ColaboratoryでChainer使ってYoloを動かす｜はやぶさの技術ノート
こんにちは。 コンピュータビジョン(『ロボットの眼』開発)が専門の”はやぶさ”@Cpp_Learningです。 本記事ではタイトルの通り『ColaboratoryでChainer使ってYoloを動かす』方法を分かりやすく説明します。 また、Twitterで「トラブルシュート付き『技術ノート』を作成しています」という内容のツイートをしたら、結構評判良かったので… 最近はJupyterでテキスト付きpythonコードを書くことが多い。コードでエラー出てもトラブルシュートを残したいので、あえてエラーが出るコードも残した「技術ノート」を作成し、社内で公開してる。 Jupyter + 技術ノート作成については"MyEnigma"様のサイトがオススメです。https://t.co/Kh5AzqkHaD — はやぶさ (@Cpp_Learning) June 10, 2018 今回は本ブログの名に恥じな
Semi-Supervised Learning with Deep Generative Models [arXiv:1406.5298]
Semi-Supervised Learning with Deep Generative Models [arXiv:1406.5298] 概要 Semi-Supervised Learning with Deep Generative Models を読んだ Chainer 1.8で実装した モデルM1、M2、M1+M2の実装方法の解説 モデルM2で100ラベルのエラー率9%を達成した モデルM1+M2で100ラベルのエラー率4%を達成した はじめに Variational AutoEncoder(VAE)は、半教師あり学習に用いることのできるオートエンコーダです。 学習のベースとなる確率的勾配変分ベイズ(SGVB)については以前の記事をお読みください。 この論文では3つのVAEのモデル、M1、M2、M1+M2が提案されています。 M1 M1は教師なし学習のためのモデルです。 Chai
![Semi-Supervised Learning with Deep Generative Models [arXiv:1406.5298]](https://cdn-ak-scissors.b.st-hatena.com/image/square/b96bcf0a6561853ab2259098ff8ec2bc9e7b923c/height=288;version=1;width=512/http%3A%2F%2Fmusyoku.github.io%2Fimages%2Fpost%2F2016-07-02%2Fm1_latent_space.png)
動画紹介: 確率的ニューラルネットワークについて - 午睡二時四十分
昨年末VAEの勉強をしているときに、以下のようなことがわからなくて時間を喰っていた。 なんで確率的に毎回出力の異なるモデルが必要になるのか reparameterization trickがなぜ必要になるのか いろんな人に質問したり、関連サイトを読み漁ってなんとかなったのだが、 PFN得居さんのPyCON2016の講演動画ががとてもわかりやすいので、VAEみたいな確率的NNを 触る前に見ることをお勧め。 5_05 [招待講演 / Invited Talk] 確率的ニューラルネットの学習と Chainer による実装 以下、講演内容前半のメモ。 確率的NNとは何か 出力までの過程に確率分布からのサンプリングが含まれており、そのサンプリングの結果によって出力が変動するような ニューラルネットワークのこと 確率的NNをなぜ使うのか 分類問題などでは、出力として決定的な結果がほしいが、問題によって
ChainerでDeep Learningをしない（SfMからSLAMまで） - Qiita
Chainer Advent Calendar 2017の7日目です。 はじめに みなさん、Deep Learningしてますか？正直Deep Learningって疲れますよね。パラメータチューニングの毎日、下がらないLoss、過学習するモデル、スタープラチナに殴られたようなGANで生成された大量の顔。 そんな鬱憤を晴らすべく、今日はChainerでDeep Learningをしない、という記事を書きます。 Computer Visionの多くの問題は、何らかの最小化問題として定式化されます。最小化する際は、殆どの場合は式を立て、微分し、最適なパラメータを求めます。そこには大きな問題があります。 微分めんどい 微分が複雑・・・式が複雑だと計算間違える・・・手法を変更するたびに微分しなくてはいけない。そんな問題を解決する凄いライブラリがあるのです。そう、Chainerです。Chainerでは
)
ノート/Generationとdeconvolution (2016-08-14) - 東邦大学理学部情報科学科 山内のサイト
ノート/ノート 訪問者数 935 最終更新 2016-08-15 (月) 16:10:58 Deep Learning/画像generationで、deconvolutionとは？ の整理 --- 2016/08/14 † ↑ プログラム化したものがいくつか見つかる † すぎゃーん(id:sugyan)氏： TensorFlowによるDCGANでアイドルの顔画像生成 分類器などで使っている畳み込みの逆方向の操作で、最初は小さな多数のfeature mapにreshapeして、これを徐々に小数の大きなものにしていく。"deconvolution"と呼んだり呼ばなかったり、なのかな。TensorFlowではこの操作はtf.nn.conv2d_transposeという関数で実現するようだ。 Tensorflowのマニュアルでは conv2d_transpose 本件、decon
ChainerのDefine by Runとは？ - HELLO CYBERNETICS
Define by Run Define by Run Define and Run 具体例を見る 上記のコードのネットワークにおける動作 Define by Run 今回は、Chainerの特徴の1つであるDefine by Runについて、どんなものであるかを理解できるようにします。 Define by Run Define by Runでは、計算グラフ（ニューラルネットの構造）の構築をデータを流しながら行います。 Define and Run Define and Runでは、計算グラフを構築してから、そこにデータを流していきます。 これだけで違いが理解できるでしょうか？ おそらく難しいかと思います。 上記の2つの違いを認識するのが目標です。 具体例を見る やはり、具体例を見たほうがつかみやすいかと思います。 Chainerの以下のコードを見てください。 どのようなネットワーク構造が
PyTorchでA3C - rarilureloの日記
目次 目次 PyTorchについて Pythonのmultiprocessing A3C 実装 結果 今回のコードとか あとがき PyTorchについて Torchをbackendに持つPyTorchというライブラリがついこの間公開されました. PyTorchはニューラルネットワークライブラリの中でも動的にネットワークを生成するタイプのライブラリになっていて, 計算が呼ばれる度に計算グラフを保存しておきその情報をもとに誤差逆伝搬します. 動的ネットワークライブラリに対して静的ネットワークライブラリ(tensorflowなど)があります. 静的ネットワークライブラリでは計算グラフの形をまず構築し, そのネットワークに対してデータフィードを行うことで順伝搬, 逆伝搬計算を行います. 動的ネットワークライブラリは入力データに対してネットワーク構造を決めることができるのでRNNや再帰構造をもつネッ
Chainer で Deep Learning: model zoo で R-CNN やりたい - StatsFragments
ニューラルネットワークを使ったオブジェクト検出の手法に R-CNN (Regions with CNN) というものがある。簡単にいうと、R-CNN は以下のような処理を行う。 入力画像中からオブジェクトらしい領域を検出し切り出す。 各領域を CNN (畳み込みニューラルネットワーク) にかける。 2での特徴量を用いて オブジェクトかどうかをSVMで判別する。 R-CNN については 論文著者の方が Caffe (Matlab) での実装 (やその改良版) を公開している。 [1311.2524] Rich feature hierarchies for accurate object detection and semantic segmentation github.com が、自分は Matlab のライセンスを持っていないので Python でやりたい。Python でやるなら 今
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
Chainerのテスト環境とDockerでのCUDAの利用
ChainerCV — ChainerCV 0.13.1 documentation
http://www.phontron.com/slides/neubig17asj.pdf
Intel、深層学習フレームワーク「Chainer」開発のPreferred Networksと協業
実世界の人工知能@DeNA TechCon 2017
https://www.mathgram.xyz/entry/chainer/oe