【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
カルマンフィルタのコード比較【numpy, pytorch, eager】 - HELLO CYBERNETICS
はじめに コード比較 numpy pytorch TensorFlow eager execution 速度と結果の比較 結果 第二回戦 結果 はじめに 最近わたしはTensorFlowにボコボコにされています。 計算グラフを書いて、sess.runするまでは何が起こるかわからない！何かが起こっても何が起こっているかは分からない！ そんな状態から、TensorFlow eager executionの登場で解放された！……かに思えました。 今回は下記のTensorFlowとnumpyによるカルマンフィルタの実装例に見て、 これがTensorFlow eager executionでどれくらい楽になるかを試してみました（やる前からそれほど楽ではないことは分かっていた）。 カルマンフィルタといえば理論は非常に難解ですが、実装は意外と楽チンで、実用上非常に優れた予測モデル（と言っていいかは微妙で
信号解析と機械学習とあとは個人的見解 - HELLO CYBERNETICS
信号解析の基本手法：フーリエ級数展開 フーリエ級数展開 回帰問題とフーリエ級数展開 特徴量抽出としてフーリエ係数 機械学習における基本手法 ニューラルネットワークの回帰 表現力の高さとは 無駄な働きとは 個人的見解 特徴抽出 しっかり学ぶためには 新規のニューラルネット 信号解析の基本手法：フーリエ級数展開 信号解析の基本手法といえばフーリエ解析があります。フーリエ解析は任意の関数を三角関数の和に分解することで対象を解析する手法です。時系列信号に適応すれば、その信号をいろいろな周波数の正弦波の和として表現できるということです。 フーリエ級数展開 フーリエ解析の基本的理念は以下の記事で解説しています。 s0sem0y.hatenablog.com ここでもその理念をおさらいしましょう。 という基本的な信号を準備して、これを適当な重み付けで足しあわせてみます。 いま様々な重み付けで基本的な信号
状態空間表現と現代制御について基本的な考えを抑える - HELLO CYBERNETICS
線形システムのモデル 状態空間表現 状態空間表現の主役 特殊な状態空間表現、オートノマス系 ブロック線図による表現 状態空間表現のブロック線図 基本的なブロック線図を用いた状態空間表現 制御への応用 古典制御でのフィードバック制御 PID制御 状態フィードバック 出力注入 現代制御のポイント 状態変数の概念導入 数式上で制御の可能性を議論 外乱への対策 ポスト現代制御へ 参考文献 線形システムのモデル 状態空間表現 状態空間表現の主役 状態空間表現は、状態変数と入力、出力を用いて以下の連立微分方程式で記述されます。ボールド体は用いていませんが、基本的に小文字はベクトルであり大文字は行列ということで話を進めます。 は状態変数の初期状態です。 このモデルの第一式は、現在の入力変数と状態変数に依存して、状態変数の変化率が決定することを表しており、変化率が分かれば、時間が進んだ時の状態変数の値が分
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
