ブックマークしました ここにツイート内容が記載されます https://b.hatena.ne.jp/URLはspanで囲んでください Twitterで共有
![『Raspberry Pi 3 とウェブカメラ(ロジクール C270) - 今日も微速転進』へのコメント](https://cdn-ak-scissors.b.st-hatena.com/image/square/7972c631ad296bdf7ae208e2e3ba0940de6b90d9/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fa%2Fatuyosi%2F20161014%2F20161014021742.png)
はじめに Raspberry Pi 3にはWiFiモジュールが内蔵されています。 この記事では、Raspbian Jessieのバージョン(2016年7月時最新)における無線LAN設定と、その固定IPアドレス設定方法を記します。 Debianのバージョンを確認 8.0のように、Debianのバージョンが8.0以上(Jessie)であるかを確認。 無線LAN設定 以下を参考にしました Raspberry Pi 3を買ってMacを使ってWiFi接続とSSHの接続するまで 無線LAN設定は初期インストール時や、GUI等でも設定可能ですが、無線LANの生パスワードを残さない方法として紹介します。 wpa_supplicant.confに無線LAN情報を追記 以下を実行
今回は新しい部品を使っての電子工作!ラズベリーパイ(ラズパイ)で温度・湿度・気圧を一気に取得できる、とても便利なモジュールキットの使い方をご紹介します。 今回はじめて、はんだ付けにも挑戦しました!上の写真にあるとおり、この部品はピンヘッダが別に付属されているため、ブレッドボードに差し込んで使うためにははんだ付けが必要です。熱さと戦いつつ恐る恐る仕上げたはんだ付け、どうぞ温かい目で見てあげてください(笑)。 目次 AE-BME280 はんだ付け! 配線 ラズベリーパイ(ラズパイ)の設定 まとめ 関連記事 AE-BME280 BME280使用 温湿度・気圧センサモジュールキット ボッシュ社のBME280を搭載したセンサモジュールで、温度、湿度、気圧の3つの環境情報を同時に測定できます。マイコンとの通信方式は、I2CまたはSPIを選択することができます。 今回使用する電子部品はこちらです。16×
KaggleのチュートリアルにもなっているDaniel NouriさんのUsing convolutional neural nets to detect facial keypoints tutorial という記事の流れに沿って、Facial Keypoints DetectionをKerasで実装していきます。単純なモデルから徐々に複雑にしながら解説していきます。多少の機械学習の知識があることを前提にしますが、なるべく分かりやすく解説していきたいと思います。間違い・質問・提案などあれば遠慮なく連絡してください。 KerasはPythonで書くことができるTheanoとTensorFlowベースのライブラリです。直感的に書くことができる人気急上昇中のライブラリです。2015年3月に初公開され、2016年4月にKeras 1.0が公開されました。 Danielさんの記事ではLasagne
前回記事では、KaggleのFacial Keypoints Detectionを題材にして、単純なニューラルネットワークから転移学習まで解説しました。 事前に学習した重みを読み込んだ後、全ての層で学習するのではなく、一部の層をフリーズさせることもできるという話を最後に少しだけしました。ちょうどその後、転移学習について詳細に解説しているKerasの公式ブログ記事が公開されましたこともあり、今回はこの記事を参考にしつつ、転移学習をメインに解説していきます。間違いがあれば指摘してください。今回もFacial Keypoints Detectionのデータを使って解説していくので、前回記事も是非合わせて読んでみてください。 また、Keras 1.0.4が公開されたのでまだの人はアップデートしておくと良いかと思います。 目次 転移学習 可視化 全結合層のみ学習(前回モデル) 全結合層+一部の畳み込
環境 OS X El Capitan 10.11.5 MacBook Pro (Retina 13-inch、Early 2015) [2016/8/1現在] MeCab, mecab-ipadic-NEologd のインストール MeCabはオープンソースの日本語形態素解析ソフトです。 mecab-ipadic-neologdは、Web上のリソースから新しい言葉を登録したMecab用の辞書のことです。さらに、定期的に新しい言葉をアップデートするので、最新の言葉を正しく形態素解析をすることができます。 必要なライブラリをインストール brew install mecab mecab-ipadic git curl xz git clone --depth 1 https://github.com/neologd/mecab-ipadic-neologd.git cd mecab-ipadi
pythonでOpenCV使ってレシートとかメモとかその他諸々の四角い領域を発見、そいつを切り抜く。そんな感じのプログラムを書きました。 書きましたって言ってもだいぶ前に書いたやつなのですが、リクエストがあったので公開します。 とりあえずソースコード。大雑把な解説は下に。 Copy #!/usr/bin/python3 import cv2 import numpy def transform_by4(img, points): """ 4点を指定してトリミングする。 """ points = sorted(points, key=lambda x:x[1]) # yが小さいもの順に並び替え。 top = sorted(points[:2], key=lambda x:x[0]) # 前半二つは四角形の上。xで並び替えると左右も分かる。 bottom = sorted(points[2:]
Chainer – A flexible framework of neural networks¶ Chainer is a powerful, flexible and intuitive deep learning framework. Chainer supports CUDA computation. It only requires a few lines of code to leverage a GPU. It also runs on multiple GPUs with little effort. Chainer supports various network architectures including feed-forward nets, convnets, recurrent nets and recursive nets. It also supports
すでにトレーニングされたモデルからWやbなどの重みを取得することで、より早く学習を進めることができる (fine-tuning)。 モデル自体が完全に同じ場合には当然使えるし、モデルの一部を修正して使用する場合にも、変更の必要がない層に関しては、あらかじめ学習済みのモデルから重みを借用するのが良い。例えば、分類先の画像種類が1000種類から10種類に切り替える場合などは、最終の全結合層のみ切り替える必要はあるが、それ以前の畳み込み層などは変更の必要性は少なく、その部分の重みを使用することができる。 計算時間短縮に結びつく背景には、以下のような点が挙げられる: - あらかじめ大量の計算資源を使用して収束した時点の結果を使用するため、それまでの計算時間を省略可能。特に、畳み込み層の第一層はガボールフィルタに近似するという研究も多く、あえてそこを新規で学習させる必要性はあまり感じられない - ま
$y=e^x$ という関数をいわゆるディープラーニングで学習する、というお題を通じて、chainerを学んでみます。下記はchainer1.6.2.1で確認しています。 同じ内容をJupyter notebook形式でこちらに置いていますので、動かしながら確認したい方はそちらを参照してください。 まず必要なモジュール類をインポートします。 import numpy as np import chainer from chainer import cuda, Function, gradient_check, Variable, optimizers, serializers, utils from chainer import Link, Chain, ChainList import chainer.functions as F import chainer.links as L fro
ランディングページ、プロダクトページ、スモールビジネスなどの商用、ポートフォリオ、ギャラリー、ブログなどの個人で利用できるBootstrapをベースにしたサイトが作成できる無料のテーマ・テンプレートがダウンロードできるサイトを紹介します。 コンテンツのコンポーネント、ナビゲーション、サイドバーやフッタのウィジェットもあり、カスタマイズする際の参考にもなると思います。
メリークリスマス!!!! @tabe2314です。 この記事では、明日から使えるChainerテクニックとして、既存モデルをファインチューンして新しいモデルをつくる際の個人的なベストプラクティスを紹介します。 ニューラルネットを学習するために、別の問題、別のデータセットで学習済みのモデルのパラメータをコピーして、それを新しいニューラルネットのパラメータの初期値として使うことをファインチューニングといいます。 典型的なケースとして、一般物体認識のデータセットであるImageNetで学習したネットワークを物体検出やSemantic Segmentationといった別の問題に使用するといった例があります。 一般的にDeep Learningでは大量の学習データが必要とされていますが、あらかじめ(大量のデータで)学習したモデルを初期値として使いファインチューニングすることで、実際に解きたい問題に関
白黒画像を入力すると、着色してカラー画像として出力してくれる素敵なソフト。 オープンソースで、GitHubから入手可能。 概要 Siggraph2016 Colorizationは、早稲田大学の「ディープネットワークを用いた大域特徴と局所特徴の学習による 白黒写真の自動色付け」という研究の成果として、GitHub上に公開されているソフトウェア。 簡単に言うと、白黒画像をあーだこーだしてカラー画像に変換してくれます。 詳細は研究サイトの論文等にも書かれていますが、ディープネットワーク(ディープラーニング)を駆使した処理が行われており、それぞれ「低レベル特徴ネットワーク」「中レベル特徴ネットワーク」「大域特徴ネットワーク」「色付けネットワーク」のそれぞれのネットワークで処理された結果を一つに結合する事によって自然な着色を実現しているとの事。 なんとなく、イメージ出来るような出来ないような・・。
Deep Neural Networkを使って画像を好きな画風に変換できるプログラムをChainerで実装し、公開しました。 https://github.com/mattya/chainer-gogh こんにちは、PFNリサーチャーの松元です。ブログの1行目はbotに持って行かれやすいので、3行目で挨拶してみました。 今回実装したのは”A Neural Algorithm of Artistic Style”(元論文)というアルゴリズムです。生成される画像の美しさと、画像認識のタスクで予め訓練したニューラルネットをそのまま流用できるというお手軽さから、世界中で話題になっています。このアルゴリズムの仕組みなどを説明したいと思います。 概要 2枚の画像を入力します。片方を「コンテンツ画像」、もう片方を「スタイル画像」としましょう。 このプログラムは、コンテンツ画像に書かれた物体の配置をそのま
An MIT Press book Ian Goodfellow and Yoshua Bengio and Aaron Courville The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular. The online version of the book is now complete and will remain available online for free. The deep learning textbook can now be ordered on Amazon. For up to date an
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
処理を実行中です
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