はてなブックマーク

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

最近寒いですね。そういうときは、GPUをフル回転させて暖を取りましょう。 ですがディープラーニングで学習させるべきものがないと、GPUを回せませんね。 なのでモナコインでも採掘してみましょう。 モナコインとは？ ビットコインで話題の仮想通貨の１つです。ビットコインでない仮想通貨をまとめてアルトコインと呼ぶので、アルトコインの１つでもあります。2chのモナーから来ており、古参ネットユーザーは親しみ深いかと思います。 注目すべきは、最近の暴騰っぷりです。 3月に3円前後で取引されていたのが、今では2000円前後で取引されており、700倍くらいになっています。つまり1万円分持っていたら、700万円になっていたところです。 ビットコインはバブルだから、そのうちはじけて終わる、との声が多いですが、モナコインはビットコインとは異なった面白い動きがあります。 それは、昔ながらのゆるいネットコミュニティに

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? どのようにサービスにディープラーニングを適用すればいいか、ベストプラクティスがまとまっていた論文があったので、訳してみました。 元論文 Best Practices for Applying Deep Learning to Novel Applications Leslie N. Smith https://arxiv.org/ftp/arxiv/papers/1704/1704.01568.pdf アブスト このレポートは、特定のドメインのエキスパートだがディープラーニングに詳しくない人向け ディープラーニングを試してみたいと思って

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 趣味でディープラーニングで遊ぶためのPCを作ったので、メモ。 前提 趣味ならクラウドでいいじゃん、と思われるかもしれないが、AWSのGPUインスタンスだと1時間に100円くらい取られる。GAN系の画像の生成とかやりたい時は、様々なパターンを試してみて、いいものができるか試行錯誤するので、結構使う。 AWS止め忘れて過大な請求くるのも怖い。あくまで趣味の範囲なので、のびのびと遊べるローカル環境の構築を行った。 もともと使ってたPCは、 Intel Core i7 4770 メモリ8G GTX 750Ti に、Ubuntu入れて使っていた。

深層学習用にGTX Titan X搭載のGTuneのPCを購入したのですが、元から入っているWindowsを削除してUbuntu 14.04をインストールしようとしてすごくハマったので、手順を書いておきます。 nVidia GPUを搭載したPCだと、ドライバの関係上、Ubuntuのロゴの表示ができずに起動しない場合が報告されているようです。 GALLERIA ZIにUbuntuを入れる時にハマったところ nomodesetとLinuxにおけるGPUドライバーの問題 Ubuntuのインストール 準備 こちらを参考にしました。 ubuntu 14.04 LTSのイメージをダウンロード Unetbootinをダウンロード ISOイメージをUSBメモリに焼く マシンにインストール 起動時にF2を押し、BIOS上でブートの優先順位をUSBをトップにする。 設定変更し、再起動 そのまま起動しようとして

フリーのtesseractというOCRを使って、pythonで日本語のOCRを行うまでに行った手順をまとめます。 環境 Ubuntu 14.04 Python 2.7 インストール tesseractをインストールします。 インストール方針 インストールの方法には、 apt-getでインストール ソースからビルド、インストール の二つがあります。 1のapt-getでインストールできるバージョンは3.0.3です。 tesseractで日本語を扱うには、日本語で訓練されたデータ(jpn.traindata)が必要です。 これは自分でダウンロードしてくる必要があるのですが、ネット上で見つけられたものはver3.0.4のものだけです。3.03でこのデータを使おうとしても、うまくいかず、こんなエラーが出ます。

TensorBoardでTrainとTestの結果を分けて表示するのに少しハマったのでまとめました。 可視化の意義 ディープラーニングにおいて、過学習は大きな問題です。Trainのデータに過剰に適応してしまい、Testの精度が乖離することが問題ですが、この状況を把握するためには、学習時のTrainとValidationの精度を可視化してみることが大切です。 TensorFlowにはTensorBoardという素晴らしいツールがあります。TensorBoardのチュートリアルでは、Train時の精度や重み,バイアスなどのヒストグラムを見られるようにするものがあります。しかし今回表示させたい損失関数や、Train, Validationを分けた時の表示のやり方がわからず、少しはまったのでまとめます。 チュートリアルのやり方 基本的には、グラフにしたい変数について、histogram_summa

概要 pythonにあまり触れたことのない人が、Pythonでの開発環境を構築して、TensorFlowをインストールするところまで解説します。 前提 mac OSX Yosemite以上を想定しています。Linuxの場合は、ツール等のインストール方法が異なるため、注意してください。 pythonの仮想環境の整備 (オプション) ここは必須ではありません。必要でない方は次の章まで飛ばしてください。 Macには初めからPythonが入っています。しかし、Python界隈では、Python2系とPython3系があり、ライブラリの充実度の関係から、なかなか3系に移行していけていません。そこで共存が必要になることもあります。 また、プロジェクトごとにライブラリのバージョンを管理したいことがあると思います。機械学習系のライブラリは数多く出ていますが、まだまだ黎明期で、高速でアップデートが行われてい

AKAZE特徴量とは OpenCV3.0.0から追加された新しい特徴量で、OpenCV2.4時代の他の特徴点アルゴリズムよりもよいとの噂を聞きます。 参考 AKAZE特徴量の紹介と他特徴量との比較 SIFTもSURFも商用NGで使えないよ！と思っていたので、AKAZEを試してみました。 python2.7での実装 OpenCV3.0.0のpythonの公式チュートリアル、リファレンスを参考にしても、そんなメソッドねーよとか怒られてしまうので、StackOverFlowの過去の人の質問やC++のコードを参考にしながら書きました。 pythonでOpenCV3.0.0動くサンプルがほとんどなくて苦戦した・・・ 以下、標準入力に画像ファイルパスを２つ入れると、特徴点をトラッキングして、結果を画像出力してくれるサンプルです。 #!/usr/bin/env python # -*- coding:

画像水増しの意義 ディープラーニングのCNN等のクラス分類の精度を向上させるためには、優れた学習データセットが必要です。精度を担保するためには、以下のような工夫をする必要があります。 十分な画像枚数を用意する。 各タグの画像枚数を揃える タグ付けをより正確に行う 同じ分類のものでも、見た目が異なる場合は細かくタグを分ける これらを行うためには、とにかく枚数が必要です。種類によって枚数に偏りがある場合もあり、すべて手作業で抽出・タグ付けしていると大変です。 そこで、ある程度タグ付けされた画像たちを加工することで、画像の枚数を増やすことを考えます。その手法を幾つか紹介します。なお説明には、高城れにさんを画像処理のサンプルに使うべきとの意見に基づき、高城れにさんを利用します。 水増し手法 OpenCV 3.0 Pythonで実装します。 実際に水増しに使えるソースをこちらに用意しておきます。 G

$ python Python 2.7.6 (default, Jun 22 2015, 17:58:13) [GCC 4.8.2] on linux2 Type "help", "copyright", "credits" or "license" for more information. >>> import tensorflow as tf I tensorflow/stream_executor/dso_loader.cc:77] LD_LIBRARY_PATH: /usr/local/cuda-7.0/lib64: I tensorflow/stream_executor/cuda/cuda_dnn.cc:1062] Unable to load cuDNN DSO. >>> hello = tf.constant('Hello, TensorFlow!') >>> sess

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

背景 Deep Learning用に手元のcuda対応のグラボが指してあるLinuxPCにcudaを入れるべく、公式ドキュメントの通りにインストールしたらハマりました。 試した環境 ubuntu 14.04 GeForce GTX 560 CUDA 7.0 行った手順 nvidiaの環境の確認 lspci | grep -i nvidia ===================== 01:00.0 VGA compatible controller: NVIDIA Corporation GF114 [GeForce GTX 560] (rev a1) 01:00.1 Audio device: NVIDIA Corporation GF114 HDMI Audio Controller (rev a1) uname -m && cat /etc/*release ============

最近までxibのAutoLayoutの設定をしておらず、アニメーションを座標指定で動かしていました。 iPhone6/Plusが出てAutoLayoutの設定をするためようやく　Use AutoLayoutにチェックを入れたのですが、座標指定のアニメーションがうまく動かなくなりました。 そこでAutoLayoutの制約を付けたり外したりする方法でアニメーションを設定しました。 ##以前のアニメーション 例えばsampleViewという名前のビューを(endX,endY)の位置にアニメーションで動かしたい場合 CGRect rect = CGRectMake(endX, endY, sampleView.frame.size.width, sampleView.frame.size.height); CGContextRef context = UIGraphicsGetCurrentCon