自作しているChainer GUIクライアントを、画像分類に対応させました - verilog書く人
以前ブログで発表した、chainerの自作GUIクライアント、ほそぼそと開発進めています。 画像分類対応に意外とかかってしまった。 GitHub - fukatani/ChainerWing: GUI deep learning IDE based on chainer. 今までどおり、GUI上で、ドラッグアンドドロップでネットを構築します。 GUI上でデータオーグメンテーションの設定もできます。プレビューも確認できる。 サンプルプロジェクトの使い方はこちらをご覧ください。 ChainerWing/examples/image_classification at master · fukatani/ChainerWing · GitHub バグはわんさかあると思われる。
エイプリルフールなので、chainerのGUIクライアントを作った。 - verilog書く人
GitHub - fukatani/ChainerWing: GUI deep learning IDE based on chainer. ※一応動きます。 こんな感じ。 ぽちぽちやってるとニューラルネットが組みあがります。chainerベースです。 めちゃ機能が少ないですが、今後充実する予定。たぶん。 インストール pip install chainer --pre pip install cupy pip install pyqt5 git clone https://github.com/fukatani/ChainerWing.git cd ChainerWing python setup.py install いまんとこPython3.5、chainer 2.0.0 a1のみサポート。Python3.4は今後サポート。きっと。 MNIST https://github.com/
物体検出用の画像アノテーション正解データ生成に便利なツール - verilog書く人
RCNN (Regional Convolutional newral networks)などの機械学習モデルを使って画像から物体検出するには、"どこ"に"なにが"あるのか、すなわちバウンディングボックスの四角の座標(x, y)および正解ラベルが画像とセットで必要となります。 10000枚単位の画像が欲しい場合、自力で集めるのは大変なので、Pascal VOCのようなコンペで公開されている過去のトレーニング用データセットを流用しますが、それだけでは足りなかったり、自分が検出したい物体がなかったりします。 そんなときにPascal VOCに存在しない正解データを自分で追加して、一緒に学習させたい場合は、Pascal VOCのデータセットと同一形式のアノテーションデータを用意すると一緒に処理できて便利です。 例えばこの画像だと、黄枠のバウンディングボックスの中に車と人間がいます。 これがPas
chainerにコミットして学んだこと、学ばなきゃいけないと感じたこと - verilog書く人
先日大型OSSへのコミットという自分の中での一つの目標を達成することができました。 といってもまだまだ変更は小規模ですが、小さなコミットでも考えさせられる事があって収穫は大きく楽しいので習慣にしたいと思ってます。 コードレビューも丁寧にやっていただけるし。 でも、レビューで指摘を受けずに一発マージを目指したいんよ～。 以下にOSSにスムーズにコミットするうえで押さえるべきポイント(と私が勝手に思っているもの)をまとめておきます。 コントリビューションしたいOSSを決める コントリビューションガイドを読む コミットする内容を決める コミットすることを宣言する githubの使い方をよく理解しておく プロジェクトのコード(テスト、docstringも含めて)をよく読む 既にクローズ済のPRで、議論が活発にされているものをちょっと読んでみる 教科書を読む 最後にもう一度チェック、自戒をこめて コ
numpyやchainerでのベクトル、行列、テンソルの積関連演算まとめ - verilog書く人
年末年始にテンソル積と格闘しわけがわからなくなったのでメモ。 numpyのいわゆる積と呼ばれるAPIには、 numpy.multiply, numpy.dot, numpy.vdot, numpy.inner, numpy.cross, numpy.outer, numpy.matmul, numpy.tensordot, numpy.einsumとまあ結構たくさんあります。 特にnumpyについてまとめますが、chainerやtensorflowで同名のAPIが存在する場合、numpyと同じインターフェイスで設計されていますのでほぼ同じ計算をします（はずです）。 コンテンツ 要素ごとの積(*,numpy.multiply) ベクトルの積(numpy.dot, numpy.vdot, numpy.inner, numpy.cross, numpy.outer) 行列積(numpy.matm
chainerで作ったDeep Learningモデルのハイパーパラメータチューニングを自動化してみる - verilog書く人
ディープラーニングは各層の種類、活性化層の種類、オプティマイザの種類、オプティマイザのハイパーパラメータ、などなどたくさんあり、 手で最適化していくのは大変です。 そんなとき、 1. グリッドサーチ:パラメーターの候補の組み合わせパターンを全て調べる。 2. ランダマイズドサーチ:パラメーターの候補の組み合わせパターンを全て調べる。 3. その他賢いアルゴリズム系のサーチ:ベイジアン最適化、Tree-structured Parzen Estimator Approach(hyperopt) といった、ものが使えます。 グリッドサーチはハイパーパラメータが少ない機械学習アルゴリズムでは有効ですが、ディープラーニングではあまりおすすめしません。実際には2.か3.を選ぶことになります。 賢い系のアルゴリズムはより有望そうなパラメータを試そうとしてくれます。 今回はhyperoptを使った例を書
chainerで気軽にスケールできる事前学習器付きニューラルネット生成 - verilog書く人
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(
【機械学習】スタッキングのキホンを勉強したのでそのメモ - verilog書く人
そもそもスタッキングとは 機械学習において、単一の学習器をそのまま使うのではなく、複数の学習器を組み合わせることで、予測エラーを小さくする手法をアンサンブル学習といいます。 アンサンブル(混合学習手法の)には複数の学習器の平均や多数決を取るvoting、構成済の学習器の誤りを反映して次段の弱学習器を形成するboosting、そして初段の学習器の出力結果を次段の入力結果とするstacking(以下スタッキング)とよばれるものがあり、Kaggleなどのデータ分析コンペでは良く使われます。 今回はスタッキングについて勉強したので、それをまとめてみました。 おもにKaggle Ensembling Guide | MLWaveを参照しています。 スタッキングの手順 まず、教師付き学習が前提となっており、入力データXとその正解データYを用意します。スタッキングではステージ0とステージ1の二段階の学習
SOINNで手書き数字MNISTをクラスタリングしてみた - verilog書く人
最近ちょいちょいニュースで見かけるようになったSOINN株式会社の機械学習アルゴリズムSOINNを試しました。 コードはこちらのtrain_mnist.pyです SOINNとはSelf-Organizing Incremental Neural Network（自己増殖型ニューラルネットワーク)の略で、クラスタリング(データ群の中から、近しいもののグルーピングを行う)などに使われる機械学習アルゴリズムです。 ニューラルネットといっても、パーセプトロンのようにバックプロパゲーションで学ぶのではなく、k近傍法のように各データ点の距離を使って学習します。 特徴として ・教師なし学習 ・古いクラスタは適宜破棄されるのでオンライン学習に強い ・計算量が少ない ・事前にネットワークの構造を決定しなくて良い ・ノイズ耐性 といった点が上げられるようです。学術的なところはこちら参照。 実験 今回の実装はこ
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
