人工知能が哲学を語るwebアプリを作ってみた - ニートの言葉
こんにちは、あんどう（@t_andou）です。 先日、某企業さんにて講演をする機会がありまして、その際に主催者の方から「以前ブログに書いていた人工知能に哲学を語らせてみた記事のものをデモとしてその場で動かせないか」と頼まれました。 そこで、勉強を兼ねてWeb上で誰でも使えるようにしましたので、作ったものと経緯を簡単にご紹介します。（いつまで公開しているかは分かりませんが。） 該当の記事 もう２年以上前の記事になりますが、これをWebで見れるようにしました。 blog.takuya-andou.com 作ったもの 戸坂潤っぽい言葉を吐く人工知能ー →止めました 使い方 右下の戸坂潤さんの画像をクリックすると人工知能が哲学っぽい言葉を生み出してくれます。それだけです。 注目の無駄機能 注目の無駄機能としてリアルタイムな同期機能を作りました。 何処かの誰かがクリックして文章を生成すると、同時に見
一歩進んだ物体認識を行うためのSelective SearchのPython版オープンソースの提供とLabellioを組み合わせた活用方法 - Alpaca技術ブログ
AlpacaはSelective Searchと呼ばれる物体認識の候補領域を切り出すためのアルゴリズムのPython実装を提供します。本ブログエントリーにおいてSelective Searchの基本的な説明とLabellio(https://www.labell.io/ja/)を組み合わせた活用方法について説明します。 github.com はじめに 物体認識に関するニーズは多様ですが、そのタスクは大きく以下に分類できます。 写真一枚に一つの物体が写っていると仮定して認識するObject Classification 複数の物体が写っている可能性も考慮してそれぞれを個別に認識＆画像中での位置（矩形）までも絞り込むLocalization ピクセル単位で物体のラベル付を行うSegmentation 近年ではImage Captioningと呼ばれるCNNで抽出された特徴量をRNNにつなげるこ
Kerasで学ぶAutoencoder
Kerasの公式ブログにAutoencoder（自己符号化器）に関する記事があります。今回はこの記事の流れに沿って実装しつつ、Autoencoderの解説をしていきたいと思います。間違いがあれば指摘して下さい。また、Kerasの公式ブログはKerasでの実装に関してだけでなく、機械学習自体についても勉強になることが多く、非常におすすめです。 今回の記事では様々なタイプのAutoencoderを紹介しますが、日本語ではあまり聞き慣れないものもあるかと思いますので、今回は名称を英語で統一したいと思います。 目次 イントロダクション Undercomplete Autoencoder Sparse Autoencoder Deep Autoencoder Convolutional Autoencoder Denoising Autoencoder まとめ イントロダクション Autoencod
Neural Style Transfer: Prismaの背景技術を解説する
写真をピカソやゴッホのようなスタイルに変換できるアプリPrismaが話題になりました。多くの人は、ディープラーニングが使われているかどうかとは関係なく、純粋にアプリを楽しんでいるのだと思います。 このようにディープラーニングを使った人気アプリが出てくるということは非常に良いことではないかと思います。今回は、Prismaの背景技術（と思われるもの）を解説していきます。 目次 基礎理論 実装 改善 高速化 まとめ 基礎理論 ディープラーニングを使ったアート系の論文は色々と出ていますが、一番基礎となる論文はGatys et al. 2016ではないかと思います。プレプリント版は2015年8月に出ています。 この論文は記事として取り上げられて話題になっていたりもしたので、知っている人も多いのではないかと思います。この章では、スタイル変換の基礎となるこの論文を解説していきます。 Gatys et a
BinaryNetとBinarized Deep Neural Network | 射撃しつつ前転
BinaryNet が最近話題になっている。ニューラルネットワークの二値化については前から興味があったので読んでみた。 ニューラルネットワークの二値化についてはこれまでも色々と研究があるようである。大きな方向性としては、まずはじめに実数値で重みを学習してそれを二値化するというやり方と、最初から二値の重みを学習するやり方がある。BinaryNetはそのどちらとも明確に分類しづらい、ちょっと変わった手法である。 BinaryConnectBinaryNetの前にBinaryConnectに触れておくことにする。どちらもBengioグループの研究である。BinaryConnectは大雑把に説明すると、以下の様な手法である。 weight matrix自体は実数で値を持っていて、forward/backwardの計算時に二値化する。パラメーター更新時は実数で持っている側のweight matrix
【ディープラーニング】少ないデータで効率よく学習させる方法：1から作るCNN編 - ニートの言葉
こんにちは、あんどう（@t_andou）です。 前回から、少ないデータで効率よく学習させるfinetuningの記事を翻訳していますが、今回は全3回中の第2回です。 全3回の予定 データの準備・データの水増し 1から小さな畳み込みニューラルネットワークを作ってみる（<-今回はここ） 学習済みネットワークを流用する 前回の記事はこちら andoo.hatenablog.com 前回は学習に使うデータの準備を行いました。 今回は小さな畳み込みニューラルネットワークを1から作って、前回準備したデータを学習させてみます。 小さなCNNを0から作る：40行のコードで80%の正解率 画像のクラス分類器にふさわしいツールは畳み込みニューラルネットワーク（以降CNN）です。それでは最初の一歩として、犬・猫のデータを学習させてみましょう。 今回は少ない画像で学習を進めますので、一番の懸念点は過学習でしょう。
【ディープラーニング】少ないデータで効率よく学習させる方法：準備編 - ニートの言葉
こんにちは。あんどう（@t_andou）です。 ディープラーニングによる学習精度を上げるためには大量のデータが必要と言われていますが、学習済みのモデルを流用することで少ないデータから効率よく・高精度な学習をさせることが可能な場合があります。 それが Fine Tuning と言われるものです。 具体的なやり方については↓こちらの記事がとてもわかりやすかったので、著者のFrancois Cholletさんより許可を頂き、翻訳させていただきます。 Building powerful image classification models using very little data 注意：意訳しています。間違っているところも多々あると思いますので、ご指摘いただけると幸いです。 本文が長いので3回程度に分けて投稿する予定です。 データの準備・データの水増し 1から小さな畳み込みニューラルネットワ
ベイズ推定とDeep Learningを使用したレコメンドエンジン開発
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です． 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました． 主に以下のような強化学習の概念やアルゴリズムの紹介をしています． ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network） ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Nois
googlenet in keras
In this new era of deep learning, a number of software libraries have cropped up, each promising users speed, ease of use, and compatibility with state-of-the-art models and techniques. The go-to library in the Caltech vision lab has been Caffe, an open-source library developed by Yangquing Jia and maintained by the Berkeley Vision and Learning Center (BVLC). It has been the gold standard in terms
ディープラーニングをKerasというフレームワーク上で行う - 備忘録 blog
はじめに 機械学習、特にディープラーニングが近頃（といってもだいぶ前の話になりますが）盛んになっています。CaffeやChainerといったフレームワークもありますが、特にGoogleがTensorflowでtensorboardと呼ばれる簡単に使える可視化基盤を提供して有名になったのを機に、Tensorflowで機械学習を始めてみたという方も少なくないと思います。 しかしTensorflowは低レイヤーな行列演算、ベクトル演算を記述するには適していますが、機械学習モデルの記述という面では書きにくいことも確かで、何かが動いていることは確かめられたけれど自分で何かをするには敷居が高かったです。例えば、Tensorflowでsoftmax層を定義するには、以下のコードを書く必要があります。 # softmax, i.e. softmax(WX + b) with tf.variable_sco
Deep Visual-Semantic Alignments for Generating Image Descriptions
Deep Visual-Semantic Alignments for Generating Image Descriptions We present a model that generates natural language descriptions of images and their regions. Our approach leverages datasets of images and their sentence descriptions to learn about the inter-modal correspondences between language and visual data. Our alignment model is based on a novel combination of Convolutional Neural Networks o
【第五回】H2Oでディープラーニングを動かしてみよう！
動かしてみないことにはわからない 前編では、ディープラーニングの理論について説明するとともに、この分野がGoogleやFacebook等の先進IT企業がこぞって注力しようとしている今まさに熱い分野だということについて触れました。ディープラーニングが画期的な機械学習方法だということを強調して書いたつもりではありますが、いくら文章を読んでも、自分で手を動かさない限りその威力はなかなか実感しにくいかと思います。また、ただ手を動かして体験するとはいってもディープラーニングを自分で一からやるには高度な技術力を必要とするため、ごく一部の専門家でない限り、敷居が高いと思われるかもしれません。 筆者が学生の頃、機械学習はまだ手が届きにくく、機械学習を用いた研究を行うにも気の遠くなるような分量のスクリプトを書き、そしてパラメータチューニングに昼夜を問わず明け暮れる、そんな時代でした。このようにディープラーニ
RNNによる学習で文豪っぽいテキストを出力させる (aka DeepDazai)
Chainerでなにを学習させよう？ 前回のエントリで、CUDAの使えるAWS上のchainerでバリバリ学習できるようになった。けど、何を学習させよう？ロボットで使うのはおいおいやるとして、DNNのノウハウみたいなのを勉強するのによい題材がなんかないかな〜。 やはりRNNが面白いなあと思う。画像認識(CNN)とかもいいんだけど、時系列データを扱えるRNNはロボットにも応用が効きそうだ。PFNさんのロボットデモもすごく面白いと思うし。 で、このブログ記事をたまたま知って、コンテンツ自動生成がいいのではと。 Andrej Karpathy blog : The Unreasonable Effectiveness of Recurrent Neural Networks この記事では、RNNでシェイクスピアの著作データからシェイクスピアっぽい文章を自動生成したり、LaTeXの論文データからそ
Tensorflowのサンプルを理解してみる。(初心者向け) - 7rpn’s blog: うわああああな日常
Googleが出したTensorflow，盛り上がり具合がやばいですね。 githubのスター数とかを見ていると，スタンダードであるChainerとかCaffeとかを(盛り上がり具合だけは)軽く越えてしまった感じ。 というわけで，MNISTの(畳み込みしているほうの)サンプルをざっと読んでみました。 備忘録がてらメモしようかな，と思ってブログにしてみます。 自分は初心者なので，まぁそのレベルで色々注をつけて行こうと思います。 Tensorflowの良かったところ 最初に，Tensorflowの良かったところを。 大規模処理で並列化とかが楽らしいんですけど，正直よく分からないです笑 コードを見て思ったのは，必要な部分だけが厳密に書かれているなーと思いました。 低い次元の記述する必要のないものはしっかり隠して，必要な記述はちゃんと書かれているってのが自分みたいな初学者には良いと思います。Cha
Amazonがディープラーニングのライブラリ「DSSTNE」をオープンソースで公開。TensorFlowよりも約2倍高速と主張
Amazon.comはディープラーニングを実現するライブラリ「Amazon DSSTNE」（Deep Scalable Sparse Tensor Network Engineの頭文字、読みはデスティニー）をオープンソースで公開しました。 GitHub - amznlabs/amazon-dsstne: Deep Scalable Sparse Tensor Network Engine (DSSTNE) is an Amazon developed library for building Deep Learning (DL) machine learning (ML) models DSSTNEは本番環境のワークロードに対応したライブラリで、以下の特長があります。 マルチGPUスケール 学習と予測のどちらも、複数のGPUにスケールアウトし、レイヤごとにモデル並列化の方法で（model-
ディープラーニングで「顔が似ているAV女優を教えてくれるbot」を構築 - Qiita
概要 Facebook Messenger APIを利用して、 画像をアップロードすると、似ているAV女優を教えてくれるbotを実装しました。 システム構成 Bot応答を行うサーバは諸般の都合によりGo、画像判別はPython(顔検出はOpenCV、分類用の畳込みニューラルネットワークはTensorFlow)で作成しています。 尚、言語間のI/FはgRPCでGoからPythonにRPCを行っています。 実装 Go側 Facebook MessengerからのWebhookを受信して、bot応答を行うWorkerプロセスです。 Messenger Bot Server WebサーバにはGinを利用しています。 難しい事は特にないですが、トラフィックが増えた際、複数のユーザからのメッセージをまとめてWebhookにPOSTする事があるようなので、 エンタープライズで利用するならそのあたりを注意
【TensorFlow】Mac OSX El Capitan で TensorFlow に入門してみる
今回は、人工知能関連のテーマです。 Google の機械学習フレームワーク TensorFlow に触れてみようと思います。 プロローグ 人工知能の分野が盛り上がりを見せるなか、世界の名だたる研究機関やIT企業から様々な機械学習ツールがオープンソースで提供されるようになりました。これを使えば、自分にも機械学習を扱えるはず！ と思いたち、Facebook の Torch 7 という機械学習フレームワークにチャレンジしたことがあります。が、チュートリアルまでやってみたところで、何が動いたのかまったく理解できず・・・あえなく挫折しました。 まだまだ素人には難しいか・・・とか思ってしょんぼりしていたのですが、それからしばらくして、世の中には日本語の情報も増えてきた様子。今度こそ自分でもできるかも！ と期待に胸が震えたわけです。 今回 TensorFlow にチャレンジしようと思ったきっかけを与えて
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
https://www.jstage.jst.go.jp/article/jasmin/2015f/0/2015f_204/_pdf
GitHub - tiny-dnn/tiny-dnn: header only, dependency-free deep learning framework in C++14
DeepLearning 中心に見る最近の論文事情
