ、食べ物の種類を見分けるアプリケーションを作ってみましょう。 1．はじめに 第14回では、Inception-v3のモデルを利用して、転移学習によって花の種類を見分けるアプリケーションを作りました。今回は、Inception-v3のようなモデルを使わずにゼロから分類モデルを構築し、学習させてみます。 Inception-v3は非常に汎用的なモデルで、転移学習を利用すれば任意の独自データに対する画像分類も手軽に実現することができます。しかし分類タスクの対象データによっては、わざわざInception-v3などの既存モデルを利用しなくても、自分で分類モデルを作った方がより軽量のモデルで分類を実現できることもあります。 今回はTensorFlowによる分類モデルを自作して学習させ、それを使って第14回のような画像分類のアプ
第10回 学習済みInception-v3モデルを使った画像認識アプリケーションを作ろう|Tech Book Zone Manatee
今回は第9回に続いて、公開されている「Inception-v3」のモデルを用いて、画像識別のWebアプリケーションを作成します。 1. 画像識別タスクと分類モデル 第9回では、画像内からの物体認識について紹介しました。 さまざまな物体が含まれた画像に対して、画像のどのあたりに物体が写っているかを検出し、その種類についても判断していました。一方、今回扱う画像識別とは、与えられた画像に対し「その画像には何が写っているか」を判別するタスクです。画像識別では、「与えられた画像そのもの」に対して、「写っているものが何か」を分類するということになります。 「何が写っているか」といってもその答えは無限にあり、実際には解決したい課題によって範囲や対象を絞ることになります。 例えば「この手書き文字はどの数字か」であったり「この顔画像はどのアイドルか」であったり「これは有毒なアリか そうではないか」であったり
第9回 驚きの性能?! Object Detection APIで物体認識に挑戦|Tech Book Zone Manatee
表1 Object Detection APIの公開モデル 3. サンプルアプリのインストール手順 それでは、さっそくサンプルアプリをインストールして利用してみましょう。今回のアプリは、Webブラウザから利用可能なWebアプリケーションになっており、Google Compute Engine（GCE）の仮想マシン上で実行します。PythonのWebアプリケーションフレームワークである、Flaskを用いて作成されており、Flaskのコードの中からTensorFlowによる認識処理を実行する形になります。 仮想マシンインスタンスの作成 はじめに、準備として、Google Cloud Platform（GCP）にアカウントを登録して、新しいプロジェクトを作成します。この手順については、第0回の記事を参考にしてください。プロジェクトが作成できたら、コンソール画面の「Compute Engine」メ
第8回 TensorFlow で○×ゲームの AI を作ってみよう|Tech Book Zone Manatee
複雑なゲームの場合は人間が実際に打った棋譜などを膨大な量用意することになりますが、今回は○×ゲームという簡単なお題を使った練習なので、筆者が予め最善手を打った場合のデータを作成しておきました。 モデルの詳細 盤面のデータをニューラルネットに入力する際には、×は「-1」、○は「+1」、空いている場合は0として扱うことにします。○×ゲームの盤面は 9マスなので、ニューラルネットの最初の層のノード数は 9 個になります。 そして、全結合のネットワークを経て最終的には、×が勝つ確率・○が勝つ確率・引き分けの確率の3つの数値が出力されるというモデルです。 図3 学習モデルの概要 TensorFlow を使った実装 本稿で使用するサンプルコードのうち、TensorFlow で記述された学習用コード train.py の重要な部分について簡単に解説をしておきましょう。 TensorFlow にはニューラ
第3回 Natural Language API で質問応答システムに挑戦|Tech Book Zone Manatee
連載第3回目では、第2回目に続いて、Natural Language APIを使います。WikipediaのAPIと組み合わせて、質問文を元に検索を行い、その結果を返すシステムを作ってみましょう。 はじめに 今回はNatural Language APIの少しひねった使い方に挑戦してみましょう。 お題は「日本の首都はどこですか？」と話しかけたら「東京です」と返してくれるような質問応答システムです（ただし、この作例では回答候補とスコアを返すという形で結果を表示します）。 さすがにGoogleアシスタントのような高性能なものが簡単に作れるとまではいきませんが、Natural Language APIを工夫して使う例としては悪くないかと思います。 一見するとNatural Language APIの機能だけでは実現できなさそうなシステムを、どうやって作っていくのか。 その過程を通して皆さんに機械
第2回 ツイート分析アプリで学ぶ Natural Language API の使い方|Tech Book Zone Manatee
連載第2回目では、GCP（Google Cloud Platform）のNatural Language APIを用いた簡易的なツイート分析のWebアプリケーションを紹介しながら、このAPIを利用する方法を解説します。Cloud Natural Language APIは、人間が使う自然言語を対象として構文解析や固有表現抽出などの処理を行う、「自然言語処理」の機能を提供しています。2017年3月現在、英語・日本語・スペイン語の3つの言語に対する各処理がサポートされています。 1.アプリケーションの全体像 はじめに、サンプルアプリケーションの内容を説明しておきます。今回のアプリケーションは、Twitterのユーザーを指定して（図1）、そのユーザーの最近の呟きがどれくらいポジティブで どんな単語を呟いているのか（図2）、を機械的に傾向分析するものです。この分析のための「感情分析」と「エンティテ
1
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
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
