Firebase ML Kitで自作のカスタムモデルを使って料理・非料理画像を判定できるようにした - クックパッド開発者ブログ
会員事業部の山下(@farmanlab)です。 Androidエンジニアとしてクックパッドアプリの開発を担当しています。 今回はGoogle I/O 2018で新しく発表されたML Kitをクックパッドのデータで学習したモデルを使って検証した話をします。 機械学習モデルの利用にあたって、研究開発部の菊田(@yohei_kikuta)の協力の元で検証を行いました。 これからお話する内容がイメージしやすいよう、 クックパッドの料理・非料理を判別するモデルを動かした実機デモをお見せします。 これは料理と判定された確率がfood、料理ではないと判定された確率がnon-foodというラベルのスコアで表示されているデモです。 (非)料理画像において(non-)foodのラベルのスコアが大きくなり正しく判別できていることが分かります。 モデルは MobileNetV2 tensorflow-gpu==1
TFX: A TensorFlow-Based Production-Scale Machine Learning Platform
TFX: A TensorFlow-Based Production-Scale Machine Learning Platform Denis Baylor, Eric Breck, Heng-Tze Cheng, Noah Fiedel, Chuan Yu Foo, Zakaria Haque, Salem Haykal, Mustafa Ispir, Vihan Jain, Levent Koc, Chiu Yuen Koo, Lukasz Lew, Clemens Mewald, Akshay Naresh Modi, Neoklis Polyzotis, Sukriti Ramesh, Sudip Roy, Steven Euijong Whang, Martin Wicke, Jarek Wilkiewicz, Xin Zhang, Martin Zinkevich Googl
TensorFlowで学習したモデルを使ってiOS/Swiftで実行する - Qiita
最近 Qoncept では TensorFlow を使った案件が続いており、その中で TensorFlow を iOS 上で使いたいことがありました。 ぱっと浮かんだ選択肢は次の二つでした。 TensorFlow を iOS 用にビルドして C++ の API を Swift から叩く 学習は TensorFlow / Python で行って、テンソルの計算だけを iOS / Swift でシミュレーションする しかし、前者ついては、まだ TensorFlow を iOS 用にビルドできなさそうでしたしできるようになりました（コメント参照）、たとえできたとしても C++ の API を Swift から叩くのは辛そうです。 TensorFlow がありがたいのは学習時の自動微分等の機能であって、学習済みのモデルを利用するときはただテンソルの計算をしてるだけです。別に学習を iOS 上でやり
Show and Tell: image captioning open sourced in TensorFlow
Posted by Chris Shallue, Software Engineer, Google Brain Team In 2014, research scientists on the Google Brain team trained a machine learning system to automatically produce captions that accurately describe images. Further development of that system led to its success in the Microsoft COCO 2015 image captioning challenge, a competition to compare the best algorithms for computing accurate image
ニューラルネットワークでプロ野球選手の給与を査定してみる - Qiita
概要 TensorFlowでニューラルネットワークを使い、94人のプロ野球投手の年間の成績から年俸を推定してみます。 訓練データとして89人の成績と年俸を使い、残りの5人の選手の年俸をどれだけ精確に推定できるかを検証します。 注：この記事は選手の年俸についての意見を述べるものではなく、検証の結果はいかなる選手の年俸の不当性を訴えるものでもありません。 入力 以下の33種類のデータを入力として取り扱います。 球団(12個のOne-Hot Vector) 防御率 出場試合数 勝利数 敗北数 セーブ ホールド 勝率 打者 投球回数 被安打 被本塁打 与四球 与死球 奪三振 失点 自責点 WHIP DIPS 所属年数 年齢 国内選手 or 国外選手 各データは最小0、最大1の値を取るように正規化しました。 94人の選手のうち89人のデータを訓練データとして、残りの5人の選手のデータをテストデータと
TensorFlowで回帰をやってみる - Qiita
TensorFlowが出てきたのでMNIST以外で学習をやらせてみました。 回帰を行って相関をだしていきます。 (追記)データ数に対して中間層の出力が多すぎたため中間層の値を修正しました。 概要 使うデータはdiabetes weightやbiaseはかなり適当に設定しています。 ソースコード import sklearn import tensorflow as tf from sklearn import datasets import numpy as np diabetes = datasets.load_diabetes() #データをロード print "load diabetes data" data = diabetes["data"].astype(np.float32) target = diabetes['target'].astype(np.float32).res
TensorFlowでアニメゆるゆりの制作会社を識別する - kivantium活動日記
ついにガロアが死んだ年齢を超えてしまったことに気がつき、自分がまだ何も成し遂げていないことを悲しく思う今日このごろです。 さて、今日はGoogleが出した機械学習ライブラリのTensorFlowの使い方について軽く説明しつつ、ゆるゆりの制作会社の識別を行おうと思います。 TensorFlowとは TensorFlowはGoogleが11/9に公開したApache 2.0ライセンスで使える機械学習ライブラリです。Googleは様々なところでプロダクトに機械学習を活用していますが、TensorFlowは実際にGoogle内部の研究で使われているそうです（TensorFlow: Google 最新の機械学習ライブラリをオープンソース公開 - Google Developer Japan Blog）。 Googleのネームバリューは恐ろしいもので、GitHubのStar数はすでにChainerやC
TensorFlow 畳み込みニューラルネットワークで手書き認識率99.2%の分類器を構築 - Qiita
TensorFlowとは2015/11/9にオープンソース化されたGoogleの機械学習ライブラリです。この記事ではディープラーニングと言われる多層構造のニューラルネットワークをTensorFlowを利用して構築しています。 TensorFlowはPythonから操作できますがバックエンドではC++で高速に計算しています。macのPython2.7系環境でTensorFlowの上級者用チュートリアルを行い、手書き認識率99.2%の多層構造の畳み込みニューラルネットワークモデルの分類器を構築したときの作業メモです。特別な設定なしにCPU使用率270%メモリ600MByteとちゃんと並列計算してくれました。MNISTランキングを見ると認識率99.2%は上位のモデルとなるようです。 TensorFlowチュートリアル TensorFlowの初心者用と上級者用チュートリアル2つに取り組んでみました
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
TFX | ML Production Pipelines | TensorFlow