マルチスレッドに関するTensorFlowの内部構造について - QiitaDeleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
Stan のカレンダー | Advent Calendar 2016 - Qiita
URLYou can post either your article on Qiita or your blog post. About reserved postingIf you register a secret article by the day before the same day, it will be automatically published around 7:00 on the same day. About posting periodOnly articles submitted after November 1 of the year can be registered. (Secret articles can be registered anytime articles are posted.)
DCGANで湖岸道路ぽい画像を生成する - やったことの説明
はじめに Deep Convolutional Generative Adversarial Networks mattyaさんによるchainerの実装 入力データ 結果 zベクトルをいじって色々画像を作る まとめ 参考 はじめに DNNを使った画像の生成について興味を持った。 深層学習ウェイ系の某先生もマルチモーダルとか生成とか言ってた気がするし、 判別するより生成するほうが見た目に楽しそうなので、 こちらの発表でも使われていたDCGANを使って、画像を生成してみることにした。 Deep Convolutional Generative Adversarial Networks 某学会にでていたやりたいことに近い論文はこちら。 とてもわかりやすいこちらのブログがわかりやすい。 GANはAdversarialという名の通り、2つのネットワークを競合させて学習を行うアルゴリズム。 GANで
Stanで気温変動のフィッティング - やったことの説明
はじめに この記事は Stan Advent Calendar 2016のn日目の記事ではありません。 21日目の記事です。 話題のアヒル本(言われるまで何がアヒルなのかわからなかった)を読んだ。 statmodeling.hatenablog.com Stanの文法を知るために買ったけれど、全体的に統計モデリング、解析について書いてあって、勉強になった。 本を読んで勉強になったことはたくさんあるけど、特にグラフを死ぬほど書かないといけないという認識を持った。 自分ではそれなりにグラフを書いているつもりだったけれど、pariplotとかviolinplotとかちゃんと書いたことがなかった。 せっかく本を読んだので、適当にデータをとってきて解析してAdvent Calendarなるものに挑戦しようと思っていたけど、もう埋まっていた。悲しいので一人で勝手にやることにする。 よく見たら21日が空
Edward – Home
A library for probabilistic modeling, inference, and criticism. Edward is a Python library for probabilistic modeling, inference, and criticism. It is a testbed for fast experimentation and research with probabilistic models, ranging from classical hierarchical models on small data sets to complex deep probabilistic models on large data sets. Edward fuses three fields: Bayesian statistics and mach
KerasでCIFAR-10の一般物体認識 - 人工知能に関する断創録
今回は、畳み込みニューラルネットを使ってCIFAR-10（2015/10/14）の一般物体認識をやってみた。以前、Chainerでやった（2015/11/8）のをKerasで再実装した。 これもKerasの例題に含まれている。このスクリプトでは、データ拡張（Data Augmentation）も使っているがこれはまた別の回に取り上げよう。 ソースコード：cifar10.py CIFAR-10 CIFAR-10は32x32ピクセル（ちっさ！）のカラー画像のデータセット。クラスラベルはairplane, automobile, bird, cat, deer, dog, frog, horse, ship, truckの10種類で訓練用データ5万枚、テスト用データ1万枚から成る。 まずは描画してみよう。 import numpy as np import matplotlib.pyplot a
DATUM STUDIO の ChatWork Bot の紹介 - 捨てられたブログ
本記事は DATUM STUDIO Advent Calendar 2016 に参加しています。 DATUM STUDIO では ChatWork を社内コミュニケーションツールとして利用しています。 DATUM STUDIO には ChatWork 上で動作している bot が 2 つあるので、それを紹介します。 DATUM STUDIO の ChatWork bot DATUM STUDIO には 2 つの ChatWork bot アカウントがあります。「システム管理者」と「タムタム」です。 システム管理者 タムタム システム管理者はもともとシステム管理者が ChatWork の管理操作を行うために作ったインフラチームの共有アカウントで、請求書を発行するときだけログインするくらいの役割だったのですが、余らせておくのももったいないので、 bot 化して自動通知に流用しました。アイコンは
Modern Bayesian Tools for Time Series Analysis
Thomas P. Harte and R. Michael Weylandt (“the Authors”) are providing this presentation and its contents (“the Content”) for educational purposes only at the R in Finance Conference, 2016-05-20, Chicago, IL. Neither of the Authors is a registered investment advisor and neither purports to offer investment advice nor business advice. You may use any of the Content under the terms of the MIT License
Stan のデータ型についてまとめてみた - Qiita
1-1. 配列(array)について 配列は任意の型を要素に持つことのできるコンテナです。 したがって、real と int の配列だけでなく、vector や matrix を要素として持つ配列を作ることができます。 二次元配列は、実際は一次元配列を要素に持つ配列です。 real x[M, N] という配列があったとき、x[m, n] は x[m][n] の簡易的な書き方です。 1-2. 行列(matrix)と配列(array)の違い Stan において、matrix と array は明確に異なる役割を持っています。 matrix は数学の行列を表現するためのもので、array は複数の要素を持つためのコンテナです。 したがって、matrix に対しては行列演算(行列積など)を行うことができますが、array に対してはこれを行うことはできません。 また、matrix は線形代数関数(
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
Joint Hand Detection and Rotation Estimation by Using CNN
「なにかやりたい気持ち」改め、「説明変数にノイズを含むモデルで遊んでみた」 – hirakawamakoto
https://www.semanticscholar.org/paper/Where-Should-Saliency-Models-Look-Next-Bylinskii-Recasens/a6d6d0de32939a5d15d2abfb04d131884d2cadc4?p2df
https://media.readthedocs.org/pdf/pystan/latest/pystan.pdf
32GBのHBM2を搭載したディープラーニング専用ASIC「Lake Crest」は2017年末に登場 ～IntelがAI関連説明会を開催、ソフト最適化でCPUでも高速学習が可能
Adversarial Images for Variational Autoencoders