GPUのドライバ入れた！CUDAもOK！けどTensorFlowでちゃんと使えてるかわからん！ってときの確認用 環境 Python 3.6.2 Anaconda Ubuntu 方法 from tensorflow.python.client import device_lib device_lib.list_local_devices() を実行してdevice_type:GPUのやつがあれば認識してる。 実際にやってみると、 $ python >>> from tensorflow.python.client import device_lib return f(*args, **kwds) >>> device_lib.list_local_devices() 2018-01-12 20:09:07.451631: I tensorflow/stream_executor/cuda/c

TensorFlowでスタイル変換を使って遊んで見る TensorFlowのスタイル変換で遊んでみました。今回は、GIthubのFast Style Transferに従ったお遊びです。機械学習やコード解説はありません。同じお遊びとしては、記事「初心者がTensorFlowの画像認識を使ってお手軽に遊んでみた」もあります。 実行環境は下表のとおりです。 手順 1. 仮想環境作成 Anacondaのインストールまでは終わっている状態です。Anacondaのインストールは記事「TensorFlowをWindowsにインストール Python初心者でも簡単だった件」の該当箇所を参照ください。そこでは、TensorFlowのインストールをしていますが、今回はTensorFlowのバージョン0.121を使うので、仮想環境を新たに作ります。 1.1. 仮想環境"styletrans"作成 Anacon

Define-by-run である Eager Execution がデフォルトとなり、 API も大きく変わりそうな tensorflow 2.0。 紹介の動画が詳しくそれらを説明してくれているので 英語のリスニング練習のために 大まかな内容を日本語に書き起こしました。 スクリーンショットはすべて上記動画のもので文章は基本的にはそれらの要点を引用し訳したものとなります。 訳は意訳で、細かい部分は書いていません。 動画の意図と異なる部分などありましたらご連絡ください。 最初に （このセクションは動画の翻訳ではありません） この動画では eager execution (eager-mode) の話が沢山出てきます。 eager execution を理解するには Define-and-run と Define-by-run の違いを理解しておく必要があります。 Define-and-run

TensorFlowと言えば機械学習を行うソフトウェアで、多くのサービスやソフトウェアの基盤に使われています。環境を整えるのは若干大変ですが、Dockerイメージもあります。GPUなどのハードウェアさえ用意できれば、利用するまでの敷居はずいぶん低くなっています。 そんなTensorFlowをWebブラウザベース、WebGLで使えるようにしたのがTensorFlow.jsです。 TensorFlow.jsの使い方 こちらはデモです。絵文字に合ったものを見つけてカメラに写すというゲームです。 例えばキーボードの絵文字の場合。認識精度は高いです。 トレーニング機能付きのパックマン。そもそも操作が難しかったりします。 3つのポージングに合わせて出力が変わるものです。サンプルはカメラから一気に取得します。 それぞれの状態に応じて認識率が変わっていくのが分かります。 できあがったモデルを使って動画を作

はじめに TensorFlow はなかなかとっつきにくい部分があるかと思います。書き方が独特なので、慣れるまでに時間がかかるかと思います。公式の MNIST は一通りやったけど、自分で考えたディープニューラルネットワーク (DNN) をどう書いたらいいかわからない……なんてこともあるのではないでしょうか。 この記事では、シンプルな問題を題材にして、 TensorFlow をコピペに頼らず、自分の書きたい DNN を 低レベル API を使ってどのように書くかを最小構成で説明していきます（今さら感はありますが。。）。ベースは公式ドキュメントの Low Level APIs のあたり です。 内容としては： TensorFlow の最小構成要素 TensorFlow で線形関数のフィッティング TensorFlow で DNN を実装 のようになっています。また、以下のような方を対象としており

はじめに TensorFlow初心者の私が、"Getting Started with TensorFlow" を勉強していると 日本語の記事ほとんどMNISTの話ばっかじゃねーか！ しかもCNNの内容とコードの話しかまとめられてねぇ！ 公式のチュートリアルは途中でいろんな機能の話になるから体系的に理解できねぇ！ と感じたので、自分なりにまとめてみようと思います。 本記事のゴールは、様々なページに散らばった情報をまとめ、TensorFlowの大枠を理解するです。 今回はMNISTのコードを追いつつ、そこで使われるTensorFlowの機能などを紹介していきます。 コードについての細かな説明は他の方がされているので、あまりしません。 一応簡単な説明は英語でコードにコメントで入れてあります。 気になる方はこれを読み終わった後に他の記事なり公式のコードなりを追って勉強しましょう。 あと英語が読め

昨今では「人工知能（AI）」やそれに関連する技術が注目されている。そこで本連載では人工知能に関する技術の概要や、それを利用するためのソフトウェアについて紹介する。 人工知能とは何か ここ数年、「人工知能」や「AI」という言葉がさまざまな分野で使われるようになった。人工知能関連の技術はここ数年で急速に発展しており、たとえば将棋や囲碁といった分野では、人工知能技術を使ったソフトウェアが人間のプロ棋士に勝利するレベルとなっている。また、iPhoneに搭載されて話題となった「Siri」は人間の言葉を理解してそれに対し適切なアクションを実行することができるが、これにも人工知能技術が使われている。そのほか、文字や画像の認識、文章の分析など、人工知能関連技術を使った多くの製品がすでに市場に投入されている。 しかし人工知能と言われても、それが実際にはどんなものなのか想像できる人は少ないだろう。そこで本記事

TensorFlowのためのGPU環境をGCPのGoogle Compute Engine (GCE)で構築するには、 GPUの割り当て申請（初回のみ。所要時間は約5分） CUDAやcuDNNをインストール（NVIDIAのサイトからダウンロードしたりインストールしたりなんだりでスゲー時間かかって面倒） TensorFlowをインストール（所要時間は約5分） って手順が必要。しかし最近、Cloud DatalabのGPUインスタンスが利用可能になったおかげで、この手順がぐんと簡単になった。 GPUの割り当て申請（初回のみ。所要時間は約5分） Cloud Datalabインスタンスを作成（コマンド一発、待ち時間は15分ほど） これでOK。DatalabインスタンスにはTensorFlowだけじゃなくて、scikit-learnとかpandas、matplotlib等の定番ツールも入ってるので、

TFRecordを使用する理由 TFRecordの作り方 ExampleレコードとSequenceExampleレコード Fashion MNISTをTFRecord化してみる TFRecordの中身を確認する方法 TFRecordの読み込み方 実際に実装してみる TFRecordを使用する まとめ 参考 TensorFlowが推奨しているTFRecordというデータセットのフォーマットがあります。 TFRecordを使いこなせるようになると、大規模なデータを効率的に学習できるようになることがあります。 本記事では、TFRecordの使い方をマスターできるように読み書きする方法を解説し、実際にQueueRunnerを使った実装をしてみます。 TFRecordを使用する理由 TFRecordの中身はProtocol Bufferというバイナリフォーマットです。一度TFRecordを作成するこ

ディープラーニングとTensorFlow ディープラーニングはニューラルネットワークと呼ばれる機械学習手法の一種 Tensorflowは、GoogleがOpenSourceとして公開しているディープラーニング技術を使った機械学習ライブラリ モバイルデバイス向けのサンプルコード Android, iOS, Raspberry Pi向けのサンプルコードが用意されています https://www.tensorflow.org/mobile/ iOSサンプルアプリケーションの実行手順 iOS向けのTensorFlowのSampleとしては以下のプロジェクトが用意されています。 benchmark camera simple セットアップ手順はREADMEに記載の通りですが、簡単に説明すると下記の通りで簡単にセットアップできます。 学習済みモデル(Inception)をサンプル(benchmark

何日かかったのかわかりませんが、 成功して嬉しいです。 なんと話すというと、Tensorflow API r1.3をRaspberryPiで使うことができました。Pythonバージョンは3.5.2です。 Tensorflow 1.1.0のRaspberry バージョンはありますよね。 でも、これはpython 3.4のようです。 内容 TENSORFLOW VERSION : 1.3.0 PYTHON 3.5.2 BUILD & TEST MODEL : ARM NEON、RASPBERRY PI MODEL 3 Bazel version : 5.4.0 gcc 4.8, g++ 4.8 Bazel Build 時間 ほぼ５時間かかりました。 Link buildしてできたwhl私のgithubに載せておきました。 Github link

はじめに 記事まとめ TensorFlow1.2.0の変更点 IntelによるCPUの最適化 Building and Installing TensorFlow with CPU Optimizations LearningTensorFlow.com Jupyter Notebookで書かれたチュートリアル いろんなチュートリアルやモデルのまとめ Machine Learning with Tensorflowのサポートサイト TensorFlowを使ったディープラーニングの解説動画 ディープラーニング以外の実装 TensorFlowのHigh-Level API集 tflearn TensorFlow-Slim Keras Sonnet tensorpack 所感 TensorFlow強すぎ 脅威のライブラリ達 Jupyter Notebookは素晴らしい はじめに 最近はChain

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

以前からやってみたかったRaspberry Piの物体認識を試してみました。今回はクラウドサービスを使わずに深層学習ライブラリと学習済みモデルを使ってみました。 環境 Raspberry Pi3 (RASPBIAN JESSIE WITH PIXEL 4.4　/ Python 3.4.2) LOGICOOL ウェブカム HD画質 120万画素 C270 ミニロボットPC等用スピーカー小型かわいい白 7インチ(1024*600) IPS液晶パネル　ディスプレイ 今までカメラモジュールを利用していたのですが、OpenCVでストリーミングをさせるためWebカメラを購入しました。ついでにちょっと可愛らしいロボット型のスピーカーも合わせて買ってみました。 ロボット型のスピーカーがWebカメラに映った物をしゃべってくれます（英語です）。 こんな感じ Deep Learning Object Recog

米グーグルが開発者向けイベント「Google I/O 17」で、同社のコンシューマー向けサービスにAI／機械学習を広範に適用、これによってサービスプロダクトを相互に結び付け、システマチックに進化させていることをアピールした。その裏にはもちろん、TensorFlowとGoogle Cloud Platformがある。同社は機械学習処理を高速化する「Cloud TPU」、Androidデバイス上のAI処理のための「TensorFlow Lite」について、併せて紹介した。 2017年5月17日（米国時間）、「Google I/O 17」初日の基調講演で、Google CEOのSundar Pichai（スンダ―・ピチャイ）氏は「モバイルファースト」の後の流れとして「AIファースト」を推進しているとあらためて宣言。全てのサービスプロダクトでAIを活用し、それぞれのサービスを進化させていると述べた

Deep Learningという言葉を色んなところで聞くようになり、Googleからも TensorFlow というものが出たし、そろそろちょっと勉強してみるか〜 ということで初心者が機械学習に手を出してみた。 TensorFlowのtutorialを見てみると、まず最初に「MNIST」という手書き文字の識別問題が出てくる。その問題に対して、こういうモデルを作ってこうやって学習させていくと91.2%くらいの識別率になります、さらに飛躍させてこういうモデルでこうやって学習させると99.2%くらいまで識別率が上がります、とか書いてあって、確かになるほどーと数字で納得もできるのだけど、せっかくなら実際にその学習結果を使って自分の書いた数字を識別してもらいたいじゃないか、ということで そういうのを作ってみた。 https://github.com/sugyan/tensorflow-mnist c