Fully Convolutional Networks 〜 Chainerによる実装 再考1 〜
in English はじめに 先のページで、簡易化したFully Convolutional Networks（FCN）を Chainer を使って実装した。残念ながら、その精度は文献のものより低かった。今回以下の改良を行ったところ、格段に精度は向上した。 FCNのソースはCaffeである。CaffeにはCropLayerなる層が実装されており、FCNはこれを利用している。Chainerにはこれに相当するものがないが、chainer.functions.deconvolution_2dのoutsizeという引数を利用すれば同じような効果が得られることが分った。この関数の利用により、任意サイズの画像を受け付けることができるようになった。従って、入力画像に対しては何も手を加えていない。前回は$224\times 224$にリサイズしたのであった。 ラベルの情報を持つ画像（ラベル画像）はRGB
Fully Convolutional Networks 〜 Chainerによる実装 〜
in English はじめに 先のページで Chainer を用いてシーン認識を行った。今回は、簡略化した Fully Convolutional Networks（FCN） を Chainer を使って実装してみる。（ここに追記した。) 計算機環境 これまでと同じく、Amazon EC2 にある g2.2xlarge を利用した。GPU を搭載したインスタンスである。 データセット 今回使うデータセットは VOC2012 である。以下のような領域分割用の教師データも含まれている。 領域分割の教師データの数は2913枚、これを4:1に分割し、前者を訓練データ、後者をテストデータとした。 number of train number of test 2330 580 訓練データ数は10で、テストデータ数は5で割り切れるように端数を切り捨てた（それぞれ訓練時のミニバッチサイズである）。文献の
LSTMによる正弦波の予測 〜 Chainerによる実装 〜
はじめに 「RNNにsin波を学習させて予測してみた」ではTensorflowを使って、「深層学習ライブラリKerasでRNNを使ってsin波予測」ではKerasを使って、RNNによる正弦波の学習・予測が行われている。ここでは同じことをChainerを使って実装する。 ネットワークの構造 実装は以下の通りである。 -- lstm.py -- コンストラクタの引数の意味は以下の通り。 引数名 意味 デフォルト値 in_units 入力層のユニット数 1 hidden_units 隠れ層のユニット数 2 out_units 出力層のユニット数 1 隠れ層の各ユニットはLSTM（Long Short Term Memory）、損失関数は2乗平均誤差である。in_unitsとout_unitsは1に固定し（実数値を1つ受け取り実数値を1つ返す）、hidden_unitsの値を変えた時の精度の変化を
Fully Convolutional Networks 〜 Chainerによる実装 再考2 〜
はじめに 先のページで、fcn32sを Chainer を使って実装した。今回は、fcn32sの訓練済みモデルを使って、fcn16sの学習を行う。 学習曲線 最初に学習曲線を示す。 Accuracy 今回はEpoch60回で打ち切った（かろうじて収束していないように見えるが課金量の関係である）。テスト画像の正解率は94%程度となり前回の92%より向上した。このあとfcn8sを行うことになる。 計算機環境 前回と同じく、Amazon EC2 にある g2.2xlarge を利用した。GPU を搭載したインスタンスである。今回もミニバッチ処理ができないので1枚ずつ学習する。 データセット 訓練画像、テスト画像ともに前回と全く同じである。 ネットワークの構造 ネットワークの構造は以下の通りである。 前回と同じである。上記の表では224$\times$224の正方形画像を想定してその1辺の長さだけ
ec2にnvidia dockerを導入しtensorflowを動かす手順
はじめに ec2にnvidia dockerを導入しtensorflowを動かす手順を示す。 使用したインスタンス ubuntu/images/hvm-ssd/ubuntu-trusty-14.04-amd64-server-20160114.5 - ami-a21529cc システムのアップデート gccなどのインストール nouveauをブラックリストに追加 以下を/etc/modprobe.d/blacklist-nouveau.confに記載する。 以下を/etc/modprobe.d/nouveau-kms.confに記載する。 以下で上記の設定を反映させる。 再起動 nvidia driver のインストール 参照先 [追記：2016/12/04] 上記のドライバのバージョンは古いので以下をインストールした方が良い。 再起動 dockerのインストール ここを見てdockerを
Chainer によるシーン認識
in English はじめに 先のページで Caffe を使ったシーン認識（15分類問題）を試みた。今回は、Caffe の学習済みモデルを Chainer を使って Fine-Tuning することにより同じシーン認識を行ってみる。 計算機環境 これまでと同じく、Amazon EC2 にある g2.2xlarge を利用した。GPU を搭載したインスタンスである。 データセット 先と同じ LSP15 を利用する。このデータセットは15個のディレクトリから構成されている。 MITcoast MITforest MIThighway MITinsidecity MITmountain MITopencountry MITstreet MITtallbuilding bedroom CALsuburb industrial kitchen livingroom PARoffice store
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
