Suche senden
Hochladen
Kerasで深層学習を実践する
•
9 gefällt mir
•
4,253 views
Kazuaki Tanida
Folgen
Pythonで動かして学ぶ機械学習入門 第三回 Jupyter Notebooks: https://goo.gl/5rTZt3
Weniger lesen
Mehr lesen
Ingenieurwesen
Melden
Teilen
Melden
Teilen
1 von 14
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Recomendados
画像認識で物を見分ける
画像認識で物を見分ける
Kazuaki Tanida
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Etsuji Nakai
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
「深層学習」勉強会LT資料 "Chainer使ってみた"
「深層学習」勉強会LT資料 "Chainer使ってみた"
Ken'ichi Matsui
Introduction to Chainer and CuPy
Introduction to Chainer and CuPy
Kenta Oono
2013.07.15 はじパタlt scikit-learnで始める機械学習
2013.07.15 はじパタlt scikit-learnで始める機械学習
Motoya Wakiyama
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
Kenta Oono
Chainer入門と最近の機能
Chainer入門と最近の機能
Yuya Unno
Más contenido relacionado
Was ist angesagt?
DATUM STUDIO PyCon2016 Turorial
DATUM STUDIO PyCon2016 Turorial
Tatsuya Tojima
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Toshihiro Kamishima
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Yasutomo Kawanishi
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
y-uti
Jupyter NotebookとChainerで楽々Deep Learning
Jupyter NotebookとChainerで楽々Deep Learning
Jun-ya Norimatsu
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編
Etsuji Nakai
TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門
Etsuji Nakai
How to Develop Experiment-Oriented Programs
How to Develop Experiment-Oriented Programs
Kenta Oono
ディープラーニング最近の発展とビジネス応用への課題
ディープラーニング最近の発展とビジネス応用への課題
Kenta Oono
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
Kenta Oono
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
Daisuke Tanaka
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Yuya Unno
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
Kenta Oono
Pythonによる機械学習
Pythonによる機械学習
Kimikazu Kato
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
みんなが知らない pytorch-pfn-extras
みんなが知らない pytorch-pfn-extras
Takuji Tahara
Jubatusの特徴変換と線形分類器の仕組み
Jubatusの特徴変換と線形分類器の仕組み
JubatusOfficial
Kaggle の Titanic チュートリアルに挑戦した話
Kaggle の Titanic チュートリアルに挑戦した話
y-uti
ChainerでDeep Learningを試すために必要なこと
ChainerでDeep Learningを試すために必要なこと
Retrieva inc.
Was ist angesagt?
(20)
DATUM STUDIO PyCon2016 Turorial
DATUM STUDIO PyCon2016 Turorial
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
Jupyter NotebookとChainerで楽々Deep Learning
Jupyter NotebookとChainerで楽々Deep Learning
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編
TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門
How to Develop Experiment-Oriented Programs
How to Develop Experiment-Oriented Programs
ディープラーニング最近の発展とビジネス応用への課題
ディープラーニング最近の発展とビジネス応用への課題
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
Pythonによる機械学習
Pythonによる機械学習
Kaggleのテクニック
Kaggleのテクニック
backbone としての timm 入門
backbone としての timm 入門
みんなが知らない pytorch-pfn-extras
みんなが知らない pytorch-pfn-extras
Jubatusの特徴変換と線形分類器の仕組み
Jubatusの特徴変換と線形分類器の仕組み
Kaggle の Titanic チュートリアルに挑戦した話
Kaggle の Titanic チュートリアルに挑戦した話
ChainerでDeep Learningを試すために必要なこと
ChainerでDeep Learningを試すために必要なこと
Andere mochten auch
Pycon2017
Pycon2017
Yuta Kashino
Groups-Keeping Solution Path Algorithm For Sparse Regression
Groups-Keeping Solution Path Algorithm For Sparse Regression
Takahiro Yoshinaga
ぷよぷよ AI 人類打倒に向けて
ぷよぷよ AI 人類打倒に向けて
mayahjp
Dots deep learning部_20161221
Dots deep learning部_20161221
陽平 山口
Atlassian Japan Forum 2017 The Information Ageの現実 なぜ組織が構造改革を進めなければならないのか
Atlassian Japan Forum 2017 The Information Ageの現実 なぜ組織が構造改革を進めなければならないのか
アトラシアン株式会社
ニューラルネットワークの仕組みを学ぶ 20170623
ニューラルネットワークの仕組みを学ぶ 20170623
Hiroki Takahashi
古典的ゲームAIを用いたAlphaGo解説
古典的ゲームAIを用いたAlphaGo解説
suckgeun lee
【LT版】Elixir入門「第7回:Python/KerasをElixirから繋いでアレコレする」
【LT版】Elixir入門「第7回:Python/KerasをElixirから繋いでアレコレする」
fukuoka.ex
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
fukuoka.ex
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
【2017年】ディープラーニングのフレームワーク比較
【2017年】ディープラーニングのフレームワーク比較
Ryota Suzuki
[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation
[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation
Deep Learning JP
AlphaGo Zero 解説
AlphaGo Zero 解説
suckgeun lee
逆説のスタートアップ思考的「逆張りワークショップ」手順書
逆説のスタートアップ思考的「逆張りワークショップ」手順書
Takaaki Umada
とあるスタートアップの評価指標(メトリクス)
とあるスタートアップの評価指標(メトリクス)
Takaaki Umada
機械学習概論 講義テキスト
機械学習概論 講義テキスト
Etsuji Nakai
Tokyo webmining 2017-10-28
Tokyo webmining 2017-10-28
Kimikazu Kato
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習
Kimikazu Kato
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Andere mochten auch
(20)
Pycon2017
Pycon2017
Groups-Keeping Solution Path Algorithm For Sparse Regression
Groups-Keeping Solution Path Algorithm For Sparse Regression
ぷよぷよ AI 人類打倒に向けて
ぷよぷよ AI 人類打倒に向けて
Dots deep learning部_20161221
Dots deep learning部_20161221
Atlassian Japan Forum 2017 The Information Ageの現実 なぜ組織が構造改革を進めなければならないのか
Atlassian Japan Forum 2017 The Information Ageの現実 なぜ組織が構造改革を進めなければならないのか
ニューラルネットワークの仕組みを学ぶ 20170623
ニューラルネットワークの仕組みを学ぶ 20170623
古典的ゲームAIを用いたAlphaGo解説
古典的ゲームAIを用いたAlphaGo解説
【LT版】Elixir入門「第7回:Python/KerasをElixirから繋いでアレコレする」
【LT版】Elixir入門「第7回:Python/KerasをElixirから繋いでアレコレする」
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
【2017年】ディープラーニングのフレームワーク比較
【2017年】ディープラーニングのフレームワーク比較
[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation
[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation
AlphaGo Zero 解説
AlphaGo Zero 解説
逆説のスタートアップ思考的「逆張りワークショップ」手順書
逆説のスタートアップ思考的「逆張りワークショップ」手順書
とあるスタートアップの評価指標(メトリクス)
とあるスタートアップの評価指標(メトリクス)
機械学習概論 講義テキスト
機械学習概論 講義テキスト
Tokyo webmining 2017-10-28
Tokyo webmining 2017-10-28
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
Ähnlich wie Kerasで深層学習を実践する
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
DeNA
HTMLからの本文抽出
HTMLからの本文抽出
Lintaro Ina
ChainerでDeep Learningを試す為に必要なこと
ChainerでDeep Learningを試す為に必要なこと
Jiro Nishitoba
やさしいGitの内部構造 - yapcasia2013
やさしいGitの内部構造 - yapcasia2013
DQNEO
Python による 「スクレイピング & 自然言語処理」入門
Python による 「スクレイピング & 自然言語処理」入門
Tatsuya Tojima
Introduction of Python
Introduction of Python
Tomoya Nakayama
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
Katsuhiro Morishita
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識 第3版
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識 第3版
Katsuhiro Morishita
hbstudy#6LTyuzorock
hbstudy#6LTyuzorock
yuzorock
Deep learning Libs @twm
Deep learning Libs @twm
Yuta Kashino
Python × Herokuで作る 雑談slack bot
Python × Herokuで作る 雑談slack bot
dcubeio
cs-10. Python の基礎(オブジェクト,メソッド,引数,文字列)
cs-10. Python の基礎(オブジェクト,メソッド,引数,文字列)
kunihikokaneko1
ROS User Group Meeting #28 マルチ深層学習とROS
ROS User Group Meeting #28 マルチ深層学習とROS
Hiroki Nakahara
Chainer on Azure 2 年の歴史
Chainer on Azure 2 年の歴史
Hirono Jumpei
[輪講] 第1章
[輪講] 第1章
Takenobu Sasatani
2017/12/21 虎の穴 Python勉強会
2017/12/21 虎の穴 Python勉強会
虎の穴 開発室
OCaml でデータ分析
OCaml でデータ分析
Akinori Abe
20161027 hadoop summit Generating Recommendations at Amazon Scale with Apach...
20161027 hadoop summit Generating Recommendations at Amazon Scale with Apach...
Amazon Web Services Japan
「自動化...か、かっこいいタル」(憧れ)から始める自動化
「自動化...か、かっこいいタル」(憧れ)から始める自動化
Hirokazu Kutsu
ATN No.2 Scala事始め
ATN No.2 Scala事始め
AdvancedTechNight
Ähnlich wie Kerasで深層学習を実践する
(20)
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
HTMLからの本文抽出
HTMLからの本文抽出
ChainerでDeep Learningを試す為に必要なこと
ChainerでDeep Learningを試す為に必要なこと
やさしいGitの内部構造 - yapcasia2013
やさしいGitの内部構造 - yapcasia2013
Python による 「スクレイピング & 自然言語処理」入門
Python による 「スクレイピング & 自然言語処理」入門
Introduction of Python
Introduction of Python
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識 第3版
PythonとRによるデータ分析環境の構築と機械学習によるデータ認識 第3版
hbstudy#6LTyuzorock
hbstudy#6LTyuzorock
Deep learning Libs @twm
Deep learning Libs @twm
Python × Herokuで作る 雑談slack bot
Python × Herokuで作る 雑談slack bot
cs-10. Python の基礎(オブジェクト,メソッド,引数,文字列)
cs-10. Python の基礎(オブジェクト,メソッド,引数,文字列)
ROS User Group Meeting #28 マルチ深層学習とROS
ROS User Group Meeting #28 マルチ深層学習とROS
Chainer on Azure 2 年の歴史
Chainer on Azure 2 年の歴史
[輪講] 第1章
[輪講] 第1章
2017/12/21 虎の穴 Python勉強会
2017/12/21 虎の穴 Python勉強会
OCaml でデータ分析
OCaml でデータ分析
20161027 hadoop summit Generating Recommendations at Amazon Scale with Apach...
20161027 hadoop summit Generating Recommendations at Amazon Scale with Apach...
「自動化...か、かっこいいタル」(憧れ)から始める自動化
「自動化...か、かっこいいタル」(憧れ)から始める自動化
ATN No.2 Scala事始め
ATN No.2 Scala事始め
Kerasで深層学習を実践する
1.
Kerasで深層学習を実践する Pythonで動かして学ぶ機械学習入門 第三回 谷田和章
2.
自己紹介 ● 谷田和章 (たにだかずあき) ○
GitHub: slaypni ● ソフトウェアエンジニア (フリーランス&白ヤギコーポレーション ) ○ 機械学習, 自然言語処理 ○ Web, iOS, Android ● カメリオの機械学習アルゴリズムの開発 2
3.
深層学習のライブラリ (一部) ● 計算グラフを記述 ○
Chainer ○ Tensorflow ○ Theano ● 深層学習の構成を記述 ○ Caffe ■ 専用ファイルに構成を記述 ○ Keras ■ Pythonで構成を記述 ■ ThensorflowかTheanoをバックエンドで利用 これからKerasの使いかたを見ていきます 3 ※分類は便宜的なものです
4.
深層学習を試す流れ 入力: データと正解ラベル 出力: テストデータの推定ラベル、および評価 実験の手順 1.
データを特徴ベクトルに変換 ← (今回の)深層学習では生のベクトルでもOK 2. データを学習用とテスト用に分ける 3. モデルを定義 4. モデルを学習 5. テストデータの正解ラベルを推定 6. 結果を評価 4
5.
モデル定義 5 from keras.layers import
Activation, Dense from keras.models import Sequential model = Sequential() model.add(Dense(8, input_dim=4)) model.add(Activation('relu')) model.add(Dense(3)) model.add(Activation('softmax')) model.compile( loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'] ) ... ReLU softmax input output Sequential: .add()で層を順に追加 層を設定 損失関数 最適化法
6.
学習 6 # パラメータを最適化 model.fit( X_train, Y_train, nb_epoch=5, batch_size=32 ) エポック数 ミニバッチのサイズ X_train: 訓練データ Y_train:
正解データ
7.
推定 7 # ラベルを推定 y_pred =
model.predict_classes(X_test) # 各ラベルの確率 y_proba = model.predict_classes(X_test) X_test: テストデータ
8.
評価 X_test: テストデータ y_test: 正解データ 8 #
Accuracy _, acc = model.evaluate(X_test, Y_test)
9.
実行環境の準備 必要なもの ● anaconda ● keras ○
未インストールの場合、 pip install kerasで入れられます 手順 1. 以下のリポジトリをクローン https://github.com/yosukekatada/python_ml_study 2. そのディレクトリでjupyterを実行 9
10.
サンプル: Iris Dataset 20161027_keras/iris.ipynb 内容 ●
実験の流れを確認 (データ準備 → モデル定義 → 学習 → 評価 ) ● モデルその1: ロジスティック回帰 ○ 一層だけのニューラルネットワーク ● モデルその2: 多層パーセプトロン ○ 復数層のニューラルネットワーク ● 使う層 ○ Dense(): 全結合 ○ Activation(): 活性化関数 ○ BatchNormalization(): バッチ正規化 (学習しやすくする) 10
11.
サンプル: MNIST 20161027_keras/mnist.ipynb モデルを作って実験してみてください ● モデルの良さはaccuracyで評価 ●
考えられること ○ 層の数 ○ 各層の幅 ○ 活性化関数 ○ エポック数 ○ 最適化法 ○ などなど ● Kerasのドキュメント: https://keras.io/ 11
12.
サンプル: CIFAR10 20161027_keras/cifar10.ipynb 内容 ● 畳み込み層を利用 ○
Convolution2D() ○ 入力チャネル数の行列を受け取り、出力チャネル数の畳み込み行列を出力する ● プーリング層を利用 ○ MaxPooling2D() ● CPUでは学習に時間がかかります 12
13.
サンプル: IMDB 映画レビュー感情分類 20161027_keras/imdb.ipynb 内容 ●
単語埋め込み層を利用 ○ Embedding() ○ 単語をベクトルに変換 ● RNN層を利用 ○ GRU() ○ ベクトルの系列をベクトルに変換 ● CPUでは学習に時間がかかります 13
14.
おまけ: Dockerで実行環境を作る 利点 ● 簡単に実行環境が作れる ●
プロジェクトごとに環境を分けられる 必要なもの ● GPUドライバがインストール済みのLinuxホスト ● nvidia-docker ○ GPUを触れるDockerコンテナを作れる 実行するには ● nvidia-docker run -it slaypni/keras-gpu bash 14
Jetzt herunterladen