ディープラーニング入門：Chainer チュートリアル
Chainer チュートリアル 数学の基礎、プログラミング言語 Python の基礎から、機械学習・ディープラーニングの理論の基礎とコーディングまでを幅広く解説 ※Chainerの開発はメンテナンスモードに入りました。詳しくはこちらをご覧ください。 何から学ぶべきか迷わない ディープラーニングを学ぶには、大学で学ぶレベルの数学や Python によるプログラミングの知識に加えて、 Chainer のようなディープラーニングフレームワークの使い方まで、幅広い知識が必要となります。 本チュートリアルは、初学者によくある「まず何を学べば良いか」が分からない、 という問題を解決するために設計されました。 初学者は「まず何を」そして「次に何を」と迷うことなく、必要な知識を順番に学習できます。 前提知識から解説 このチュートリアルは、Chainer などのディープラーニングフレームワークを使ったプログ
ChainerRLで三目並べを深層強化学習（Double DQN）してみた - Qiita
なお私の環境は以下の通りです。 macOS Sierra 10.12.3 (MBP Late2016) Anaconda3-4.1.0 Chainer 1.21.0 ゲームボードの準備 プレーヤーの種類（DQN、ランダム打ち、人間など）に関わらず、○×ゲームをするにはゲームボードが必要になりますので、はじめに作成しておきます。 なお今回はファイルを分割せずに1つのファイルに全ソースを書いていきますので、冒頭に必要ライブラリもimportしておきます。 import chainer import chainer.functions as F import chainer.links as L import chainerrl import numpy as np #ゲームボード class Board(): def reset(self): self.board = np.array([0]
新しくなったchainer-fast-neuralstyleで高速に画風変換してみた | SoraLab / ソララボ
Real-Time Style TransferのChainerによる実装「chainer-fast-neuralstyle（7月19日版）」で、画像の高速スタイル変換を試してみました。 なお、Real-Time Style Transferの詳細は、以下の論文をご覧ください。 Justin Johnson, Alexandre Alahi, Li Fei-Fei, “Perceptual Losses for Real-Time Style Transfer and Super-Resolution” この論文のJustin Johnsonさんは、以下の記事で使用したneural-styleの作者でもあります。 chainer-fast-neuralstyleによる高速画風変換 準備 Chainerは、Ubuntu 14.04にインストールしたChainer 1.7.1を使用します。 こ
仮想通貨女子がネカマかどうか、データサイエンスして確かめた | Chainerを用いたRCNNによるテキスト分類 - 最先端技術即席実装（SSJ）
あらすじ やること Twitterの発言を取得する TwimeMachine All My Tweets Export Tweet Twitterの発言を分類する 学習する テスト 結果 今後の取り組み あらすじ 昨今、仮想通貨女子と言われる、ビットコインやブロックチェーンに詳しい女子が増えており、互いに鎬を削っている。 bitcoiner.link 彼女たちは、自分の地位を脅かす相手を、時にバッシングしたり、パトロンに布教活動を行ったりしているようだ。 なるほど ネットにありがちな ”ネカマ” である疑いをかけることで、ライバルの失脚を目論んでいるようだ。 しかし傍観者の私は思った ネカマである疑いをかけている方もネカマで、実は仮想通貨女子はほとんどネカマなのではないだろうか・・・ 悪い癖だ、 ネットに長く浸かっていると、オンラインの住民全てが胡散臭く見えてしまう。 ここは正攻法で、科学
Recurrent Convolutional NNでテキスト分類 - Qiita
機械学習でテキスト分類をできないかと調べたところ、2種類の手法が提案されていました。 CNNによるテキスト分類 RNNで文書分類（Text Classification） 前者の手法は既にTensorFlowによる実装があったのと、直接Chainerで記述できなかった(covolution_2dではx軸固定の畳み込みができない)ので、後者を実装してみました。 追記 この記事を書いた当時はフィルタの幅と入力行列の幅を同じにしたとき、0除算例外が出てしまっていたのですが、今は問題なくできるようになっていました。自分が試した頃は確かversion 1.6あたりだったと思います。 ChainerによるCNN実装例がQiitaにもあります。 【Chainer】畳み込みニューラルネットワークによる文書分類 こちらの実装では、単語埋め込み表現をword2vecで既に学習させたものを利用していますが、li
深層強化学習ライブラリChainerRL - Preferred Networks Research & Development
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
画風を変換するアルゴリズム - Preferred Networks Research & Development
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
EC2+cuDNN+Chainerでディープラーニング用爆速計算環境を手に入れる - IT系バンドマンの日常
みなさーん！DeepLearning、楽しんでますかぁーーー！ みなさん「.........（＾ω＾#）ﾋﾞｷﾋﾞｷ」 え、GPU搭載の計算環境がなくて全然楽しめてない？ そんなときはAWSでEC2インスタンスを立ち上げて爆速計算環境を手に入れよう！！！！ ということで今回はAWSでEC2の立ち上げからChainerのインストールまでの作業手順をまとめてみたいと思います EC2インスタンスの立ち上げ EC2インスタンス立ち上げの前にregionを選択します。 regionによってだいぶ値段が違うので、現在どのくらいの値段なのか気になる方は、料金 - Amazon EC2 | AWSの「オンデマンドインスタンス価格」の欄を見ると参考になります。 値段をそんなに気にしない方はTokyoリージョン、少しでも安いのがいい人はOregonリージョンで行きましょう。僕はOregonリージョンにしました
（古い記事）EC2のGPUインスタンスにChainerを5行で入れて4行で動かす - 随所に主と作れば、立処皆真なり
PFI/PFN社でオープンソース公開したディープラーニングフレームワークChainer、すで使って頂いている方、ありがとうございます。 さてそんなChainerですが、MacBookでも簡単に使い始めることはできますが、真価を発揮させるにはGPU環境が欲しいところです。また一方、GPUを積んだデスクトップPCでも（特にPyCUDAの）インストールでつまづく方がいるのも事実です。 開発側の人間としては、できれば手軽に試してもらえる環境を提供したい。そこでは、やはりAWSのEC2でGPUインスタンス使うのが一番いいと思います*1。 Chainer on EC2は何名かブログ等で記事を公開されていますが、今のところ最も簡単な方法はRyosuke TajimaさんのAWSでサクッとChainerを使ってみるです。 が、やはりここでもPyCUDAをソースからのビルドしてもらうことになっています。原因
Deep Learning のフレームワーク Chainer を公開しました - Preferred Networks Research & Development
こんにちは、得居です。最近は毎晩イカになって戦場を駆けまわっています。 本日、Deep Learning の新しいフレームワークである Chainer を公開しました。 Chainer 公式サイト GitHub – pfnet/chainer Chainer Documentation Chainer は、ニューラルネットを誤差逆伝播法で学習するためのフレームワークです。以下のような特徴を持っています。 Python のライブラリとして提供（要 Python 2.7+） あらゆるニューラルネットの構造に柔軟に対応 動的な計算グラフ構築による直感的なコード GPU をサポートし、複数 GPU をつかった学習も直感的に記述可能 ニューラルネットをどのように書けるか 次のコードは多層パーセプトロンの勾配を計算する例です。 from chainer import FunctionSet, Vari
Chainerのカレンダー | Advent Calendar 2016 - Qiita
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.)
【簡単】Chainer/Deelで手軽に学習済みCaffemodelを読み込んで性別や年齢判定に使う【便利】:電脳ヒッチハイクガイド:電脳空間カウボーイズZZ(電脳空間カウボーイズ) - ニコニコチャンネル:生活
前回、ついにChainerのCaffeFunctionを改造したことで、いろいろなCaffemodelを取り込んで使う時にもう「Chainerの内部で落ちてるから使い方わからんオワタ」と思わなくて済むようになった。しかし改めてChainerはわかりやすくて素晴らしい。 ちなみにCaffeモデルは公開されているものでも簡単に使えるやつと使えないやつがある。 ものによってはCaffeモデルだけでなく改造済みのCaffeとセットで公開されているものもあり、ちょっとノイローゼになりそうな気分である。それを移植しようとすると、改造済みのCaffeの中身も調査しなければならず、まあ単純に関数が増えたとかならまだいいんだけど、どうもそういうわけでもないケースも散見されて悩ましい。つらい まあいいや。 そういうわけで、いろいろすぐに使えるやつを試して見たんだけど、とりあえず性別判定と年齢判定、それと場所判
chainer メモ（その４）機械学習で顔認識！実際に画像をつっこむ（OpenCV3使用） | TOMMY NOTES
はじめにいままでchainerについてちょいちょい書いているのですが（その１）（その２）、実際に画像のクラス分けをしてみたいので、その途中段階までをまとめます。顔認識ということですが、乃木坂のメンバーを認識してみようと思います。画像集めの問題もあって今回は入力画像をメンバー4人+それ以外人たちの5つのクラスの誰であるかを判別します。(adsbygoogle = window.adsbygoogle || ).push({}); データセットデータですが、乃木坂メンバーからとりあえず、秋元真夏、白石麻衣、西野七瀬、生田絵梨花、そして誰やねん... コードの全文はgithubに 下のコードは実際に画像を指定してpredictする。 from image2TrainAndTest import image2TrainAndTest from image2TrainAndTest import g
へっぽこ！リアルタイム画像認識 - PlayGround
今回は、caffeのModelZooから学習済みのgoogLeNetをいただいて、それをそのままchainerで使ってリアルタイムの画像認識をします。 拝借するモデルは1000個のラベルについて学習しているので、学習したラベル以外のものについて認識することはできません。 まあ、とりあえず認識できれば嬉しいというへっぽこ感でやっていこうと思います。 モデル読み込み とりあえず、ここからcaffemodelをダウンロードします。 それから、このスクリプトでラベルファイルなど をダウンロードします。 chainerでのcaffemodelの読み込みは以下の通り。 import chainer import chainer.functions as F from chainer.functions import caffe googlenet = caffe.CaffeFunction("bvlc
ディープラーニングでおそ松さんの六つ子は見分けられるのか 〜実施編〜 - bohemia日記
前回、おそ松さんたちをディープラーニングで見分けるため、準備編としておそ松さんたちの顔画像を5644枚集めました。 今回はそれを用いて、ディープラーニングで学習させ、判別器を作って検証します。 集めた画像 人物 枚数 例 おそ松 1126 から松 769 チョロ松 1047 一松 736 十四松 855 とど松 729 その他 383 使用フレームワーク 最近GoogleからTensorFlowという新しいディープラーニングのフレームワークが発表されました。 会社のブログに使い方書いたのですが、まだ慣れていないので、今回はchainerを使います。こちらだとすぐに高い成果を上げているImageNetのNINモデル、４層畳み込みニューラルネットワークがサンプルで入っていますので、こちらを改良して使います。 imageNetの使い方は、こちらやこちらを参考にしています。 訓練データセット Im
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
GitHub - yusuketomoto/chainer-fast-neuralstyle: Chainer implementation of "Perceptual Losses for Real-Time Style Transfer and Super-Resolution".
長文日記
長文日記