無料のGoogle Colabで美少女イラストのKeras+GANs線画着彩 - Qiita
はじめに 定番のGANs（pix2pix）線画着彩を、無料のGoogle Colabでやってみました。 教師データが大きく、また学習時間も長いので、Colabでやるには多少工夫が必要です。 https://colab.research.google.com/ pix2pixの説明は、他の方の分かりやすい記事を見て頂くとよいかと思います。 先にU-Netを理解してからだと、pix2pixの理解が早いと思います。 https://qiita.com/koshian2/items/603106c228ac6b7d8356 https://qiita.com/mine820/items/36ffc3c0aea0b98027fd 事前準備 美少女イラストを収集・厳選・加工し、線画と着彩のデータセットを用意します（以下参考）。 https://www.mathgram.xyz/entry/scrapi
TensorFlow・KerasのTutorials・Examplesソースコード集 - Qiita
ネット上で無料で手に入る、TensorFlowとKerasのソースコード集を集めました。 眺めたり実際に動かしたりして理解を深めたい人向け。 他にも良いサイトがありましたらお知らせください。 (★の数は、個人的なおすすめの度合いを表しております。レビュー文も含め、個人の主観が多分に含まれていますのでご注意ください。) Hvass-Labs/TensorFlow-Tutorials: TensorFlow Tutorials with YouTube Videos (★★★) URL : https://github.com/Hvass-Labs/TensorFlow-Tutorials 一通りの内容が揃っている上、jupyter notebookだけでなくなんとGoogle Colabでもソースが公開されているため、リンクに飛べばその場ですぐにコードを実行することができる。 しかもyout
途中分岐するニューラルネットワークの書き方と精度 - Qiita
この記事は畳み込みニューラルネットの規模と正答率の実験の続きのようなもの。 また、自身のブログ、Data Science Struggleを翻訳したものになる。 概略 ニューラルネットワークはその設計において、広い自由度を持つ。多くのレイヤーを持たせることやネットワークの途中からデータを入力として受け付けることなど、設計者次第で短くも長くもシンプルにも複雑にもなる。 tensorflowなどのフレームワークを使用すれば下記の図のようなシンプルなニューラルネットワークは比較的簡単に作成することができる。 今回は、上記の図のようなニューラルネットワークではなく、下記の図のような、途中で枝分かれをしたニューラルネットワークを作成していく。 この記事の基本的な目的は以下の二点の確認になる。 枝分かれをしたニューラルネットワークをどのように書くか 精度の面でどのような特徴が見られるか Tensorf
GoogleがPerfumeのライブに技術提供した「Reframe Visualization」をKeras/Scikit-learnで再現する - Qiita
GoogleがPerfumeのライブに技術提供した「Reframe Visualization」をKeras/Scikit-learnで再現するPython機械学習scikit-learnKerasNK-POP Perfumeが紅白歌合戦でディープラーニングについて言及して話題になりましたが、それに関連する技術がGoogleのブログで公開されていたので再現してみました1。本来はColud Vision APIを使ったとのことですが、精度や速度を犠牲にすれば、普通のPCかつ1人でも実装できてしまいます。その方法を書いていきます。 訂正：Googleが使ったではなく、正しくはライゾマティクスに使っていただいただとのことです。失礼いたしました2。タイトルも訂正いたしました。 元ネタ こちらのブログに詳しく書かれています。 Perfume とライゾマティクスの新たな試みを支える Google の機
YOLOV3-kerasをリアルタイムで使用する． - Qiita
対象 SSDとかYoloV2開発者． DeepLearningで何ができるのか知りたい方． 1. YoloV3 現状最も強力な物体検出系AIです． YoloV2の改良版で，Yolov2よりも層が深くResnetのようになっています． その他さまざまな改良点がありますがおいおい． YoloV3 Strong～ 以下ネットワーク構造 layer filters size input 0 conv 32 3 x 3 / 1 416 x 416 x 3 1 conv 64 3 x 3 / 2 416 x 416 x 32 2 conv 32 1 x 1 / 1 208 x 208 x 64 3 conv 64 3 x 3 / 1 208 x 208 x 32 4 res 1 208 x 208 x 64 5 conv 128 3 x 3 / 2 208 x 208 x 64 6 conv 64 1
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
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
