【書籍紹介】詳解ディープラーニング TensorFlow・Kerasによる時系列データ処理 - HELLO CYBERNETICS
最近発売されたディープラーニングの本。 基礎的な内容から始まり、主にリカレントネットワークを、TensorFlowとKerasによる実装を通して理解していきます。 結論 今回紹介する本 誰におすすめか TensorFlowあるいはKerasを使っていきたいユーザー リカレントネットワークを使いたいユーザー 誰におすすめでないか Chainerを使っていきたいユーザー 既にTensorFlowあるいはKerasを使いこなしている方 本の構成 １章：数学の準備（1〜22ページ） 2章：Pythonの準備（23〜68ページ） 3章：ニューラルネットワーク（69〜140ページ） 4章：ディープニューラルネットワーク（141〜207ページ） 5章：リカレントニューラルネットワーク（209〜249ページ） 6章：リカレントニューラルネットワークの応用（251〜293ページ） 付録（295〜310ページ
Jupyter NotebookでKerasのTraining進行状況を表示する（keras-tqdm） - shobylogy
Jupyter NotebookからKerasを使用すると、Trainingの進行状況がよくわからなくて不便ですよね。 keras-tqdmというライブラリを使うと、Jupyter NotebookでKerasのfitメソッドの進行状態をprogress barで表示してくれます。 GitHub - bstriner/keras-tqdm: Keras integration with TQDM progress bars インストール方法 pipでインストールできます。 pip install keras-tqdm 使い方 modelのfitメソッドを呼び出す際に、callbackとして渡すだけです。 from keras_tqdm import TQDMNotebookCallback model.fit(X_train, Y_train, verbose=0, callbacks=[
ディープラーニング実践入門 〜 Kerasライブラリで画像認識をはじめよう！ - エンジニアHub｜若手Webエンジニアのキャリアを考える！
ディープラーニング実践入門 ～ Kerasライブラリで画像認識をはじめよう！ ディープラーニング（深層学習）に興味あるけど「なかなか時間がなくて」という方のために、コードを動かしながら、さくっと試して感触をつかんでもらえるように、解説します。 はじめまして。宮本優一と申します。 最近なにかと話題の多いディープラーニング（深層学習、deep learning）。エンジニアHubの読者の方でも、興味ある人は多いのではないでしょうか。 しかし、ディープラーニングについて周りのエンジニアに聞いてみると、 「なんか難しそう」 「なかなか時間がなくて、どこから始めれば良いかも分からない」 「一回試してみたんだけど、初心者向けチュートリアル（MNISTなど）を動かして挫折しちゃったんだよね」 という声が聞こえてきます。 そこで！ この記事では、そうした方を対象に、ディープラーニングをさくっと試して感触を
KerasでMNIST - 人工知能に関する断創録
今回は、KerasでMNISTの数字認識をするプログラムを書いた。このタスクは、Kerasの例題にも含まれている。今まで使ってこなかったモデルの可視化、Early-stoppingによる収束判定、学習履歴のプロットなども取り上げてみた。 ソースコード: mnist.py MNISTデータのロードと前処理 MNISTをロードするモジュールはKerasで提供されているので使った。 from keras.datasets import mnist from keras.utils import np_utils # MNISTデータのロード (X_train, y_train), (X_test, y_test) = mnist.load_data() # 画像を1次元配列化 X_train = X_train.reshape(60000, 784) X_test = X_test.reshap
[Python]強化学習(DQN)を実装しながらKerasに慣れる - Qiita
はじめに この記事はいまさらながらに強化学習(DQN)の実装をKerasを使って進めつつ，目的関数のカスタマイズやoptimizerの追加，複数入力など，ちょっとアルゴリズムに手を加えようとした時にハマった点を備忘録として残したものです．そのため，DQNの解説記事というよりも初心者向けKerasTipsになります． 実行環境 Python3.5.2 Keras 1.2.1 tensorflow 0.12.1 DQNとは DQN(DeepQNetwork)がDeepMindから発表されて2年以上経つので，もはやいたる所に解説記事や実装サンプルがあり，ここでの詳しい解説は不要だと思います．が，ざっくり言うと，Q-Learningという強化学習手法のQ関数部分を，深層学習により近似することで、動画像から直接Q値を推定することを可能にした学習手法です． DQNの理論としては ゼロからDeepまで学
![[Python]強化学習(DQN)を実装しながらKerasに慣れる - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/773bd14b547c7947b7dd6fba6003f5d6d71a0135/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJTVEJUU1JUJDJUI3JUU1JThDJTk2JUU1JUFEJUE2JUU3JUJGJTkyJTI4RFFOJTI5JUUzJTgyJTkyJUU1JUFFJTlGJUU4JUEzJTg1JUUzJTgxJTk3JUUzJTgxJUFBJUUzJTgxJThDJUUzJTgyJTg5S2VyYXMlRTMlODElQUIlRTYlODUlQTMlRTMlODIlOEMlRTMlODIlOEImdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPWU2MGY2YjQ3OTUyYzA0ZWE0MzEzYWJiOWQxZTg4OTNm%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB5dWtpQiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9MmUzODc2ZTk3MWM5YTdjNGFlYWUzNWZjMDZhMzcxYjQ%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-44OG44Oz44Kv44O8%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%2523212121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3D0275a3de2a5a242ca538cec406289f2c)
畳み込みニューラルネットワークの可視化 - 人工知能に関する断創録
Deep Learningの学習結果（重み）はブラックボックスで、隠れ層のユニット（特に深い層の！）が一体何を学習したのかがよくわからないと長年言われてきた。しかし、今回紹介する方法を使うとニューラルネットが何を学習したのか目で見える形で表現できる。 畳み込みニューラルネットで学習したフィルタの可視化というと以前やったように学習した第1層のフィルタの重みを直接画像として可視化する方法がある。 しかし、畳み込みフィルタのサイズは基本的に数ピクセル（MNISTの例では5x5ピクセル程度）のとても小さな画像なのでこれを直接可視化しても何が学習されたか把握するのはとても難しい。たとえば、MNISTを学習した畳み込みニューラルネット（2016/11/20）のフィルタを可視化しても各フィルタがどの方向に反応しやすいかがわかる程度だ。 各フィルタが何を学習したかを可視化する別のアプローチとして各フィルタ
SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す - Qiita
リアルタイムに物体検出するのってどうやるんだろう？と思い調べてみたら、想像以上に高機能なモデルが公開されていたので試してみました。こんな感じです。 自動運転で良く見るようなリアルタイムの物体認識をしています。このモデルは「Single Shot MultiBox Detector（SSD）」という深層学習モデルで、Kerasで動いています。 環境さえ整えればレポジトリをクローンして簡単に実行できます。今回はデモの実行方法をまとめてみます。 環境 ちょっと古いiMacにUbuntu16.04を入れたものを使いました。詳しくはこのへんとかこのへんをご参照ください。 深層学習を利用したリアルタイムの物体検出は次々と新しい技術が公開されているようです。ざっと調べたところ、R-CNN、Fast R-CNN、Faster R-CNN…。どれだけ早くなるねん。って感じですが、とにかくどんどん早くなってい
KerasでAV女優の類似画像検索機能を実装する - 大人のAI研究所
本記事はchainerによるディープラーニングでAV女優の類似画像検索サービスをつくったノウハウを公開するの続編になります。 以前の記事では学習したモデルに画像を入力しクラス分類することでどの女優に似ているかを判定していましたが、本記事では全結合層の特徴ベクトルからコサイン類似度を計算し、類似画像を検索します。 また、今回は単純な画像認識では、ChainerよりもKerasの方が使いやすいと感じたため、Kerasを用いて実装をしています。 データ拡張 KerasではImageDataGeneratorを使うことで簡単にデータ拡張することができます。 ランダムに画像を傾けたり、シフトしたりすることで全く同じデータで学習することが少なくなり、過学習しにくくなるといわれています。 また、ZCA whiteningについては以下の資料を参照してください。 データの白色化 - DEEPTONEWor
keras(tensorflow)で花の画像から名前を特定 - Qiita
Convolutional Neural Network (CNN)畳み込みニューラルネットで、 花の画像から名前を特定する実験をしてみる！ はじめに 今回はdocker環境上にプログラムをおいて実施します。 １．環境準備 ２．プログラム ３．実験 プログラムはGitに置いておきます。 環境準備 開発環境 Macbook pro 13 2016 dockerのインストール dockerは以下のサイトからバイナリで簡単にインストールできます。 Minicondaイメージから機械学習環境を構築 機械学習系のパッケージを詰め込んだ、コンパイル済みバイナリをインストールできる conda(Miniconda)での環境構築をします。 ① テンプレートのダウンロード
[Python] Keras-RLで簡単に強化学習(DQN)を試す - Qiita
はじめに 強化学習を試してみたい題材はあるけど、自分でアルゴリズムを実装するのは・・・という方向けに、 オリジナルの題材の環境を用意し、keras-rlで強化学習するまでの流れを説明します。 実行時の環境 Python 3.5 keras 1.2.0 keras-rl 0.2.0rc1 Jupyter notebook 使用するライブラリ keras 簡単にネットワークが構築できると話題のディープラーニングのフレームワークです。 keras-rl kerasを利用して、DQNなどの深層強化学習のアルゴリズムを実装したライブラリです。 対応しているアルゴリズムはこちらを参照。 gitのリポジトリをcloneしてインストールします。
![[Python] Keras-RLで簡単に強化学習(DQN)を試す - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/1389efd7cdf3c337d48dd3f765343dcc52d52626/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJTVEJTIwS2VyYXMtUkwlRTMlODElQTclRTclQjAlQTElRTUlOEQlOTglRTMlODElQUIlRTUlQkMlQjclRTUlOEMlOTYlRTUlQUQlQTYlRTclQkYlOTIlMjhEUU4lMjklRTMlODIlOTIlRTglQTklQTYlRTMlODElOTkmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPWUzZWZiMjRmNjFlMzI0ZTQxODYwNTIzNDhjNTAyNDIy%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBpbm9vcnkmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTkyMzAyMDA3MTFkN2Q1ZjhmMmUzNzJjMTJiMDliOGVi%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dc67c65d490796e3d65a2ee712b12d0f5)
kerasとchainerの違い - HELLO CYBERNETICS
KerasとChainer Keras Chainer 比較 Kerasの役割 Chainerの役割 Kerasでの実装 Chainerでの実装 使い分け Chainerがいいなあ Googleの強さ 使い分け KerasとChainer Keras KerasはTensorFlowあるいはTheanoをバックエンドとして、簡単にニューラルネットを記述することができます。もともとはTheano用でしたが、TensorFlow登場後に対応しました。開発者の中にはGoogleの方もいます。 s0sem0y.hatenablog.com Chainer 日本製の深層学習ライブラリ。 ニューラルネットワークに必要な計算を柔軟に設計できます。行列などの計算としてはNumpy（GPU用にCupy）をしようしており、純粋にPythonで実装されているライブラリです。 s0sem0y.hatenablog
Kerasのノウハウ覚え書き (Keras 1.x.x版) - Qiita
注意：この記事はKeras 1.x.x向けです Keras 2.x.x向けはこちら。 とりあえずマニュアル 見落としがちですが、メニューの下の方にも結構色々重要(?)なものがあります。 コールバック EarlyStopping、各エポックでのモデル保存、学習率の調整、、etc Applications 事前学習済みのモデル 可視化 モデルを画像化してくれるやつ などなど。 読むと楽しいソース Examples だいぶ色々入ってます。VAEとかHRNNとかBidirectional LSTMとか。 事前学習済みのモデル(の実装) 昔はExamplesに入っていた気がするVGGとかResNetとか。 細かいノウハウ(?)やコピペ用コード片など モデルのsave/load モデルのsave/loadは、ググると重みとモデル(json or yaml)を別々に保存したりしている例がよく出てきますが
character-level CNNでクリスマスを生き抜く - Qiita
この記事は Retty Advent Calendar 18日目です。 昨日は@YutaSakataのクリスマスプレゼントにはKotlin1.1が欲しいですでした。 さて、もうすぐクリスマスですが、皆さん一緒に過ごすお相手はおられますか？ 私？私はもちろんいます。この子が。 独りだと酒でも飲みに行きたくなりますよね？ちょっと奮発していい店でしっとり飲むのもいいものです。 ですが、そんなつもりで入った店がリア充どもの巣窟だったらどうでしょう？ せっかくの孤独のグルメタイムが台無しです。 そんな危険な店を事前に避けるため、Deep Learningの力をかりましょう。 用意するもの keras お店の口コミ kerasはtensorflowかtheanoをバックエンドにして動くDeep Learning用のライブラリです。複雑なことをしようとすると結構面倒ですが、大抵のモデルについてはかなり簡
Keras+DQNでリバーシのAI書く - Qiita
冬休みの自由研究 デモもあるよ 動機 この記事を読んで学生時代同じことやってたのが懐かしくなったので この記事を読んだらけっこう簡単にできそうだったので リバーシのルールを学ばせるとかじゃなく純粋に強いAIを目指します。 リポジトリ DQN以前の話題 盤面 盤面は6x6としました。 もともとは8x8でやっていたのですが、モデル、学習データともにそれなりの大きさになるので6x6くらいがお試しにはちょうどよかったです。 というか6x6で偶然うまく行ってこれでいっかってなった AIを用意 学習のための棋譜を大量生成したいので適当なAIを作ります。 今日は完全ランダムとモンテカルロ木探索を作ります。 そしてできたものがこちらになります。 この記事ではMTS(n)でプレイアウト数n回のモンテカルロ木探索のAIを示すものします。 棋譜の生成 こちらで紹介されているNeural Fitted Q Ite
Deep learning × Python - Qiita
今更ではありますが、今年のPythonキーワードの中で外すことはできないのではないでしょうか？ というわけで今年を振り返ってお世話になったDeepLearning系Pythonライブラリを紹介したいと思います。 Keras chainer, tensorflow, mxnetなどいろいろなフレームワークが出てますが、単純にGithubのスター数でみると次の順で人気なようです。(12月25日現在) tensorflow(40959) keras(10509) mxnet(7288) chainer(1910) tensorflow大人気なのが分かりますね。kerasはコード行数が少なくて済むので好きなのですが、tensorflow-slimなども出てきて、今後もtensorflowベースでより簡単に書けるライブラリが出てきそうです。 keras-rl kerasを使ったDeep Reinfo
手のひらスパコンでKeras-Tensorflowを使ってみる - Qiita
この記事は Retty Advent Calendar 20日目です。 昨日は@takumi-suzukiのDNSでバランシングしていたら辛くなった話でした。 ガジェット手当 みなさん、いきなりですがスパコンを持ってますか？ 僕は持っています。 Rettyという会社は、エンジニアには通期で一回「ガジェット手当」という制度があります。 IT機器などを個人的に購入する場合に、業務とか用途関係なく援助してくれる制度です。 だからというわけではありませんが、Rettyでもスパコンを買ってみることにしました。 スパコン買ってみよう！ 皆さんが想像されるスパコンというのはこういうのをイメージされると思いますが、 By 0-0t - 0-0t, GFDL-no-disclaimers, Link やっぱ買うならこういうのが欲しいなと思ったりするのですが、残念ながらまだまだベンチャーのRettyにはこんな
半年ほどKerasを使ってみた感想など - toshiemon18のブログ
※この記事は苫小牧高専 AdventCalendar-2016の5日目の記事です。 はじめに 最近流行りのDeepLearningについての記事を書こうと思います。ただし、理論についてではなく、理論をプログラムに落とし込むためのツールに関するお話です。それも1つのフレームワークに関することなので、比較などではなく自分が使ってみた感想をつらつら書いていきます。 僕は4月から卒業研究でDeepLearningに関する研究をしており、PythonとDeepLearning用フレームワークKeras（バックエンドはTensorflow）な環境で色々コードを書いています。そこで、半年くらいKerasを使ってみていいなと思ったこと、苦しかったことを書こうと思います。テーマはなんでもいいってことだったので、刺さる人が少ないのは申し訳ないですが、この記事がきっかけで機械学習をKeras使って始めてみようみ
Kerasによる畳み込みニューラルネットワークの実装 - 人工知能に関する断創録
前回（2016/11/9）はMNISTの数字認識を多層パーセプトロンで解いたが、今回は畳み込みニューラルネットを使って解いてみた。このタスクもKerasの例題に含まれている。ソースコードを見れば大体何をやっているかつかめそうだけどポイントを少しまとめておく。畳み込みニューラルネットワーク自体の説明は、参考文献に挙げた「ゼロから作るDeep Learning」の7章が非常にわかりやすいのでおすすめ。 ソースコード: mnist.py 4次元テンソルのチャネル位置 畳み込みニューラルネットでは、入力する画像の形状を保つために画像集合を4次元テンソル（4次元配列）、すなわち画像のサンプル数、画像のチャネル数（白黒画像なら1、RGBのカラー画像なら3など）、画像の縦幅、画像の横幅で入力するのが一般的。Kerasでは、4次元テンソルの各次元の位置がimage_dim_orderingによって変わる
KerasでCIFAR-10の一般物体認識 - 人工知能に関する断創録
今回は、畳み込みニューラルネットを使ってCIFAR-10（2015/10/14）の一般物体認識をやってみた。以前、Chainerでやった（2015/11/8）のをKerasで再実装した。 これもKerasの例題に含まれている。このスクリプトでは、データ拡張（Data Augmentation）も使っているがこれはまた別の回に取り上げよう。 ソースコード：cifar10.py CIFAR-10 CIFAR-10は32x32ピクセル（ちっさ！）のカラー画像のデータセット。クラスラベルはairplane, automobile, bird, cat, deer, dog, frog, horse, ship, truckの10種類で訓練用データ5万枚、テスト用データ1万枚から成る。 まずは描画してみよう。 import numpy as np import matplotlib.pyplot a
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
Keras.js - Run Keras models in the browser