Neural Network Console Not just train and evaluate. You can design neural networks with fast and intuitive GUI. Not just train and evaluate. You can design neural networks with fast and intuitive GUI.
by Sony An open source software to make research, development and implementation of neural network more efficient. Get Started Features Write less do more Neural Network Libraries allows you to define a computation graph (neural network) intuitively with less amount of code. Dynamic computation graph support Dynamic computation graph used enables flexible runtime network construction. The Library
Chainerを使った深層強化学習ライブラリChainerRLを公開しました. https://github.com/pfnet/chainerrl PFNエンジニアの藤田です.社内でChainerを使って実装していた深層強化学習アルゴリズムを”ChainerRL”というライブラリとしてまとめて公開しました.RLはReinforcement Learning(強化学習)の略です.以下のような最近の深層強化学習アルゴリズムを共通のインタフェースで使えるよう実装してまとめています. Deep Q-Network (Mnih et al., 2015) Double DQN (Hasselt et al., 2016) Normalized Advantage Function (Gu et al., 2016) (Persistent) Advantage Learning (Bellemar
今回は非エンジニアの視点から、今一番話題の深層学習(ディープラーニング)について説明してみたいと思います。 今の人工知能ブーム(一過性の「ブーム」という言い方はもうそぐわないかもしれません)の立役者とも言えるディープラーニングですが、いわゆるマシンラーニング(機械学習)や、従来の人工知能とは何が違い、何が期待されているのでしょうか? 今年、Google DeepMindが開発したプログラム「AlphaGo」が韓国のトッププロ棋士イ・セドル九段を破った際に、その人工知能の進歩を説明するため「機械学習」、「ディープラーニング」「ニューラルネットワーク」という言葉が一斉に取り上げられました。 この3つは、別々のものなのでしょうか?同じものを指すのでしょうか? ・機械学習 データの傾向や法則を抽出し、解析や予測を行うことが目的とした人工知能のいち分野です。 「教師あり学習」「教師なし学習」「強化学
・110*110pixに正規化されたpng画像 ・各ファイル名の頭4文字はunicodeでタグ付け ・全14.7万枚以上の画像ファイル(1文字あたり25画像前後) ・利用形態は(データ自体の再販、流出を除き)一切問いません。商用化、学習モデルのOSS公開など自由です。 ・DeepLearningに関する技術的なサポートを有償で行っていますが、応募数に応じてお断りさせて頂く場合がございます。 予めご了承ください。ページ下のメールアドレスからご連絡下さい。 ・DeepLearningに必要なデータ拡大などの各種プログラムはGithubでも公開しています。 DeepLearningチュートリアルをQiitaで公開しています ・ひらがなは こちら のサイトにあるunicode[3041-3093まで]。 (83種。ゐ, ゑなど含む) ・カタカナは こちら のサイトにある unicode[30A1-
こんにちは、小澤です。 今回はKerasというDeepLearningのライブラリについて書かせていただきます。 Kerasとは 公式のドキュメントによると以下のようになっています。 Kerasは,Pythonで書かれた,TensorFlowまたはTheano上で実行可能な高水準のニューラルネットワークライブラリです. Kerasは,迅速な実験を可能にすることに重点を置いて開発されました. 可能な限り遅れなくアイデアから結果に進められることは,良い研究をする上で重要です. Keras Documentationより Kerasを利用するとDeepLearningの背後にある数学的な部分をスクラッチで実装しなくても、各層で利用するアルゴリズムとパラメータを指定するのみなど、比較的短いコードで目的のネットワークを表現することができます。 そのため、研究領域において非常に流れが早く企業などでも素
「フランス」-「パリ」+「東京」=「日本」 こんな単語同士の演算ができる、と話題になったのがGoogleが発表したWord2Vecです。これは端的に言えば単語を数値で表現する技術で、これにより単語同士の「近さ」を測ったり、上記のような演算をすることが可能になります。この、単語を数値表現にしたものを分散表現と呼びます。 今回紹介するFacebookの発表したfastTextはこのWord2Vecの延長線上にあるもので、より精度が高い表現を、高速に学習できます。本稿ではその仕組みと日本語文書に対しての適用方法について解説していきます。 fastTextの仕組み fastTextでは、Word2Vecとその類型のモデルでそれまで考慮されていなかった、「活用形」をまとめられるようなモデルになっています。具体的には、goとgoes、そしてgoing、これらは全て「go」ですが、字面的にはすべて異なる
Pretrained models This section describes how pre-trained models can be downloaded and used in MatConvNet. Using the pre-trained model is easy; just start from the example code included in the quickstart guide. Remark: The following CNN models may have been imported from other reference implementations and are equivalent to the originals up to numerical precision. However, note that: Images need to
Python向けディープラーニング・フレームワークのKerasが2.0にアップデートしました。 https://blog.keras.io/introducing-keras-2.html 今回は2.0のアップデート情報と、プログラムの書き方の変更箇所をおおまかにまとめていきます。 加えてKeras1.2とKeras2.0の違いをCifar10で比較してみたいと思います。 アップデートによる変更箇所 変更内容を掻い摘んで訳していきます。 即興で意訳してます、間違いが合ったらご指摘くださいm(_ _)m。 TensorFlow連携 KerasのバックエンドとしてTensorFlowを2015年12月からサポートしていましたが、TensorFlowのコードベースからKeras APIは隔離していました。 Keras2.0ではTensorFlow1.2ベースで直接呼び出し可能なAPIを提供します
(編注:2020/10/01、2016/07/29、いただいたフィードバックをもとに記事を修正いたしました。) 目次: さまざまな勾配降下法 バッチ勾配降下法 確率的勾配降下法 ミニバッチ勾配降下法 課題 勾配降下法を最適化するアルゴリズム Momentum(慣性) Nesterovの加速勾配降下法 Adagrad Adadelta RMSprop Adam アルゴリズムの可視化 どのオプティマイザを選ぶべき? SGDの並列化と分散化 Hogwild! Downpour SGD SGDのための遅延耐性アルゴリズム TensorFlow Elastic Averaging SGD 最適化されたSGDに対する更なる戦略 シャッフル学習とカリキュラム学習 バッチ正規化 早期終了 勾配ノイズ 結論 参考文献 勾配降下法は、最適化のための最も知られたアルゴリズムの1つです。これまではニューラルネット
オンライン講座のUdacityが提供する自動運転エンジニアコースのTerm1を修了したので,その感想を書こうと思います. Udacityとは UdacityとはCourseraやedX等のオンライン講座MOOCの一つであり,自動運転エンジニアコース,AIコース,フルスタックエンジニアコースなど様々なコースがあります.他のMOOCとの違いは,Coursera等はどちらかといえば知識ベースであるのに対し,Udacityはプロジェクトベースであるという点です.また自動運転コースの講義はMercedes-Benz等からも提供されており,最先端の技術を学ぶことができます. 自動運転エンジニアコースとは Udacityが2016年11月ごろからスタートしたプログラムであり,9ヶ月で自動運転エンジニアになるために必要な技術を身に付けることができるコースとなっています.Term1からTerm3の3つのター
Recurrent Neural Network 時系列データを扱うRNN Long Short-Term Memory Networks 来月の航空会社の乗客数を予測する TFLearnと必要なライブラリのインストール まずは乗客数のデータを可視化してみる LSTMネットワークを構築しよう TensorBoardで誤差を可視化する 時系列分析での予測精度の指標 RMSE(Root Mean Squared Error) RMSLE(Root Mean Squared Logarithmic Error) MAE(Mean Absolute Error) MAPE(Mean Absolute Percentage Error) 結果を可視化する Window幅を変えてみる GRU(Gated Recurrent Unit)を使う GRUの層を増やしてみる LSTM学習のコツ まとめ 参考
TensorFlowは、Googleが公開しているモバイルや、サーバなどデバイスを問わずどんな環境でもディープラーニングを動作させることができるライブラリです。 iOSアプリで識別することも、バージョン0.9.0からサポートされました。 本記事では、TensorFlowやiPhoneアプリ開発にそれほど馴染みのない方でも簡単にXcodeプロジェクトからTensorFlowのモデルを実行できるようになるまでを解説します。 TensorFlowをiOSで動作させるために必要なもの TensorFlowをiOSプロジェクトで動作するには、以下のライブラリやソフトウェアが必要になります。 Xcode7.3以上 XcodeのCommand Line Tools automake, libtool Xcodeは、iTunesストアからダウンロードしてください。 また、XcodeのCommand Lin
誤差逆伝播法とパラメータ 計算グラフ 偏微分の計算 計算グラフ上での偏微分の計算 TensorFlowで実際に計算してみる まとめ 参考 誤差逆伝播法(Backpropagation)は、ニューラルネットワークの基本アルゴリズムです。 本質的な仕組みを理解していると、ディープラーニングがどのように動作しているのかのイメージを掴むことができます。 つまり、誤差逆伝播法の仕組みを知ることは、ニューラルネットワークの開発やデバッグ・設計において重要な役割を果たすのです。 にも関わらず、解説を読むと、突然偏微分を含む数式が出てきたりするので、難解なイメージを持つ方が多いのではないでしょうか。 本記事は、誤差逆伝播法を計算グラフと具体的な例を示しながら、噛み砕いて解き明かそうとする試みになります。 おそらく、あなたが誤差逆伝播法を理解する手助けになるはずです。 誤差逆伝播法とパラメータ 誤差逆伝播法
さて,クリスマスですね.各分野で行われているアドベントカレンダーも最終日です. 恐縮ながら,最も購読者数の多い,機械学習に必要な高校数学やり直しアドベントカレンダー Advent Calendar 2016を締めくくらせていただこうと思います. ラストに相応しい記事として,機械学習に必要な高校数学をやり直した後で ニューラルネットワークの学習手順を理解してみようという内容にしてみました 実際に高校生に教えてみて理解してきただけた内容なので,1つ1つみていけば決して難しくないはずです. また,これは前回の記事の前提知識が必要となります. 今回はかなり噛み砕いて説明を行なっています.そのため,専門に機械学習を学ばれてる方からすると違和感を感じる表現があるかもしれません,ご了承ください. 私が教えた高校生のスペック 「高校生に教えてみた」という記事ですが,どのレベルの高校生かをはじめに明確にして
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
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