kerasでサンプルのmnistだけやって、そのまま放置していたけどちょっと頑張ってやってみよう！と思い立ったのでその記録。 mnistのサンプルだとデータセットも用意されているし、なにより一つのファイルで全部やってるのでよくわかんなかったので 個別に作ってみようと思います。(numpyの使い方を理解していないので、先人の知恵を拝借しまくりました） #データセット作成1（画像の準備） 女優さんの顔を分類するのがやってて苦ではないので黒木華さん、多部未華子さん、忽那汐里さん、松岡茉優さん、福原遥さんの5人で やってみようかと思います。 一枚一枚集めるの大変なので、グーグルで画像検索した画面をプリントスクリーンしました。 そのファイルからopenCVで顔のみを検出しています。（顔じゃないファイルや違う人のファイルも複数出来てしまうのでそれの削除は手作業で） 画像ファイルが少ないので、またope

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

###はじめに この記事でやること：Kerasのモデル，TensorFlowの最適化によってWasserstein GANを学習する． 前提知識：GANの基本的な学習則 この記事が必要ない方：いずれかの深層学習ライブラリ，またはフルスクラッチで自由自在にコーディングできる方 最近深層生成系，いわゆるGANがホットですね．僕もいろいろ試して遊んでます．ライブラリはやっぱりKerasが直感的でわかりやすいですね． さて，ふつうのDCGANやWasserstein GANなどはKerasでもサクッと実装・学習できてしまうわけですが，誤差の最適化などで細かい改善がされてるやつになると「これ，Kerasでどう書けばええんや，，，？」となってしまうこともあるかと思います．僕はImproved Training of Wasserstein GANsで提案されているGradient Penaltyの実装

Kerasの作者のfcholletさんがTwitterで紹介していた、PlaidMLという新しい機械学習用のライブラリを試してみた。Early Alpha Qualityとのことであるが、試してみたらとても速いしKerasで書いてたコードが(ほぼ)そのまま使えて感激した。これは機械学習が捗る…かも? 短くまとめると PlaidMLという新しいフレームワークを使うと、nVidia積んでないMacでもGPU使って高速に機械学習できるかも Kerasのバックエンドとして使えるので、今まで書いてきたKerasのコードを(ほぼ)そのまま使える 動かしてみたら、確かに速い。 10月に試した段階では不具合があったが、アップデートで修正された! PlaidML PlaidML is an open-source Keras backend that runs on OpenCL, with good pe

@triwave33さんの良記事に触発され、GANに対しての関心が高まり、自分でもなにかアウトプットできないかなと思ったので、今回はキルミーベイベーの画像生成を行いました。 この記事では、GANについて基礎から解説し、最後にはDCGANを使ってキルミーベイベーの画像を生成することを目標としています。 以前、以下のような記事 Kerasでキルミーアイコン686枚によるキルミー的アニメ絵分類 を使ってKerasの勉強をし、面白いなと思ったので、 今回はDCGANを使って分類ではなく生成を行おうと思います。 また、潜在変数（ノイズ）に関して詰まったので、そこに関して掘り下げます。 ついでに、転置畳み込みに関しても少し触れています。 GAN関連の良記事としては 今さら聞けないGAN（1）　基本構造の理解 今さら聞けないGAN （2）　DCGANによる画像生成 はじめてのGAN があります。 実装は

2. HTML5-WEST.jp代表 / html5j マークアップ部 部長 / HTML5 Experts.jp メンバー NPO法人日本ウェアラブルデバイスユーザー会理事 神戸市ウェアラブルデバイス推進会議メンバーなど むらおか まさかず 村岡正和 Webアプリケーション開発 IT業務システム設計/開発 Webサービス導入/事業戦略コンサルティング 神戸デジタル・ラボ 社外取締役 @bathtimefish HTML5-WEST.jp

なんとなく知っている気になっているけど。。。 ディープラーニング関連技術の中でも、GANに関するニュースは良く取り上げられていますね。警察と貨幣偽造者といったコンセプトは理解しやすく、学習したモデルから新たに絵や文章などを作り出せることは「これぞ人工知能」感を醸し出しています。 知ったかぶって、「それ、GANでできたら面白いですね」とか言ってしまうくせに、ソースコードレベルでの動作については実は良くわかっていない。チュートリアルを実行してなんとなく、「この行は〜をしているのだなぁ」ということはわかるのですが、そもそも「GANの基本思想を理解した上でなぜこのコーディングになっているのか」が掴めないため、 自分の適用させたい問題に対して、どこを修正すれば良いのかわからない 新しいGANのアルゴリズムが出てきたときに、どこを修正すれば良いのかわからない はい、全て私の経験です。この記事では、自分

こんにちは、絶賛プログラミング勉強中のtomoです。 Aidemyで画像認識について勉強し始めて１ヶ月が経ったので、学習成果として投稿します。 #はじめに 突然ですが、皆さん「緑茶の中でも選ばれてしまう緑茶は何か」と問われたら何と答えますか？ おそらく50％以上の人は「綾鷹」と答えるかと思います。 この記事では、そんな綾鷹を画像認識によって人々に選ばせるAIを作成します。 #Aidemyで学習した内容 「ディープラーニングで画像認識モデルを作ってみよう！」ルートで8つのコースを学びました。 特に「CNNを用いた画像認識」コースにおいて学んだ技術を複数使用しています。 （後述する目次の「⑵モデルを構築/学習する」の仕組みを学べます。） #目次 ・実装概要 ・AIの作成 ⑴Iphoneで撮った写真を学習/検証データにする ⑵モデルを構築/学習する ①シンプルにモデルを構築する ②データを拡張す

今回はGAN（Generative Adversarial Network）を解説していきます。 GANは“Deep Learning”という本の著者でもあるIan Goodfellowが考案したモデルです。NIPS 2016でもGANのチュートリアルが行われるなど非常に注目を集めている分野で、次々に論文が出てきています。 また、QuoraのセッションでYann LeCunが、この10年の機械学習で最も面白いアイディアと述べていたりもします。 “The most interesting idea in the last 10 years in ML, in my opinion.” –Yann LeCun GANは聞いたことはあるけれどあまり追えてないという人向けに基礎から解説していきたいと思います。それでは順に見ていきましょう。 目次 基礎理論 DCGAN 実装 論文紹介 まとめ 基礎理

今回は、Deep Learningの画像応用において代表的なモデルであるVGG16をKerasから使ってみた。この学習済みのVGG16モデルは画像に関するいろいろな面白い実験をする際の基礎になるためKerasで取り扱う方法をちゃんと理解しておきたい。 ソースコード: test_vgg16 VGG16の概要 VGG16*1は2014年のILSVRC（ImageNet Large Scale Visual Recognition Challenge）で提案された畳み込み13層とフル結合3層の計16層から成る畳み込みニューラルネットワーク。層の数が多いだけで一般的な畳み込みニューラルネットと大きな違いはなく、同時期に提案されたGoogLeNetに比べるとシンプルでわかりやすい。ImageNetと呼ばれる大規模な画像データセットを使って訓練したモデルが公開されている。 VGG16の出力層は1000

目的 ゼロからKerasとTensorFlow(TF)を自由自在に動かせるようになる。 そのための、End to Endの作業ログ(備忘録)を残す。 ※環境はMacだが、他のOSでの汎用性を保つように意識。 ※アジャイルで執筆しており、精度を逐次高めていく予定。 目次 Keras(Tensorflow)の環境構築 KerasでMINSTの学習と予測 KerasでTensorBoardの利用 Kerasで重みファイルの保存/読み込み Kerasで自前データの学習と予測 Kerasで転移学習 <---いまココ 概要 このページを読んでできるようになること VGG16のFine-tuningによる17種類の花の分類 で紹介されている fine tuning のサンプルプログラムを動かす。 上記の学習はCPUだと2日間近くかかるため、事前に用意してある学習済みのパラメータを読み込み、学習結果を確認

DeeplearningライブラリのKerasを使っているときにはまったことをいくつかメモ。 ほぼ自分用かもしれない 今までTheanoを使ってアルゴリズムの勉強かついろいろ実験していたのだが、 勉強にはなるものの一から新しいアルゴリズムを実装するのはなかなかしんどいので Theanoのラッパーとして使えるKerasを使ってみた 他にも色々あるっぽいけど評判良さそうなので。。 そのうち浮気するかもしれん ちょっと使って見たところ、何個か細かい点でつまずいたのでメモしておく。 バックエンドはTheanoしか使っていないのでTensorflowについてはわかりません ラベルはバイナリベクトルで扱う まずこれ。 keras.datasetsからmnistなどのデータセットを取ってこれる。 mnistの場合だと以下 import keras.datasets import mnist (X_tra

ディープラーニングの勉強を最近はじめた。手始めに評判がいいkerasを使用している。 参考にしているサイトは以下のサイトでひたすら写経している感じである。 www.procrasist.com その中でMINISTの求め方について以下のコードが記述されている。 from keras.datasets import mnist from keras.utils import np_utils (X_train, y_train),(X_test,y_test) = mnist.load_data() X_train = X_train.reshape(60000,784).astype('float32') X_test = X_test.reshape(10000,784).astype('float32') #[0,255]の値を[0,1]に正規化 X_train /= 255.0 X_

【最終更新 : 2017.12.17】 ※以前書いた記事がObsoleteになったため、2.xできちんと動くように書き直しました。 データ分析ガチ勉強アドベントカレンダー 17日目。 16日目に、1からニューラルネットを書きました。 それはそれでデータの流れだとか、活性化関数の働きだとか得るものは多かったのですが、Kerasと言うものを使ってみて、何て素晴らしいんだと感動してしまいました 今まで苦労して数十行書いていたものが、わずか3行で書ける！ 正直、スクラッチで書く意味って、理解にはいいけど研究や分析には必要あんまないんですよね。車輪の再発明になるし。 と言うわけで、使えるものはどんどん使っていこうスタンスで、今日はKerasの紹介です！ Tutorial+気になった引数を掘り下げて補足のような感じで書いています。 ちなみに、各部のコード以下をつなぎ合わせるとmnistの分類器が動くよ

VGG16のFine-tuningによる犬猫認識 (1) （2017/1/8）のつづき。 前回、予告したように下の3つのニューラルネットワークを動かして犬・猫の2クラス分類の精度を比較したい。 小さな畳み込みニューラルネットをスクラッチから学習する VGG16が抽出した特徴を使って多層パーセプトロンを学習する VGG16をFine-tuningする リポジトリ：dogs_vs_cats 1. 小さな畳み込みニューラルネットをスクラッチから学習する ベースラインとしてVGG16は使わずに小規模な畳み込みニューラルネットワークをスクラッチから学習する。学習データは、犬クラス1000枚、猫クラス1000枚と小規模なデータを使うのであまり大規模なネットワークは学習できない。そこで、畳込みが3層のLeNet相当の小さなモデルを構成した。 横の矢印はそのレイヤでの出力の4Dテンソルのサイズ (samp

import pandas as pd import random, math import numpy as np from keras.preprocessing.image import load_img, img_to_array from keras.applications.vgg16 import VGG16 from keras.models import Sequential, Model from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.optimizers import SGD from keras.utils import np_utils from keras.preprocessing.image import ImageDataGenerator # 分

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

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