Amazon Web Services ブログ ディープラーニングネットワーク (GAN と Siamese) を組み合わせハイクオリティでリアルなイメージを生成 ディープラーニングはトレーニングに使用するデータの量と質に依存するため、企業は優れたイメージデータを得ようと多額の費用を投資をしています。通常、そうした企業はコストの掛かる人間による注釈を使ったり、製品や人物の写真を撮るなど、多大な作業を要しています。けれども、このアプローチはコストが掛かる上に拡張性もありません。コンピュータをトレーニングしてハイクオリティなイメージを生成すれば、コストを大幅に削減しビジネスの成長を促進することができます。 このブログ記事では、Amazon の私の同僚数人がまとめた「Semantically Decomposing the Latent Spaces of Generative Adversar
はじめに iOS11から登場したCoreMLフレームワークを使って、Kerasで実装したニューラルネットを動かしてみました。画像認識や自然言語処理のCoreMLのサンプルはあったのですが、iPhoneから取得したセンサーデータをRNN(Recurrent Neural Network、再帰型ニューラルネットワーク)で認識させた例がなかったようなのでトライしてみました。 以下の記事では、○・□・△・✕を描くジェスチャーの認識を行うRNNの学習とCoreMLでの活用について紹介します。 デモ 認識したジェスチャーに応じてHTTPリクエストを送ってSlackにメッセージを送る例 : iOSアプリのスクショ : 真ん中のボタンを押している間(最大4秒)だけジェスチャーのセンサーデータを取得して、ボタンを話したらニューラルネットにより認識を行います。 レポジトリ・学習済みモデル akimach/Ge
Best Practices when training with PPO The process of training a Reinforcement Learning model can often involve the need to tune the hyperparameters in order to achieve a level of performance that is desirable. This guide contains some best practices for tuning the training process when the default parameters don't seem to be giving the level of performance you would like. Hyperparameters Batch Siz
機械学習を利用する際は、データの前処理から始まって適切なモデルを選んでパラメーターを最適化して・・・というように多くの作業が伴います。 ただ、この作業の少なくない部分は定型的なものです。前処理でいえば、数値データに対しては正規化を行う、カテゴリー変数は0/1の特徴量へ変換する(ダミー変数化)、といった処理はどんな場合でもとりあえず実行する処理になります。 もちろん高度な特徴量エンジニアリングなどは話が別ですが、データがあったときに定型的な作業をさくっと行い、とりあえず基礎的なモデルでどれぐらいの精度が出るのかを見てみたい、というシーンはよくあるものです。 そこで、そんな作業を自動化するための仕組みを開発しました。名前はkaruraといいます。 chakki-works/karura コンセプトとしてはこの図のように、モデルを作るにあたっての定型的な一連の作業を自動化する、といったものです。
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