A Neural Network Playground
ディープラーニングã§ãŠãæ¾ã•ã‚“ã®å…ã¤åã¯è¦‹åˆ†ã‘られるã®ã‹ 〜実施編〜 - bohemia日記
å‰å›žã€ãŠãæ¾ã•ã‚“ãŸã¡ã‚’ディープラーニングã§è¦‹åˆ†ã‘ã‚‹ãŸã‚ã€æº–備編ã¨ã—ã¦ãŠãæ¾ã•ã‚“ãŸã¡ã®é¡”ç”»åƒã‚’5644枚集ã‚ã¾ã—ãŸã€‚ 今回ã¯ãれを用ã„ã¦ã€ãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã§å¦ç¿’ã•ã›ã€åˆ¤åˆ¥å™¨ã‚’作ã£ã¦æ¤œè¨¼ã—ã¾ã™ã€‚ 集ã‚ãŸç”»åƒ 人物 æžšæ•° 例 ãŠãæ¾ 1126 ã‹ã‚‰æ¾ 769 ãƒãƒ§ãƒæ¾ 1047 ä¸€æ¾ 736 åå››æ¾ 855 ã¨ã©æ¾ 729 ãã®ä»– 383 使用フレームワーク 最近Googleã‹ã‚‰TensorFlowã¨ã„ã†æ–°ã—ã„ディープラーニングã®ãƒ•ãƒ¬ãƒ¼ãƒ ワークãŒç™ºè¡¨ã•ã‚Œã¾ã—ãŸã€‚ 会社ã®ãƒ–ãƒã‚°ã«ä½¿ã„方書ã„ãŸã®ã§ã™ãŒã€ã¾ã 慣れã¦ã„ãªã„ã®ã§ã€ä»Šå›žã¯chainerを使ã„ã¾ã™ã€‚ã“ã¡ã‚‰ã ã¨ã™ãã«é«˜ã„æˆæžœã‚’上ã’ã¦ã„ã‚‹ImageNetã®NINモデルã€ï¼”層畳ã¿è¾¼ã¿ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆãƒ¯ãƒ¼ã‚¯ãŒã‚µãƒ³ãƒ—ルã§å…¥ã£ã¦ã„ã¾ã™ã®ã§ã€ã“ã¡ã‚‰ã‚’改良ã—ã¦ä½¿ã„ã¾ã™ã€‚ imageNetã®ä½¿ã„æ–¹ã¯ã€ã“ã¡ã‚‰ã‚„ã“ã¡ã‚‰ã‚’å‚考ã«ã—ã¦ã„ã¾ã™ã€‚ 訓練データセット Im
ãã“ã¨ç”»åƒå‡¦ç† part 3 – Deep Learningã§çŒ«ã®å“種è˜åˆ¥ – Rest Term
ãã“ã¨ç”»åƒå‡¦ç†ã€‚ (ã¿ã‹ã‚“ – å‰ç¥¥å¯º ãゃりã“) å‰å›žã® ãã“ã¨ç”»åƒå‡¦ç† part 2 – 猫検出 ã§ã¯ç”»åƒå†…ã®çŒ«ã®é¡”を検出ã™ã‚‹æ–¹æ³•ã‚’紹介ã—ã¾ã—ãŸãŒã€ä»Šå›žã¯ãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã®æŠ€è¡“を用ã„ã¦çŒ«ã®å“種をè˜åˆ¥ã—ãŸã„ã¨æ€ã„ã¾ã™ã€‚ å¦ç¿’データ ãã“ã¨ç”»åƒå‡¦ç† part 1 – ç´ æ集ã‚ã§ã¯ã€è‡ªåˆ†ã§æ’®å½±ã—ãŸå†™çœŸã‚’å¦ç¿’データã¨ã—ã¦ä½¿ã†ã¨æ›¸ã„ãŸã®ã§ã™ãŒã€éƒ½å†…ã®çŒ«ã‚«ãƒ•ã‚§ç‰ã§å‡ºä¼šãˆã‚‹çŒ«ã«é™ã£ã¦ã—ã¾ã†ã¨å“種ã®åã‚ŠãŒå¤§ãããªã£ã¦ã—ã¾ã†ã®ã§ã€ã“ã“ã§ã¯ã—ã¶ã—ã¶ç ”究用ã®ãƒ‡ãƒ¼ã‚¿ã‚»ãƒƒãƒˆã‚’使ã†ã“ã¨ã«ã—ã¾ã™ã€‚。ãŸã ã€Shiba InuãŒã‚ã‚‹ã®ã«æ—¥æœ¬ãŒèª‡ã‚‹Mike NekoãŒå«ã¾ã‚Œã¦ã„ãªã„ã®ã§ãƒ‡ãƒ¼ã‚¿ã‚»ãƒƒãƒˆã¨ã—ã¦ã®å“質ã¯æ‚ªã„ã¨æ€ã„ã¾ã™ã€‚ The Oxford-IIIT-Pet dataset オックスフォード大å¦ãŒå…¬é–‹ã—ã¦ã„る動物画åƒã®ãƒ‡ãƒ¼ã‚¿ã‚»ãƒƒãƒˆã§ã™ã€‚ãã®å†…猫画åƒã¯2400æžšã€ã‚¯ãƒ©ã‚¹æ•°ã¯12ã§1クラスã«ã¤ã200æžšã‚ã‚Šã¾ã™ã€‚今
Deep Learningã¨Convolutional Neural Network - Stimulator
- ã¯ã˜ã‚ã« - å‰å›žæ©Ÿæ¢°å¦ç¿’ライブラリã§ã‚ã‚‹Caffeã®å°Žå…¥è¨˜äº‹ã‚’書ã„ãŸã€‚今回ã¯ãã®ä¸ã«å…¥ã£ã¦ã‚‹Deep Learningã®ä¸€ç¨®ã€Convolutional Neural Network(CNN:畳ã¿è¾¼ã¿ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆãƒ¯ãƒ¼ã‚¯)ã®ç´¹ä»‹ã€‚ CNNã¯ä»Šè©±é¡Œã®å¤šå±¤ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆã€Deep Learningã®ä¸€ç¨®ã§ã‚ã‚Šã€ç”»åƒèªè˜ç‰ã®åˆ†é‡Žã«å¤§ããªæˆæžœã‚’ã‚‚ãŸã‚‰ã—ã¦ã„ã¾ã™ã€‚ ã¾ã‚CNNã™ã”ã„。本当ã€ç”»åƒèªè˜ç³»ã ã¨ä¸€å¼·ã¨ã„ã£ãŸæ„Ÿã˜ã€‚ 実装経験もã‚ã‚‹ã®ã§ã‚ˆã—ãªã«æ›¸ã„ã¦ã¿ã‚ˆã†ã¨ã„ã†è¨˜äº‹ã€‚ 追記：2018-10-24 ã“ã®è¨˜äº‹ã¯2014年終盤ã€Deep Learningã«é–¢é€£ã™ã‚‹ãƒãƒƒãƒˆè¨˜äº‹ã‚‚数個ã—ã‹ãªãã€å„è«–æ–‡ã§ã‚‚CNNã«é–¢ã™ã‚‹ç†è§£ãŒåˆ†ã‹ã‚Œã¦ã„ãŸã‚ˆã†ãªæ™‚期ã«ã€å¤§å¦ç”Ÿã§ã‚ã£ãŸç†è€…ãŒæ›¸ã„ãŸè¨˜äº‹ã§ã™ã€‚概念ã®ç†è§£ã®åŠ©ã‘ã«ãªã‚‹ã‚ˆã†æ®‹ã—ã¦ã„ã¾ã™ãŒã€æ£ã—ããªã„箇所も後々多ã出ã¦ãã‚‹ã‹ã¨æ€ã„ã¾ã™ã€‚考慮ã®ä¸Šã€ãŠèªã¿é ‚ã‘ã‚Œã°ã¨
Image Super-Resolution Using Deep Convolutional Networks
We propose a deep learning method for single image super-resolution (SR). Our method directly learns an end-to-end mapping between the low/high-resolution images. The mapping is represented as a deep convolutional neural network (CNN) that takes the low-resolution image as the input and outputs the high-resolution one. We further show that traditional sparse-coding-based SR methods can also be vie
二次元画åƒã‚’拡大ã—ãŸã„ã¨æ€ã£ãŸã“ã¨ã¯ã‚ã‚Šã¾ã›ã‚“ã‹ï¼Ÿ - デー
ã†ã¾ãã§ãã¾ã—ãŸã‹ï¼Ÿã€€ãƒœãƒ¤ã‘ãŸã‚Šã€ã‚®ã‚¶ã‚®ã‚¶ã«ãªã£ãŸã‚Šã—ã¾ã›ã‚“ã§ã—ãŸã‹ï¼Ÿ waifu2xã‚’ãŠè©¦ã—ãã ã•ã„。 (ブラウザã®å‡¦ç†ã«å½±éŸ¿ã•ã‚Œãªã„よã†ã‚¯ãƒªãƒƒã‚¯ã§æ‹¡å¤§ãŠããŒã„ã—ã¾ã™) waifu2xã¯ã€äºŒæ¬¡å…ƒç”»åƒã‚’2å€ã«æ‹¡å¤§ã™ã‚‹ã‚½ãƒ•ãƒˆã‚¦ã‚§ã‚¢ã§ã™ã€‚多ãã®äºŒæ¬¡å…ƒç”»åƒã«ã¤ã„ã¦ã‚¹ã‚´ã‚¤ç´šã®ã‚¯ã‚ªãƒªãƒ†ã‚£ã§æ‹¡å¤§ã§ãã¾ã™ã€‚ waifu2xã¯ã€æœ€æ–°é‹ã®äººå·¥çŸ¥èƒ½æŠ€è¡“ Deep Convolutional Neural Networks を使ã£ã¦é–‹ç™ºã•ã‚Œã¾ã—ãŸã€‚ waifu2xã®äººå·¥çŸ¥èƒ½ã¯ã€æ¬¡ã®å•ã«ç”ãˆã¾ã™ã€‚ ã„ã¾ã‹ã‚‰ä¸Žãˆã‚‹ç”»åƒã¯ã‚ã‚‹ç”»åƒã‚’åŠåˆ†ã«ç¸®å°ã—ãŸã‚‚ã®ã§ã‚る。縮å°ã•ã‚Œã‚‹å‰ã®ç”»åƒã‚’求ã‚よ。 ç”»åƒã‚’拡大ã™ã‚‹ã®ã§ã¯ãªãã€ç¸®å°ã•ã‚Œã‚‹å‰ã®çŠ¶æ…‹ã«æˆ»ã—ã¾ã™ã€‚ 縮å°ã•ã‚Œã¦ãªã„オリジナル画åƒã‚’与ãˆãŸå ´åˆã‚‚ã€ã‚„ã¯ã‚Šç¸®å°ã•ã‚Œã‚‹å‰ã®ç”»åƒã‚’ç”ãˆã¾ã™ã€‚ ãã®ç”»åƒã¯æœ¬æ¥å˜åœ¨ã—ãªã„ã‚‚ã®ã§ã™ãŒã€waifu2xã¯ãれを想åƒã§å‰µã‚Šã¾ã™ã€‚ 二次元画åƒã®JPE
1
ランã‚ング
ランã‚ング
ãŠçŸ¥ã‚‰ã›
リリースã€éšœå®³æƒ…å ±ãªã©ã®ã‚µãƒ¼ãƒ“スã®ãŠçŸ¥ã‚‰ã›
最新ã®äººæ°—エントリーã®é…ä¿¡
j次ã®ãƒ–ックマーク
kå‰ã®ãƒ–ックマーク
lã‚ã¨ã§èªã‚€
eコメント一覧を開ã
oページを開ã
ディープラーニングï¼ç•³ã¿è¾¼ã¿ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆãƒ¯ãƒ¼ã‚¯ã¨Pythonã«ã‚ˆã‚‹ç‰¹å¾´æŠ½å‡º | POSTD
https://qiita.com/Himaken/items/8c5da4915233e9f5b07f
{{#tags}}- {{label}}
{{/tags}}