Google Colaboratoryを使えば環境構築不要・無料でPythonの機械学習ができて最高 - karaage. [からあげ]
Google Colaboratoryが便利 最近、Google Colaboratoryがちょっと気になっていたのですが、タダケン (id:tadaken3)さんの以下記事に分かりやすく使い方が書いてあったのをきっかけに試して見ました。 結論から言うと、これ良いですね。Google Colaboratoryには以下の特徴（利点）があります。 ローカルPCに必要なのはブラウザ（Google Chrome）のみ クラウド上にPython環境がありPython2/3 両方使える 機械学習に必要なライブラリは、ある程度プリインストールされている（numpy, matplotlib, TensorFlow等） 必要なライブラリは !pip installでインストールできる 日本語フォントも（ちょっと工夫すれば）使える 無料で使える。なんとGPUも12時間分を無料で使える！ これ死角無さすぎでは…
![Google Colaboratoryを使えば環境構築不要・無料でPythonの機械学習ができて最高 - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/12d034f86e09df35a63668f147c936d96829c380/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20180317%2F20180317160922.png)
Deep Learningで「いらすとや風人間画像生成モデル」を作った話（DCGAN、Wasserstein GAN） - ぬいぐるみライフ？
フリー素材サイト「いらすとや」に出てくる人間風の画像を自動生成するモデルをDeep Learningで作りました。実装にはGoogle製のライブラリ「TensorFlow」と機械学習アルゴリズムの「DCGAN」「Wasserstein GAN」を用いています。 以下は生成された人間画像のうちそれなりにきれいなものの一例です。頬のところが赤くなっていて何となく本家いらすとやの特徴を捉えられていると思います。 「いらすとや」とは？ 実装した手法の概要 DCGAN、Wasserstein GANについて Generator Discriminator GeneratorとDiscriminatorの学習 学習や実装の詳細 Generator、Discriminatorのネットワーク構成やパラメーター 訓練データ その他 学習経過 モデルを検証する 入力にバイアスを掛けていい画像を出やすくする ま
Python Programming Tutorials
Intro to Machine Learning with Scikit Learn and Python While a lot of people like to make it sound really complex, machine learning is quite simple at its core and can be best envisioned as machine classification. Machine learning shines when the number of dimensions exceeds what we can graphically represent, but here's a nice 2D representation of machine learning with two features: The above imag
DeepMind の深層学習ライブラリ Sonnet を早速試してみた - ディープラーニングブログ
どうも，Ryobot です．夜桜を眺めながら酒を呑みたい季節になって参りました． 追記 4/19 DeepMind から Differentiable Neural Computers の Sonnet 実装 が公開されました．今後も PathNet や Elastic Weight Consolidation 等の実装が公開されることを期待したいですね． Sonnet は 4月 7日に公開されたばかりの DeepMind 謹製の深層学習ライブラリである．もともと DeepMind の社内で使用されていた TensorFlow のラッパーライブラリだったが，論文の実装を共有しやすくするためにオープンソースとして公開したようだ．Sonnet の最たる特徴として再利用可能なモジュールを複数回接続して計算グラフを構成することが挙げられる．Sonnet は TensorFlow Core の関数や
オブジェクト認識学習におけるポジティブ画像とネガティブ画像について - 酢ろぐ！
ポジティブ画像のことを 正解画像 、ネガティブ画像のことを 不正解画像 と呼んでいる方もいます。 OpenCVのオブジェクト認識について、あまり日本語で書かれている記事を見かけないので、いろんな場面で英語で検索することがあると思います。そのような時には、それぞれPositive Image、Negative Imageで検索してみてください。 ポジティブ画像 検出させたいオブジェクトを含む画像 ネガティブ画像 検出させたいオブジェクトを含まない画像 永田雅人さんが書かれた「実践OpenCV」によれば、実用的な精度の検出を実現するためには、ポジティブ画像が7,000枚、ネガティブ画像が3,000枚必要と言われています。 ネガティブ画像を用意する Googleの画像検索からダウンロードしたりして画像を集めると良いらしいです。 ポジティブ画像を用意する opencv_createsamplesを
取り急ぎpix2pixで遊んでみた(追記あり) - Qiita
概要 先日発表されたpix2pixが楽しそうだったので実際に動かしてみた。 対象を絞れば学習画像が500枚程度でもそれなりに動く。 結論：GANすごい。 はじめに pix2pixとは、ざっくりと言えば、2画像間に潜む画像変換をDNNで表現してしまおう！というものです。変換前後の画像さえ用意できれば大体どんな変換でも対応可能らしく、例えば以下のようなことが可能らしいです。 航空写真 → 地図画像 モノクロ画像 → カラー画像 線画 → カラー画像 (上記すべて逆も可能) 何やら万能っぽい雰囲気！素晴らしいことにコードが公開されている（torchだけど）！しかも自前画像でも簡単に試せそう！ ということで試してみました。 データ flickrから収集したラーメン画像(1,000枚)を使用。多少のゴミは無視で。公式のソースコードに合わせて、各画像を中心でクロップ＆リサイズしておき、学習画像と評価画
Image-to-Image Demo - Affine Layer
Recently, I made a Tensorflow port of pix2pix by Isola et al., covered in the article Image-to-Image Translation in Tensorflow. I've taken a few pre-trained models and made an interactive web thing for trying them out. Chrome is recommended. The pix2pix model works by training on pairs of images such as building facade labels to building facades, and then attempts to generate the corresponding out
@garicchiが開発した画像認識の学習支援ツール「OM」がGitHubで公開されました - 酢ろぐ！
「ポジティブ画像の手動マークアップツールの構想案 - 酢ろぐ！」で無茶振りして@garicchiに作成していただいた「OM」がGitHubで公開されました。 -GitHub - garicchi/OM: [WPF][C#][Project]酢酸先生の依頼により作られた画像の座標指定ソフト 上記でも書いていますが、オブジェクト分類器の作成の過程でポジティブ画像を大量に用意する必要があります。僕が想定している使い方としては、写真や画像から検出したいオブジェクトを矩形で指定することを想定しています。 **OMの使い方 アプリを起動させます。基本的なUIは以下の通りです。見ての通りシンプルな作りとなっており、MetroUIの思想を引き継いだ誰でも迷わず操作できることを目指しています。 +[開く]ボタンをクリックして、対象となる画像がたくさん入ったディレクトリを指定する +検出対象のオブジェクトが含
例の機械学習コースが良いらしいと知りながらも2年間スルーし続けたがやはり良かったという話 - Qiita
先日、オンライン学習サイトCourseraの"Machine Learning"コースを修了しました。これが最高に勉強になったわけですが、機械学習に興味があって情報収集を始めてる人にとって、「Courseraの機械学習コースがおすすめですよ」という話は 「はい、知ってます」 という感じではないでしょうか。 （たとえば、Qiitaで検索してみると、以下のような同コースに関連する超人気記事が出てきます） 数学を避けてきた社会人プログラマが機械学習の勉強を始める際の最短経路 - Qiita 機械学習をゼロから1ヵ月間勉強し続けた結果 - Qiita 僕もそんな感じで、幾度となく人や記事に同コースを薦められたりしつつ、たぶん2年ぐらいスルーし続けてきたと思います。 しかし約2ヶ月前、ひょんなきっかけから本講座を始めてみて、やはり評判通り最高だったと思うと同時に、僕と同じような感じでこのコースが良い
線画着色webサービスPaintsChainerを公開した - Qiita
http://paintschainer.preferred.tech こちらに先月記事にした線画の着色のデモを公開しました！！ 反響の大きかった皆さんに試していただけます！！（ちょっと期待値が上がり過ぎてないといいですがｗ） http://qiita.com/taizan/items/cf77fd37ec3a0bef5d9d 以前の記事『初心者がchainerで線画着色してみた。わりとできた。』はこちら。 ⇓そしてこちらがもじゃくっきーさんの使用例になっております。 GPUを使っている関係上アクセスが集中したりすると遅くなったりサーバーが落ちたりする可能性もありますが、生暖かく見守っていただければと思います。←たくさんの方に広まったこともあって、めっちゃ重くなっています。ぐぬぬぬ 画面はこんな感じっす。 線画ファイルを選択するととりあえず自動で塗ってくれます。 ※ただし、現状ではgifや
Sketch Simplification・ラフスケッチの自動線画化
Neural Network-based Sketch Simplification全層畳込みニューラルネットワークによるラフスケッチの自動線画化 Edgar Simo-Serraシモセラ エドガー*, Satoshi Iizuka飯塚里志*, Kazuma Sasaki佐々木一真, Hiroshi Ishikawa石川博 (*equal contribution筆頭著者に相当) Project Siteプロジェクトサイト Regarding this service本サービスについて We provide a service to use AI to clean rough sketches based on "Learning to Simplify: Fully Convolutional Networks for Rough Sketch Cleanup" [Simo-Serra
Microsoft - Official Home Page
Situs Slot Gacor Terpercaya di Indonesia - Panduan Lengkap 1. Pendahuluan tentang Situs Slot Gacor Dalam dunia perjudian online, "situs slot gacor" telah menjadi fenomena yang tidak bisa diabaikan. Istilah "gacor" sendiri berasal dari bahasa gaul Indonesia yang berarti "lagi beruntung" atau "lagi hoki". Dalam konteks ini, situs slot gacor merujuk pada situs permainan slot online yang sering member
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
Chainer: A flexible framework for neural networks
http://www.udp.jp/SC/docs/
IkaLog: Data Collector for Splatoon� and Machine Learning� (Jan 2017 @ Softbank)