Kerasで複数の情報を入力して、途中で結合する方法を紹介します。 この方法は、例えば以下のように画像とテキストを使って予測モデルを作る場合などに有効です。リンク先参考。 ImageDataGeneratorを使いつつ統合する方法は、記事「KerasのImageDataGeneratorを使いつつ複数Input統合モデル」を参照ください。 処理概要 以前、記事「【Keras入門(1)】単純なディープラーニングモデル定義」で紹介した以下の図の配列dataを2つに分解して統合するモデルにしてみます。 処理プログラム プログラム全体はGitHubを参照ください。 ※なぜか直接GitHubで見られずに、nbviewerなら参照できました。nbviewerにhttps://github.com/YoheiFukuhara/keras-for-beginner/blob/master/Keras09_

はじめに カブクで機械学習エンジニアをしている大串正矢です。今回は複数時系列データを1つの深層学習モデルで学習させる方法について書きます。 背景 複数時系列データは複数企業の株価の変動、各地域における気温変動、複数マシーンのログなど多岐に渡って観測できます。この時系列ごとにモデルを用意して管理するとなると学習、運用において多大なるコストがかかってしまいます。1つのモデルで複数の時系列を管理できれば運用が楽になるだけでなく、学習も1度で済むのでトライアンドエラーの工数も大幅に削減できます。 本記事ではそのために実現可能な2つの手法を紹介します。 Kerasで複数の時系列データを深層学習モデルで学習させる手法には2つあります。 複数入力型の深層学習モデル 個別入力型の深層学習モデルの組み合わせ 1の手法の利点はモデルがシンプルなので学習と予測が2の手法に比べ高速になります。 2の手法の利点は時

単変量の時系列はkerasでもよく見るのですが、株価や売上などを予測する時などには複数の要因が関わってきますので、今回は複数の時系列データを使って予測してみました。 ソースの紹介 コード 「MACHINE LEARNING MASTERY」で紹介されているコードを基本に、多変量対応にしました。 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras jupyterで見れるコードの全貌はこちら https://github.com/tizuo/keras/blob/master/LSTM%20with%20multi%20variables.ipynb データ サンプルデータは以下から拝借しました。一番左のice_salesを予測します。 アイスクリームの売れ方 ice_sales yea

時系列データ解析の為にRNNを使ってみようと思い，簡単な実装をして,時系列データとして ほとんど，以下の真似ごとなのでいいねはそちらにお願いします． 深層学習ライブラリKerasでRNNを使ってsin波予測 LSTM で正弦波を予測する CHANGE LOG 2020/07/12 Sequenceの長さを25 → 50で再学習させた場合を追記 ライブラリをスタンドアロンKeras → Tensorflow.kerasに変更 ライブラリ from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation from tensorflow.keras.layers import LSTM from tensorflow.keras.optimizers impor

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに 前回 は Python で作成したモデルに対して C++ で学習を行うところまで説明しました。 今回は，学習したモデルの freeze と推論処理の実行を行いたいと思います。 今回作成したコードは前回同様 github に置いてあるので、詳細はこちらをご確認ください。 実行環境 （前回と同じです） Windows Python 3.6 keras 2.2.4 tensorflow 1.10.0 Visual Studio 2015 なお、Python と C++ で使用する TensorFlow のバージョンは揃えていないとエラーが発生する場合があるようです。 C++ 用の tensorflow.dll はこちらのサイトからダウンロードしました。 - GitHub - fo40225/tensorflow-windows-wheel: Tensorflow prebuilt bi

(2020/03/19) 以下のオリジナルの内容はTensorFlow 1.xを対象としています。TensorFlow 2.x系で異なる点が出てきましたので、加筆しました。 はじめに TensorFlowのTensorって何だっけ？名前が難しそうで関わりたくない？ というときには、numpyと対比しながら押さえていくと分かりやすいです。 自分なりの理解をまとめてみます。 Tensorって何？ 行列、ベクトル、数値などを一般化したデータです。多次元配列のイメージでよいでしょう（0次元の配列というのは考えにくいですが）。 これだけならnumpyのndarrayと変わりませんが、Tensorに対する操作は記号的な操作であって、実際の計算はモデルを学習する時など必要になったときに初めて行われます。(*) そのため、 Tensorオブジェクトに具体的な値は入っていない。データの形状（行列のサイズとか

はじめに この記事は、前回の続編です。 導入部分は前回を参照いただければと思います。 前回はSimpleRNNを 今回は、LSTMを使ってモデルを作ります。 １）モデル構築 学習データの作成部分は前回と同じなので割愛します。 今回は、LSTMクラスを使うので、モデル構築部分は下記のようになります。 （SimpleRNNがLSTMになっただけ） model = Sequential() model.add(InputLayer(batch_input_shape=(None, maxlen, in_out_dims))) model.add( LSTM(units=hidden_dims, return_sequences=False)) model.add(Dense(in_out_dims)) model.add(Activation("linear")) model.compile(l

はじめに この内容は、自身の知識の整理が主な目的です。 実装した内容は、公式ドキュメントや色々な人の実装例を参考にしていますが、 なにぶん、知識不足により間違った理解があるかもしれません。。 その時は、遠慮なくご指摘頂けると幸いです。。 環境： python 2.7.13 Keras 2.0.7 theano 0.9.0 scikit-learn 0.18.2 やること RNNのシンプルな例を使って、Kerasでの実装方法を学ぶ。 Kerasでの簡単なRNNの実装例はCNNと比べて少なかったので、（ここくらい？） 自分で例を作ってみようと思いました。 やることは、Peter's notesの例とほとんど同じですが、 可変長の数字の並びを入力として、その総和を出力とします。 例） no 入力(X) 出力(y)

前提として、以下の記事ようにTensorFLowSharpの導入が済んでいること。 C#でTensorFlowを動かす。 直接、C#のコードでグラフを作成しようとしたが、どうやら先人たちはPython上でグラフを書き、学習モデルを作成後、それを他の言語上で読み込んでいる。 モデルを読み込む際に、Android（Java）やC++上でも同様であるが、チェックポイント(シリアル化された変数)のエクスポートデータを直接読込むことはできないので、プロトコルバッファ(シリアル化されたグラフ)にチェックポイントをマージしなければ使うことができない。つまり、変数の状態をもつプロトコルバッファを作成する。 グラフとテンソルデータの両方を出力するためには、VariablesをConstantに変換後、再度グラフを作成してProtocolBuffersファイルとして出力する必要がある。 方法としては、2つあり

import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(opti

回帰：燃費を予測する コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 回帰問題では、価格や確率といった連続的な値の出力を予測することが目的となります。これは、分類問題の目的が、（たとえば、写真にリンゴが写っているかオレンジが写っているかといった）離散的なラベルを予測することであるのとは対照的です。 このノートブックでは、古典的な Auto MPG データセットを使用し、1970 年代後半から 1980 年台初めの自動車の燃費を予測するモデルを構築します。この目的のため、モデルにはこの時期の多数の自動車の仕様を読み込ませます。仕様には、気筒数、排気量、馬力、重量などが含まれています。 このサンプルではtf.keras APIを使用しています。詳細はこのガイドを参照してください。 # Use seaborn for pairplot. pip install

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに TensorFlow2 + Keras を利用した画像分類（Google Colaboratory 環境）についての勉強メモ（第6弾）です。題材は、ド定番である手書き数字画像（MNIST）の分類です。 TensorFlow2 + Keras による画像分類に挑戦 シリーズ 1. とりあえず動かす 2. 入力データを詳しくみてみる 3. MNISTデータを可視化してみる 4. 学習済みモデルで予測させてみる 5. 分類に失敗する画像を観察してみる 6. 自分で用意した画像の前処理・分類をしてみる 7. 層タイプ・活性化関数について理解する 8. 最適化アルゴリズムと損失関数を選択する 9. モデルの学習、セーブ＆ロードをしてみる 前回は、あらかじめ MNIST で用意されている手書き数字イメージを使って予測（分類）を行ないました。今回は、自分で用意した画像を使って、学習済みにモデル

はじめに TensorFlow2 + Keras を利用した画像分類（Google Colaboratory 環境）についての勉強メモ（第1弾）です。題材は、ド定番である手書き数字画像（MNIST）の分類です。 TensorFlow2 + Keras による画像分類に挑戦 シリーズ 1. とりあえず動かす 2. 入力データを詳しくみてみる 3. MNISTデータを可視化してみる 4. 学習済みモデルで予測させてみる 5. 分類に失敗する画像を観察してみる 6. 自分で用意した画像の前処理・分類をしてみる 7. 層タイプ・活性化関数について理解する 8. 最適化アルゴリズムと損失関数を選択する 9. モデルの学習、セーブ＆ロードをしてみる 具体的には、次のような**「0」から「9」までの手書き文字を取り込んだ画像**（28x28pixel）を対象に、 それぞれの画像が**「0」から「9」のど