4/14(日)　足・靴・木型研究会「第2回研究集会」を開催します☆彡
画像生成 / スタイル変換

4-3. CNNでケーキ画像の次元圧縮（最終手段編）

やること どうしてもオートエンコーダで画像を２次元まで次元圧縮したい。今日は最終手段を使って、ケーキ画像の次元圧縮をしてみます。 使うもの 最終手段とは オートエ...
2019/03/06 Yasuda
画像生成 / スタイル変換
画像生成 / スタイル変換

4-2. CNNでケーキ画像の次元圧縮（Stacked Auto-Encoder編）

やること エンコーダ部分とデコーダ部分をまとめて学習させると、どうも学習が安定しない気がします。今日は、学習を工夫した「Stacked Auto-Encoder」でケーキ画像の次元圧縮を試して...
2019/03/06 Yasuda
画像生成 / スタイル変換
画像生成 / スタイル変換

4-1. CNNでケーキ画像の次元圧縮（Auto-Encoder編）

やること 画像というものは非常に高次元の情報を持っています。例えば128*128pxの画像は、128*128*3ch＝49152次元の情報を含んでいます。人間は高次元の情報を処理できない動物な...
2019/03/06 Yasuda
画像生成 / スタイル変換
強化学習 / DQN

3-3. DQNで難しい迷路を解く

やること 前回はDQNで地雷原を進むゲームを解きました。今回は、もっと賢く行動するためにニューラルネットを工夫してみます。 使うもの ニューラルネットを工夫す...
2019/03/06 Yasuda
強化学習 / DQN
強化学習 / DQN

3-2. DQNで迷路を解く

やること DQNのプログラムは非常に高度ですが、勉強会で配布されたコードは比較的シンプルで読み解きやすいです。今日は、DQNで地雷原を進むゲームを解いてみましょう。 環境とコード ...
2019/03/06 Yasuda
強化学習 / DQN
強化学習 / DQN

3-1. 強化学習とQ学習とDQN

やること 機械学習は、教師あり学習、教師なし学習、強化学習の３つに分けて語られることが多いです。強化学習は、「長期的な価値が高くなるような判断基準を見つける」感じの学習です。今日は、強化学習の...
2019/03/06 Yasuda
強化学習 / DQN
画像生成 / スタイル変換

2-2. DCGANのアルゴリズム

やること Deep Convolutional Generative Adversarial Networks (DCGAN)は、直訳すると「深層畳み込み敵対的生成ニューラルネット」です。今日...
2019/03/05 Yasuda
画像生成 / スタイル変換
画像生成 / スタイル変換

2-1. 深層学習のためのでプログラム実行環境を整える（GPU環境版）

やること 記事1-1では、WinPythonというプログラム実行環境を導入しましたが、本格的な深層学習をするには、やはりGPUによる高速化が必要です。CPUに比べるとだいたい30～100倍くら...
2019/03/05 Yasuda
画像生成 / スタイル変換
回帰 / クラス分類

1-6. ケーキ画像のクラス分類

やること 準備が長かったですが、いよいよケーキ画像のクラス分類を行います。 環境とコード ニューラルネットモデル ここでは基本に則って、「畳み込み＋プーリング」...
2019/03/05 Yasuda
回帰 / クラス分類
回帰 / クラス分類

1-5. 画像の水増しをする

やること 深層学習では、教師データが少ないと過学習を起こしてしまい、未知の入力に対応できなくなってしまいます。 １つのドリルを１万回やるよりも、1000種のドリルを10回やったほうが入試に強い...
2019/03/05 Yasuda
回帰 / クラス分類
次のページ
タイトルとURLをコピーしました