Keras は Theano を通じて GPU を利用することも出来ます。 Theano で GPU を使う設定となっている場合は、特別な設定なしに GPU を利用できます。 Keras で MNIST Keras では、モデルに対応する keras.models.Sequential にレイヤを追加していくことでネットワークを構築します。以下は、いわゆるMLPで MNIST データを10クラス分類する例ですが、非常に簡単であることがわかると思います。 from sklearn import datasets, preprocessing from keras import models, layers import numpy as np train_size = 60000 dropout = 0.2 batch_size = 128 nb_epoch = 100 # データセットの準

この手順では、メモリが4GB以上、CPUが4コア以上の環境を前提としています。 macOSを使用する場合 macOS用のDockerが対応しているのは、Yosemite以降のバージョンです。ここで紹介する手順は、El Captitanで動作確認をしています。 はじめに、Dockerの公式Webサイトから、macOS用のDockerをダウンロードします。「Getting Started with Docker」のリンクからダウンロードページを開いて、「Download Docker for Mac」をクリックすると、インストーラーファイル Docker.dmgがダウンロードできます。インストーラーを開いて、DockerアイコンをApplicationsフォルダーにコピーした後、ApplicationsフォルダーからDockerを起動します。初回の起動時は、インストール処理のポップアップが表示

Netflixはどうやって素晴らしいストリーミング体験を提供しているのでしょうか？　彼らがどのようにサイトを作り、さらにA/Bテストを通してどのようにUIの改善をしているのでしょうか？ この記事では私がYelpで参加したDesigners+Geeks eventで学んだことから共有します。２人のスピーカー、Anna Blaylocky氏とNavin Iyengar氏はNetflixのプロダクト・デザイナーであり、何年も何百万人という会員に行ってきたA/Bテストから収集した実態について語ってくれました。また、参加者がデザインを考える上で手助けとなるようないくつかの関連する例を示してくれました。 科学的な手順 仮説 科学において仮説は、研究や実験を通して検証されるアイデアや事象の原因を指します。デザインでは理論やや予想を「仮説」と呼ぶことができます。 仮説の基本的な概念には、あらかじめ決まった

どこかででた問題。 折角なのでpythonでてきとーに実装してみた。 ソースコードは以下に。 hcluster.py · GitHub k-means 1次元ベクトルのデータ集合 {(2),(3),(4),(10),(11),(12),(20),(25),(30)} をk-means法でクラスタリングする。 その際(a)-(c)の場合において、収束するまでのクラスタとセントロイドを示せ。 (a) k=2, 初期値(2,20) 1回目 data : [ 2. 3. 4. 10. 11. 12. 20. 25. 30.] prof : [ 0. 0. 0. 0. 0. 1. 1. 1. 1.] cluster: [ 6. 21.75] 2回目 data : [ 2. 3. 4. 10. 11. 12. 20. 25. 30.] prof : [ 0. 0. 0. 0. 0. 0. 1. 1.

DynamicTimeWarpingって何？ 動的時間伸縮法と呼ばれる、時間や速度の異なる信号同士の類似度を求めるアルゴリズムです。 信号同士の類似度を求める際に、単純にユークリッド距離を求めようとすると、信号の長さが 異なると非常に厄介な事になります。 それに対し、DTWは時間伸縮技術を用いて信号同士の長さの差異をうまく丸め込んでくれます。 用途 長さの異なるベクトル同士の類似度を算出するアルゴリズムであり、主に音声認識等の信号解析に用いられています。 Pythonのコード numpyを使うように直しました 2015年3月17日 def dtw(vec1, vec2): import numpy as np d = np.zeros([len(vec1)+1, len(vec2)+1]) d[:] = np.inf d[0, 0] = 0 for i in range(1, d.shap

2014-03-02 PythonでRの標準データセットを使う。 データ分析の練習を行う際、サンプルデータを探すのが結構面倒くさかったりします。本ブログではPythonを使って解析を進めますが、PythonにはRのような標準データセットが用意されていません (たぶん)。 そこでPython上でRの標準データセットを使えるようにしてしまおう、というのが今からやることです。 こちらのブログを参考にしました。 まずは必要なライブラリをインストールします。ターミナル上で、 $ sudo pip install pandas $ sudo pip install rpy2 インストールが終わったらPythonを起動します。 import pandas.rpy.common as prc #ライブラリのインポート print type(prc.load_data("BOD")) #データセ

シマフクロウを検出する 今回は、カメラ画像から自分の好きな物体を検出する方法を紹介します。 最終的には上の画像のように、カメラ画像からシマフクロウを検出します。次のステップにより物体の検出を行います。 検出する物体の特徴を学習する 学習した特徴をもとに画像中の物体を探索する まず、検出する物体の特徴を抽出するわけですが、どのような特徴を、どのように学習するか？が問題です。 これは画像処理や機械学習といった研究分野の問題で、面白いところではあるのですが、とても説明しきれないのでここでは説明省略します。 全てを説明しきれないので・・・ 詳細は、"Object Detection", "機械学習"などのキーワードで検索すると嫌というほど出てきます。または、最後にちょっとだけ原理に関わることも書きたいと思います。 今回は、HOG特徴をSVMで学習する方法で物体検出を行います。 HOG特徴は、輝度変

動機 仕事で変化点検知をする機会がありました。その時は時間がなかった事もあり、yokkunsさんがやられていたARIMAモデルを使ったアルゴリズムを参考にさせていただき作りました。ただ、ARIMAモデルだと色々と面倒なところがあったのでkalman filterで書き換えを試みた次第です。 ARIMAモデルの問題点 パラメタ調整が面倒 対象とするwindow以上のデータが溜まるまで解析できない window内に同一データのみが並んだベクトルとなった場合、逆行列が計算出来ない 参考文献 データマイニングによる異常検知 ベイズ統計データ解析 (Rで学ぶデータサイエンス 3) 主に参考にしたのは、みんな大好き「データマイニングによる異常検知」です。 概要 計算ステップは以下のとおりです。 計算は大きく分けて、学習ステップとスコア計算ステップに分けることができます。 学習ステップ こちらは新しいデ

これは何か matplotlib でグラフを作る時に、カラーバーがグラフをはみ出してダサい。 カラーバーをグラフに揃える方法を紹介する。 方法いろいろ 1 : 普通にプロット import numpy import matplotlib.pyplot x = numpy.arange(10) y = numpy.arange(10) X, Y = numpy.meshgrid(x, y) Z = X**2. + Y**2. fig = matplotlib.pyplot.figure() ax = fig.add_subplot(111) im = ax.imshow(Z, interpolation='none') fig.colorbar(im) fig.savefig('colorbar1.png')

Gitの基本的なコマンドは使えるようになったので、 軽快さを求めてtig(git cui browser)を導入します。 SourceTreeやその他GUIツールから移行を検討されている方や Gitを少し触り始めたけどルーティン操作が慣れない私向けの内容です。 インストール macならbrewからinstallできます。

はじめに 過去に参加したKaggleの情報をアップしていきます． ここでは，BOSCHのカーネルで公開されていた便利なコードをピックアップします． コンペ概要や優勝者のコードに関しては，Kaggleまとめ:BOSCH(intro+forum discussion)，Kaggleまとめ:BOSCH(winner)にまとめており，こちらはサンプルコードを交えたデータの解析結果をまとめたものになります． 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) サンプルスクリプトを実行した際にエラー等あった場合は，コメント

git status, git stash list, git logを同時に出力するサブコマンドを作ったらすごい捗った話BashGit 経緯 最近忘れっぽいのか、stashしたままほっぽったり、pushするの忘れて帰ったりってことをよくしてしまいます。 特にstashなんかはたまにしか使わないため、git stash listして、保存したstashのリストをチェックする、なんて体が覚えてくれません。 そんなわけで…… git localinfo というサブコマンドを作ってみました。 実行すると、ローカルリポジトリでの変更内容が以下のようにコンパクトに出力されます。 出力されるのは、 現在のブランチ名（1行目のパスの末尾） unstaged, stagedなファイルの一覧 stash一覧 未pushのコミット一覧 です。何も変更がなければパス＆ブランチ名も出力しません。 これを、git

はじめに [アカデメイア]自然言語処理勉強会 #1に参加させていただきました。 こちらの勉強会では、 - 自然言語処理の基礎 - ビジネスにおける活用例 - 実習 を学習、実施しました。 実習では個人的に、自分がツイートしているワードにはどのようなものが多いかを見てみました。 自分のツイートのダウンロード ツイッターのユーザー情報から全ツイート履歴の申請が行えます。 私の場合は申請から数分でダウンロードリンクが送られてきました。 Mecabのインストール 下記を参考にインストールを行いました。 MeCab: Yet Another Part-of-Speech and Morphological Analyzer Macだと文字化けしてしまうようなので、下記も参考にしました。 UTF-8の設定が必要なようです。 MacにMecabをインストールする (2013.3) 無駄な列の削除 ダウン

今回、Ubuntuサーバに、Mitaka版 OpenStack Heat構築にチャレンジしてみました。 参考にした手順は、次のドキュメントになります。 Ubuntu wiki (Ubuntu Cloud Archive) OpenStack Documentation Install and configure (Keystone) OpenStack Documentation Install and configure (Heat) ■ Heat環境セットアップ手順 (1) Ubuntuサーバ環境を整備します $ cat /etc/lsb-release DISTRIB_ID=Ubuntu DISTRIB_RELEASE=16.04 DISTRIB_CODENAME=xenial DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS"

#userId userCompany userDiscountRate Us0ymuik 密林コンプライアンス印刷 46 Us77qmr2 西日本密林エンターテイメント 49 Usdj7ej1 密林ソリューション 18 Usjx15uh 横浜ヒュージハードソフト 7 Usqd7wpe 面本信金 1 Uswvrn3s ゴールデンモービルソリューション 7 Us3h2d0a ベンザソーシャルゲーミングソリューション 26 Usa4c2hm ヴァーチャウェアソーシャルゲーミング産業 7 . . . # -*- coding: utf-8 -*- import peewee # データベースを指定 db = peewee.SqliteDatabase("data.db") # ユーザーモデルを定義 class User(peewee.Model): userId = peewee.TextFie

Pythonを使ったデータサイエンティストになるための修行です。 ついにNumpyを使っていきます。 Numpyは大規模な多次元配列や行列を操作したりするためのライブラリです。 これなくしてはPythonでデータを解析できません。 PREV →【Python】蛇使いへの道 (3) Pythonのクラス NEXT →【Python】蛇使いへの道 (5) Matplotlibと戯れる 配列の生成 まずはnumpyをインポートします。

Go 1.6 Release Party 2016-02-17 Hatena Inc. Tokyo Office Yusuke Wada a.k.a. yusukebeRead less

Pelletkachels waren ooit eenvoudige apparaten voor verwarming, maar ze hebben een opmerkelijke evolutie doorgemaakt sinds hun bescheiden begin in de jaren ’80 van de vorige eeuw. In dit artikel duiken we diep in de geschiedenis van pelletkachel, bespreken we de belangrijkste mijlpalen en ontwikkelingen op het gebied van subsidiemogelijkheden en werpen we een blik op de transformatie tot moderne en

サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。

ちょうどいくつかプレゼン用の資料を作らなきゃと思っていてなんかいいテンプレートないかな〜って探していたらのでreveal.jsが超絶に良かったのでメモ reveal.js htmlで綺麗でカッコいいプレゼンテーションを作れるフレームワークです。 3Dでグィングィン動きます デモ画面見ればどんな風にグィングィン動くかわかります（開いたら右スクロールボタンを押してみてください） Escキー押すとプレゼンテーションのドキュメント一覧が見れます それがまたカッコよく3Dでみれます。 PDFへのエキスポートが楽チンです 書いたドキュメントをプリントしてメンバーに配布とかってシーンがあるとおもいますが reveal.jsなら綺麗にできます。 使い方 zipパッケージで落としてくる hakimel/reveal.jsにいって 「Download ZIP」をポチッと押します。 書きたい内容をindex.h

HTMLでプレゼンテーションを作る LTで登壇することになったけどネタがない。。。(本番前日) HTMLでプレゼン作れると聞いたのですぐさまテンプレ探しへ。 検索かけて出てきたのテンプレートが ・reveal.js →GitHub,デモ画面 ・jmpress.js →GitHub,デモ画面 一番簡単そうに見えたreveal.jsを使って編集してみることに決めました。 作っててデモ画面が面白くて作ってるだけで楽しめました笑。 内容 簡単にHTML,CSSを紹介した後、google chromeでDeveloper Toolを用いてCSSを編集する方法を紹介するという構成に決定(本番20時間前)。 ASCⅡ.jpさんの記事を参考に開発ツールのページから直接編集する方法を写真も交えて解説 やっぱりcssはちゃんとエディタで修正する方がいいなと思いつつも紹介することにしました笑。 プレゼンの作り方

2016-11-21 技術書の歩き方勉強会「達人プログラマー編」での資料です。 https://connpass.com/event/44500/

はじめに React.jsとReduxを理解するために簡単な電卓アプリを作成しました。 今回はWelcome to Reactから始まり、実際にReact/Reduxで電卓アプリを作るまでの手順を説明したいと思います。 特にReduxのデータフローについては言葉や図だけではよくわからないと思うので、電卓アプリを実際に作成することで少しでも理解の助けになればいいなと思っております。 今回の記事では実装がメインとなっているため、React.jsやReduxの概念などについては省略しております。基礎的な部分を理解したい方は「Reduxの電卓アプリで学ぶReact/Redux入門(基礎知識編)」を読んでからこちらの記事を読むと理解がしやすいかと思います。 電卓アプリはcreate-react-appをベースに作成し、簡単のために加算の機能のみ作ります。 create-react-appについて ま

自分が Go で誰かと何か作るなら、まずここまでを共有してからにしたい、という勝手な理由ですぐ見てもらえるところにこれ置いときます。 ディレクトリ How to Write Go Code を読みましょう。ただし、これだけでは src の下に依存パッケージ置き場 vendor を置けることに言及してないので、Gopher Academuy Blog の Understanding and using the vendor folder で補うのが手っ取り早いです。 そのうえで、 Glide | Package Management For Go を使いましょう。チームメンバーに足りないパッケージをコツコツ $GOPATH/src/github.com/ に go get させず、チームが決めた依存パッケージが自動的に vendor にインストールされるようにしましょう。 /.../your

これは何か MINCSのコンテナ実装の基本設計を解説する記事です。MINCSの概要については以前の記事を参照してください。 この記事では実際にMINCSのコードを見ながら、シェルスクリプトあるいはコマンドラインから最小限のコンテナ環境を作る方法を説明しています。 MINCSの基本設計 MINCS(mincコマンド)はPosixシェルスクリプト1としてコンテナを実装することを目的としていたため、基本的には特殊なコマンドを使わず、Linuxの基本コマンド（coreutilsやutil-linux）を利用して実装しています。 Linuxコンテナの基礎 Linuxコンテナとは何でしょうか？　個人的には、広義の（狭義の？）Linuxコンテナとはnamespaceを利用した空間分離のことを指すと考えています。このnamespaceは基本的にはプロセスから見えるリソースを別空間に分離する機能だと思ってく

対象 Python及びNumPy初心者に向けて書いています. 「C言語は使えるけど最近Pythonを始めた」とか「Pythonらしい書き方がよくわからない」に該当する物理系の数値計算を目的とした方には特に有用かもしれません. また, 自分の不勉強のために間違った記述があるかもしれません. ご容赦ください. あらまし 内容はNumPyを用いた数値計算の高速化 : 基礎のつづきです. ndarrayのユニバーサル関数や演算を用いて可能な限りforループを使わずに基礎的な数値計算を実装していきます. 今回からSciPyも仲間に加わります. 以下ではNumPy・SciPyの関数の詳しい実装についてはあまりコメントしていないので, わからないことがあったら是非リファレンスを読んでみてください. 言わずもがな, 車輪の再発明をしないことがとっても大事です. 微分 物理の基礎方程式には微分がつきものです

~mainWindowの設定を変える~ 今回やること 前回の記事：vol.03で 以下のような基本的な main.js を作り、electronを実行し、横800px,縦600pxのウィンドウが立ち上がりました。 'use strict'; const electron = require('electron'); const app = electron.app; const BrowserWindow = electron.BrowserWindow; let mainWindow = null; app.on('window-all-closed', function () { if (process.platform != 'darwin') app.quit(); }); app.on('ready', function () { mainWindow = new Browser

何をするのか Python のデータ処理ライブラリ pandas (http://pandas.pydata.org/) で遊んでいたら、 Web から Finance 情報を取ってくる プロットする というのがコードだけでできてすばらしかったので投稿。 コードと解説 import pandas.io.data as web import matplotlib.pyplot as plt import datetime # 取得する日の範囲を指定する start = datetime.datetime(2014, 1, 1) end = datetime.datetime(2014, 9, 1) # Yahoo ファイナンスから、 ^N225 (日経平均株価指数) を # とってくる。 f = web.DataReader('^N225', 'yahoo', start, end) plt

サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。

Eclipseと言えば、Javaをメインとした統合開発環境ですが、その大きな特徴はプラグインを使って好きなように機能が拡張できるということが挙げられます。 プラグインひとつで、例えばPHPやRubyなどにも対応でき、開発環境自体に機能を追加することも出来ます。Eclipseを生かすも殺すもプラグイン次第と言っても過言ではないでしょう。 今回は、Eclipseを使って効率良く開発を行うためのプラグインをご紹介します。 ※プラグイン導入はHelp > Eclipse Marketplaceで検索してください Eclipseへ入れておくべき10個のプラグインとは Eclipseを使う上で、さまざまな機能を追加し、使いやすくしてくれるプラグインは欠かせないものです。この章では、開発効率のアップにつながるおすすめプラグインを10個紹介します。 1.Glance Eclipseのコード中をインクリメン

ゲームプログラマーになる前はEclipseでAndroidアプリを作っていました。 コーディング速度をあげるための設定をイロイロとしてましたので、それについて書きたいと思います。 やり方を解説されているブログ記事の紹介だけですが、これをやっておくだけでコーディング速度がまったく違います。 むしろこの設定を行っていなかったら、以前の職場での業務量は行えなかったです。 「.」以外でもEclipseの補完機能を使えるようにする あらゆる文字から補完できるようになります。 自動有効化遅延（補完機能が有効になるまでの時間）は80に設定していました。 Eclipseの補完設定をカスタマイズして爆速コーディング - ser1zw's blog Eclipseで使用するメモリの上限をあげる メモリに余裕があれば、設定しておくことでEclipseがサクサク動くようになります。 eclipseで使用するメモリ

2024 Developer survey is here and we would like to hear from you! Take the 2024 Developer Survey

はじめに 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) SklearnのManifold learningの記事を参考にしています． 多様体学習と言われる手法について，sklearnのdigitsサンプルを用いて説明します． 特にt-SNEはKaggleなどでもたまに使用されている，多次元データの可視化に適した手法です． また可視化だけでなく，元のデータと圧縮されたデータを結合することで，単純な分類問題の精度を向上することができます． 目次 データの生成 線形要素に注目した次元削減 Random Proj

はじめに 前回、Chainerの構築方法とMNISTの実行例を紹介しました。 qstairs.hatenablog.com MNISTのようなチュートリアルが実行できただけでは面白くないので、 自分でいろいろ試せられるようになるための方法を勉強していきます。 ということで、 まずは、自分で用意した画像データをChainerで学習できるようにするための下準備について勉強しました。 考え方 Deep Learningの学習に必要なデータといえば、 学習する画像と評価する画像（最悪なくても良いですが）です。 また、学習画像は正解（ラベル）と紐づける必要があります。 よって、 「画像ファイルパス　ラベル」 のリストファイルがあれば学習できることになります。 ソースコード リストファイルを作成するソースコードは以下になります。 前提として、画像データはラベル毎のフォルダに分けられていることとします。

RubyConf 2016で登壇してきた 2016/11/10〜11/12にアメリカのオハイオ州シンシナティでRubyConfというイベントがあって、Ruby DSLによって設定できるCLIツールをRubyインタプリタやgemの存在に依存しないシングルバイナリとして実装するための知見を「Evaluate Ruby Without Ruby」というタイトルで発表してきた。 発表資料 発表動画 RubyConfってどうなの RubyConfはRubyKaigi並に規模が大きいもののあまりRubyのDeepな部分には期待できないカンファレンスなんだけど、当時行ったことがなかったアメリカに行ってみたいという思いがあって去年も参加していた。あと、RubyKaigiとは違った層の海外のエンジニアと話せる *1 のも良い点だと思う。 去年はRubyKaigi 2015で話したものと同じ内容のCFPをRu

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

chainerでAuto Encoder(自己符号化器)を作成し，MNISTの手書き文字を学習させてみた． Auto Encoderは，目標出力を伴わない，入力だけの訓練データを使った教師なし学習により，データをよく表す特徴を獲得し，ひいてはデータのよい表現方法を得ることを目標とするニューラルネットである． (深層学習 (機械学習プロフェッショナルシリーズ) より引用) ここではMNISTの手書き文字2000個を入力とし，1層のhidden layerを通じて，入力と同じイメージに近い画像を出力するニューラルネットワークを作成した． import json, sys, glob, datetime, math, random, pickle, gzip import numpy as np import matplotlib.pyplot as plt import matplotlib.

イマドキのナウいようじょなのでもっぱらNeural networkで遊んでます． Autoencoder（自己符号化器）の話をします． Autoencoder、というよりNeural Net一般の問題でありますが、ネットワークの構造を深くしてゆくと逆伝搬の途中でその勾配が弱まっていってしまって， NNの前段と後段で逆伝搬される勾配が異なってくる勾配消失(Gradient vanishing)という現象が大きな問題となってきます． このへんは青い本に書いてあった気がするのですが高くて買ってないですし、あんまり詳しくないので詳しくは述べません． そのため深いAutoencoderを構成する際には段ごとにその前段からの入力を元に戻すように学習させ、そうして一層ずつ学習させたネットワークを積み上げる(stack)という技法が用いられ、そうして構成されたAutoencoderをStacked Aut

最近早起きした日は北海道神宮・円山公園へリスに会いに行ってます。山のリスと違って人馴れしまくってて自分から足元にやってくるエゾリス。多分エサやってる人がいるんだろうな。こんな至近距離で撮れたのは初めてなので記念にアップ。 近所を散歩してたらリスに囲まれるなんて、北海道ってやっぱりすごい。贅沢。 Variational-AutoEncoder 略してVAEとやらを最近勉強してますが論文・日本語の解説・コードを見ても何がなんだかわからない。わからないんだけど面白そう。 応用例。 http://deeplearning.jp/wp-content/uploads/2014/04/dl_hacks2015-04-21-iwasawa1.pdf http://www.slideshare.net/beam2d/semisupervised-learning-with-deep-generative-

のためのコードを書きました。 やりたいこと 1.スケーラブル/コンフィギュラブルなニューラルネット生成 ニューラルネットでは難しい問題を解かせるためには中間層の数を増やす必要があります、 chainerでは普通は↓こんな風にハードコーディングして層を増やしていきますが、 import chainer.functions as F h1 = F.dropout(F.relu(self.model.l1(x)), train=train) h2 = F.dropout(F.relu(self.model.l2(h1)), train=train) h3 = F.dropout(F.relu(self.model.l3(h2)), train=train) FunctionSet(l1=F.Linear(784, 100), l2=F.Linear(100, 100), l3=F.Linear(

Deep Learningフレームワークの一つであるChainerを用いてStacked Auto-Encoderの処理を実装し、MNIST (手書き文字認識) のデータの分類を試してみました。 なお、本記事はNeural Network (以降NN)、Deep Learning についての基本的な知識、ChainerやPythonについての基本的な知識があることを前提としています。 (2016/03/18 追記・修正) FunctionSet で書いていたソースコードをChainer 1.5 で追加された仕組み「Chain・Link」で書きなおしてみました。以下、通常版として公開しています。 合わせて、全体的に「Chain・Link」使った内容に修正しています。 本記事で作成したソースコードはGithub上に公開しています。 (通常版) https://github.com/ISP-Ka

Pythonなどで使える、DeepLearningの為のパッケージです。今回はPython2.7環境で使いました。Chainerについての解説は公式のドキュメントか他にも解説してくださってるかたがいるので省こうと思います。 今回作りたいもの Chainerを使ったAutoencoderです。 Autoencoderとは 入力信号$x$を受け取った時にそれと同じ入力を返すネットワーク（関数）のことです。今回は簡単のために入力は実数だとして$x\in\mathbb{R}^n$と考えます。 https://en.wikipedia.org/wiki/Autoencoder (絵がわかりやすいと思ったので英語版を乗せます） 当たり前ですが、$f(x)=x$にしたら達成出来るじゃん!!ということになるので、関数$f$に制約を付けます。 具体的には中間層$h=f_1(x)$を作る関数$f_1$とそこか