Submit Search
Upload
My code
•
Download as PPTX, PDF
•
1 like
•
60 views
俊
俊 中村
Follow
研究に使っているコードの紹介
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 10
Download now
Recommended
BMS Molecular Translation 3rd place solution
BMS Molecular Translation 3rd place solution
BMS Molecular Translation 3rd place solution
Kazuki Fujikawa
111015 tokyo scipy2_ディスカッション
111015 tokyo scipy2_ディスカッション
Shohei Hido
110828 tokyo scipy1_hido_dist
110828 tokyo scipy1_hido_dist
Shohei Hido
Chainer MeetupでのLT資料です
LT@Chainer Meetup
LT@Chainer Meetup
Shunta Saito
GPUがなぜ速いのか,またその上でどのようなデータ構造やアルゴリズム,ライブラリが使えるのかを説明します。特にMapReduceなどの非均質で,離散的なアルゴリズムがいかに高速に実現されるかを紹介します。 実験に使ったコード https://github.com/hillbig/gpuexperiments セミナーの動画 https://www.youtube.com/watch?v=WmETPBK3MOI
More modern gpu
More modern gpu
Preferred Networks
WACODE 3rdの資料
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
PRML勉強会用の資料
Prml7.5.1
Prml7.5.1
Daiki Tsukahara
PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法
Yosuke Onoue
Recommended
BMS Molecular Translation 3rd place solution
BMS Molecular Translation 3rd place solution
BMS Molecular Translation 3rd place solution
Kazuki Fujikawa
111015 tokyo scipy2_ディスカッション
111015 tokyo scipy2_ディスカッション
Shohei Hido
110828 tokyo scipy1_hido_dist
110828 tokyo scipy1_hido_dist
Shohei Hido
Chainer MeetupでのLT資料です
LT@Chainer Meetup
LT@Chainer Meetup
Shunta Saito
GPUがなぜ速いのか,またその上でどのようなデータ構造やアルゴリズム,ライブラリが使えるのかを説明します。特にMapReduceなどの非均質で,離散的なアルゴリズムがいかに高速に実現されるかを紹介します。 実験に使ったコード https://github.com/hillbig/gpuexperiments セミナーの動画 https://www.youtube.com/watch?v=WmETPBK3MOI
More modern gpu
More modern gpu
Preferred Networks
WACODE 3rdの資料
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
PRML勉強会用の資料
Prml7.5.1
Prml7.5.1
Daiki Tsukahara
PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法
Yosuke Onoue
LTで発表したやつ
Swiftを勉強してrubyの コードが変化した3つの事
Swiftを勉強してrubyの コードが変化した3つの事
Karino Kyohei
2011/11/19 第19回東京R言語勉強会@大森 発表資料
Tokyo.R #19 発表資料 「Rで色々やってみました」
Tokyo.R #19 発表資料 「Rで色々やってみました」
Masayuki Isobe
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第13章
[第2版]Python機械学習プログラミング 第13章
Haruki Eguchi
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
第30回(前編) コンピュータビジョン勉強会@関東 http://kantocv.connpass.com/event/16586/ CVPR2015読み会発表資料 "Joint Tracking and Segmentation of Multiple Targets"
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
Yuki Nagai
Rubyの先祖でありながら、いまいちマイナーな存在であるプログラミング言語CLUの紹介です。合わせて日本で唯一CLUを使い続けた、東京工業大学理学部情報科学科木村泉研究室の取り組みについて簡単に触れます。
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
洋史 東平
Lispmeetup #39 発表資料
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
Satoshi imai
2016/9/3 html5 conference lightning talks
HTML5 Conference LT TensorFlow
HTML5 Conference LT TensorFlow
isaac-otao
Tokyo.SciPy 2011/8/28 で使用
Introduction to NumPy & SciPy
Introduction to NumPy & SciPy
Shiqiao Du
Schemeコードをx86アセンブリにコンパイルする、トイコンパイラの紹介 https://github.com/nobutaka/nanopass
Scheme to x86コンパイラ
Scheme to x86コンパイラ
Nobutaka Takushima
GPU向けにNLPの深層学習を実行する場合の工夫について
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Yuya Unno
Lispmeetup #45 Common Lispで音声合成
Lispmeetup #45 Common Lispで音声合成
Lispmeetup #45 Common Lispで音声合成
Satoshi imai
RustでTCPの実装を行いました
Klab expert camp 成果発表
Klab expert camp 成果発表
teruyaono1
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
Haruki Eguchi
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
Haruki Eguchi
Lisp meetup #29 cl-online-learningの紹介
Lisp meetup #29 cl-online-learningの紹介
Lisp meetup #29 cl-online-learningの紹介
Satoshi imai
Sort
Sort
oupc
2021/05/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
生成モデルとかをあまり知らない人にもなるべく分かりやすい説明を心がけたVariational AutoEncoderのスライド 実装と簡単な補足は以下を参照 http://sh-tatsuno.com/blog/index.php/2016/07/30/variationalautoencoder/
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
Rmq
Rmq
oupc
PPL2016@岡山 ディープラーニングの研究開発時には、計算を支援するためのフレームワークが用いられる。ChainerはPython上で動くディープラーニングフレームワークの一つである。他の多くのフレームワークと異なり、順伝播処理を行った時の実行履歴情報をもとに逆伝播のグラフを動的に構築するdefine-by-runという方式を採用している。この方式により、分岐や再帰を含むような複雑な構造のネットワークも直感的に構築でき、加えてデバッグが容易である。また、CuPyと呼ばれるNumPyサブセットのCUDAによる行列演算ライブラリを作成し、バックエンドとして利用している。本講演では、ディープラーニングフレームワークの基礎と実装、そして課題についてChainerを通して説明する。
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
Ryosuke Okuta
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
YoheiOkuyama
More Related Content
What's hot
LTで発表したやつ
Swiftを勉強してrubyの コードが変化した3つの事
Swiftを勉強してrubyの コードが変化した3つの事
Karino Kyohei
2011/11/19 第19回東京R言語勉強会@大森 発表資料
Tokyo.R #19 発表資料 「Rで色々やってみました」
Tokyo.R #19 発表資料 「Rで色々やってみました」
Masayuki Isobe
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第13章
[第2版]Python機械学習プログラミング 第13章
Haruki Eguchi
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
第30回(前編) コンピュータビジョン勉強会@関東 http://kantocv.connpass.com/event/16586/ CVPR2015読み会発表資料 "Joint Tracking and Segmentation of Multiple Targets"
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
Yuki Nagai
Rubyの先祖でありながら、いまいちマイナーな存在であるプログラミング言語CLUの紹介です。合わせて日本で唯一CLUを使い続けた、東京工業大学理学部情報科学科木村泉研究室の取り組みについて簡単に触れます。
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
洋史 東平
Lispmeetup #39 発表資料
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
Satoshi imai
2016/9/3 html5 conference lightning talks
HTML5 Conference LT TensorFlow
HTML5 Conference LT TensorFlow
isaac-otao
Tokyo.SciPy 2011/8/28 で使用
Introduction to NumPy & SciPy
Introduction to NumPy & SciPy
Shiqiao Du
Schemeコードをx86アセンブリにコンパイルする、トイコンパイラの紹介 https://github.com/nobutaka/nanopass
Scheme to x86コンパイラ
Scheme to x86コンパイラ
Nobutaka Takushima
GPU向けにNLPの深層学習を実行する場合の工夫について
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Yuya Unno
Lispmeetup #45 Common Lispで音声合成
Lispmeetup #45 Common Lispで音声合成
Lispmeetup #45 Common Lispで音声合成
Satoshi imai
RustでTCPの実装を行いました
Klab expert camp 成果発表
Klab expert camp 成果発表
teruyaono1
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
Haruki Eguchi
社内勉強会で使用した資料です。
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
Haruki Eguchi
Lisp meetup #29 cl-online-learningの紹介
Lisp meetup #29 cl-online-learningの紹介
Lisp meetup #29 cl-online-learningの紹介
Satoshi imai
Sort
Sort
oupc
2021/05/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
生成モデルとかをあまり知らない人にもなるべく分かりやすい説明を心がけたVariational AutoEncoderのスライド 実装と簡単な補足は以下を参照 http://sh-tatsuno.com/blog/index.php/2016/07/30/variationalautoencoder/
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
Rmq
Rmq
oupc
What's hot
(20)
Swiftを勉強してrubyの コードが変化した3つの事
Swiftを勉強してrubyの コードが変化した3つの事
Tokyo.R #19 発表資料 「Rで色々やってみました」
Tokyo.R #19 発表資料 「Rで色々やってみました」
[第2版]Python機械学習プログラミング 第13章
[第2版]Python機械学習プログラミング 第13章
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
CVPR2015読み会 "Joint Tracking and Segmentation of Multiple Targets"
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
Rubyの御先祖CLUのお話(OSC 2011 Shimane LT 資料)
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
Lispmeetup #39 MGLの紹介: Common Lispによるディープラーニング
HTML5 Conference LT TensorFlow
HTML5 Conference LT TensorFlow
Introduction to NumPy & SciPy
Introduction to NumPy & SciPy
Scheme to x86コンパイラ
Scheme to x86コンパイラ
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Lispmeetup #45 Common Lispで音声合成
Lispmeetup #45 Common Lispで音声合成
Klab expert camp 成果発表
Klab expert camp 成果発表
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
[第2版]Python機械学習プログラミング 第12章
Lisp meetup #29 cl-online-learningの紹介
Lisp meetup #29 cl-online-learningの紹介
Sort
Sort
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Rmq
Rmq
Similar to My code
PPL2016@岡山 ディープラーニングの研究開発時には、計算を支援するためのフレームワークが用いられる。ChainerはPython上で動くディープラーニングフレームワークの一つである。他の多くのフレームワークと異なり、順伝播処理を行った時の実行履歴情報をもとに逆伝播のグラフを動的に構築するdefine-by-runという方式を採用している。この方式により、分岐や再帰を含むような複雑な構造のネットワークも直感的に構築でき、加えてデバッグが容易である。また、CuPyと呼ばれるNumPyサブセットのCUDAによる行列演算ライブラリを作成し、バックエンドとして利用している。本講演では、ディープラーニングフレームワークの基礎と実装、そして課題についてChainerを通して説明する。
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
Ryosuke Okuta
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
YoheiOkuyama
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Shintaro Fukushima
これから機械学習を学ぶソフトウェア開発者の皆さまに知っていただきたい内容を網羅しました。 機械学習とは何か? Modelとは何か? 機械学習のプロジェクトの概要 Dataにまつわる話で気を付けるべき事
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
Daiyu Hatakeyama
2019/10/27〜2019/11/2に韓国ソウルで開催されたコンピュータビジョン分野の世界最大級の国際会議ICCV2019に、DeNAのAI研究開発エンジニア7名(岡田英樹, 唐澤拓己, 木村元紀, 冉文昇, 築山将央, 本多浩大, 馬文鵬 )が参加しました。 今回、参加メンバーの専門性を活かした情報収集を現地で実施し、注目度の高い論文や有益性の高い論文、Automotiveに関連する論文等、26本について解説資料を作成しました。
ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)
Hideki Okada
Guodong Ding, Fadime Sener, Angela Yao, "Temporal Action Segmentation: An Analysis of Modern Techniques" arXiv2022 https://arxiv.org/abs/2210.10352
論文紹介:Temporal Action Segmentation: An Analysis of Modern Techniques
論文紹介:Temporal Action Segmentation: An Analysis of Modern Techniques
Toru Tamaki
Define and expansion of cpp macro
Define and expansion of cpp macro
digitalghost
なにわテック祭りの発表資料
なにわテック20180127
なにわテック20180127
Natsutani Minoru
Kaggleコンペの参加記録です
Toxic comment classification
Toxic comment classification
Nasuka Sumino
下記のブログに補足記事がありますのでそちらもご覧下さい。 http://d.hatena.ne.jp/Akineko/
とあるFlashの自動生成
とあるFlashの自動生成
Akineko Shimizu
2012/03/08 電子情報通信学会システム数理と応用研究会招待講演での資料です。
2012-03-08 MSS研究会
2012-03-08 MSS研究会
Kimikazu Kato
対象: Stan触ったことない人 目的: Stan触るまで。 某勉強会にてStanについて5時間ほどお話しました。 その前半スライドになります。 何か問題がございましたら、ご連絡下さい。 Codeは、以下に・・・。 https://github.com/dastatis/Stan_Study
Stan勉強会資料(前編)
Stan勉強会資料(前編)
daiki hojo
IEICE SIGSS 2017年7月研究会 in 函館, 2017-07-19. 神谷年洋, 実行トレース間のデータの差異に基づくデータフロー解析手法の提案,電子情報通信学会技術研究報告 Vol. 117, No. 136, pp.55-60, 2017-07-19.
実行トレース間のデータの差異に基づくデータフロー解析手法の提案
実行トレース間のデータの差異に基づくデータフロー解析手法の提案
Kamiya Toshihiro
Pythonで動かして学ぶ機械学習入門 第二回 Jupyter Notebooks: https://goo.gl/U7bglf
画像認識で物を見分ける
画像認識で物を見分ける
Kazuaki Tanida
富士通研究所 下山武司さんの代理アップロード
準同型暗号の実装とMontgomery, Karatsuba, FFT の性能
準同型暗号の実装とMontgomery, Karatsuba, FFT の性能
MITSUNARI Shigeo
DeepLearningについて全くの素人が触れてみた結果、どうやったら・何ができたかをまとめた資料
はじめての人のためのDeep Learning
はじめての人のためのDeep Learning
Tadaichiro Nakano
JAWSDAYS 2014 で発表に使ったスライドです。 EMR や Mahout を使ったことがない初心者向けの内容になっています。とっかかりがなくて、困っている人にはちょうど良いと思います。 パッチ画像を K-Means でクラスタリングするという内容ですので視覚的に面白い結果がでます。画像処理の入門としてもよいかもしれません。 スライドの中で使っているプログラムのソースコードとデータは下記の URL にあります。 http://kurusugawa.jp/2014/03/18/jawsdays2014/
JAWSDAYS 2014 ACEに聞け! EMR編
JAWSDAYS 2014 ACEに聞け! EMR編
陽平 山口
Microsoft がオープンソース化し、今なお進化し続けている Deep Learning フレームワーク「Microsoft Cognitive Toolkit (CNTK)」その CNTK はすでに Microsoft の数々の実サービスにも利用されています。こちらのセッションではそんな CNTK を効率よく学び、新しい問題解決の手段を手に入れることにフォーカスしてお話しします。「CNTK の概要」、「活用方法をイメージするための実事例紹介」、「開発の始め方」、「GPU インスタンスを活用し高速に学習する方法」等のポイントについてご紹介し、皆さんの Deep Learning プロジェクトがロケット スタートできるようになることを目指します。 受講対象: アルゴリズムの難解な解説はいいから、プロジェクトで実際に Deep Learning を活用してみたい! という開発者、これから Deep Learning を始めたいデータ サイエンティストの方にお勧めのセッションです。データ分析の分野で広く使われている Python でのご紹介になります。 製品/テクノロジ: AI (人工知能)/Deep Learning (深層学習)/Machine Learning (機械学習)/Microsoft Azure 藤本 浩介 日本マイクロソフト株式会社 デベロッパー エバンジェリズム統括本部 エバンジェリスト
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
de:code 2017
2016年7月22日(金)名古屋にて開催の、NVIDIA のイベント Deep Learning Day #NVDLD 2016 Summer の資料です。 以下4つのことについて述べます。 ●ディープラーニングの現在 ●ディープラーニングSDK ●NVIDIA DIGITS ●ディープラーニング・フレームワーク / ディープラーニングの基礎
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
7/19に行った無料F#セミナーの資料です。関数プログラミングにご興味があればこちらのセミナーをどうぞ。http://www.mamezou.com/training/f_pro.html
関数型言語&形式的手法セミナー(3)
関数型言語&形式的手法セミナー(3)
啓 小笠原
Similar to My code
(20)
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
今さら聞けないHadoop勉強会第3回 セントラルソフト株式会社(20120327)
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)
論文紹介:Temporal Action Segmentation: An Analysis of Modern Techniques
論文紹介:Temporal Action Segmentation: An Analysis of Modern Techniques
Define and expansion of cpp macro
Define and expansion of cpp macro
なにわテック20180127
なにわテック20180127
Toxic comment classification
Toxic comment classification
とあるFlashの自動生成
とあるFlashの自動生成
2012-03-08 MSS研究会
2012-03-08 MSS研究会
Stan勉強会資料(前編)
Stan勉強会資料(前編)
実行トレース間のデータの差異に基づくデータフロー解析手法の提案
実行トレース間のデータの差異に基づくデータフロー解析手法の提案
画像認識で物を見分ける
画像認識で物を見分ける
準同型暗号の実装とMontgomery, Karatsuba, FFT の性能
準同型暗号の実装とMontgomery, Karatsuba, FFT の性能
はじめての人のためのDeep Learning
はじめての人のためのDeep Learning
JAWSDAYS 2014 ACEに聞け! EMR編
JAWSDAYS 2014 ACEに聞け! EMR編
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
関数型言語&形式的手法セミナー(3)
関数型言語&形式的手法セミナー(3)
More from 俊 中村
the presentation reference of my lab meeting
20180712 snakamura
20180712 snakamura
俊 中村
大学院ゼミ
Reserch report 2
Reserch report 2
俊 中村
arxiv_paper
Universal adversarial perturbations
Universal adversarial perturbations
俊 中村
医療系研究survey
20180115 nn survey
20180115 nn survey
俊 中村
遺伝的アルゴリズム入門
Intoro ga
Intoro ga
俊 中村
研究報告資料1
Reserch report 1
Reserch report 1
俊 中村
More from 俊 中村
(6)
20180712 snakamura
20180712 snakamura
Reserch report 2
Reserch report 2
Universal adversarial perturbations
Universal adversarial perturbations
20180115 nn survey
20180115 nn survey
Intoro ga
Intoro ga
Reserch report 1
Reserch report 1
My code
1.
コード紹介(keras) 2018/05/31 中村俊
2.
今回のコードの概要 ● 自分がこれまでのゼミで発表してきた実験をする際に使 ってきたコード ● Keras+転移学習+グラフ描画の関数 ●
画像のオーグメンテーション(水増し)なしのコード( そんなに変わらない)
3.
1. 必要なライブラリのimport ● kerasのNNに必要なライブラリをimport ●
画像→numpy ● グラフ描画→matplot ● 転移学習→keras内のinception-v3 ● K分割交差検証
4.
2. 学習前の準備 1. 入力形状の指定(画像サイズ) 2.
学習データとテストデータのロー ド 3. 交差検証の分割数の指定 4. 各種配列の定義 5. countとしてループ回数をカウント
5.
3. 使用するGPUを指定する(おまじない) ここでGPUの指定(4つなら,0〜3の間で選択)
6.
4. モデルの作成 KFoldライブラリを使用する時の書き方 ● Inceptionの設定 ●
tf.deviceはCPUの指定? ● SequentialAPI使用の宣言 ● 16ユニット×2の全結合層の作成 inception-v3+全結合のモデルの定義 マルチGPUにする場合は必要(非推奨)
7.
5. 学習と結果の保存 交差検証のデータ作成(学習と検証データの分割) ループの回数のカウント(各交差検証のたびに学習データの保存) ● 各交差検証での学習曲線の保存 ●
Error_average関数の出力(テストデータの誤 差の平均)を保存 ● 各誤差許容範囲における正答率の保存 自分で作成した関数
8.
6. 関数の説明 ● map関数と無名関数を使用するともう少しシ ンプルにかけるはず [0,1,4,9,16・・・・・]
9.
7. K分割交差検証の平均の出力 ● 各交差検証における視力推定誤差の平均 ●
Printで出力 ● history_loss配列のlossをグラフ描画する関数 ● 許容誤差-正答率曲線を描画する関数 forループの外
10.
8. 全体のコード 1 2
3
Download now