deep-learning-from-scratch/train_deepnet.py at master · oreilly-japan/deep-learning-from-scratch · GitHub 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 の 8章 sample codeの写経です。 python scriptは以下の通り…

「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.229～233 の写経です。 ここまでで理解が深まった気がしますが、 様々、ありすぎて、理解できていない部分もあると思います。 # coding: utf-8 import sys, os import nump…

deep-learning-from-scratch/ch06 at master · oreilly-japan/deep-learning-from-scratch · GitHub 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.197～202 の写経です。 ハイパーパラメータとは? 各層のニューロン数 …

deep-learning-from-scratch/ch06 at master · oreilly-japan/deep-learning-from-scratch · GitHub 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.193～195 の写経です。 先程の Weight decay (荷重減衰)とは別に Dropo…

deep-learning-from-scratch/ch06 at master · oreilly-japan/deep-learning-from-scratch · GitHub 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.193～195 の写経です。 過学習の主な原因 パラメータを大量に持ち、表…

先程のentryでは、 重み初期値が広がりが持つようXavierやHeを使用していますが Batch Normalizationという手法を追加することでも、 アクティベーション分布の広がりを調整できるようです。 尚、アクティベーションとは、Affine層による処理を指します。 Af…

deep-learning-from-scratch/ch06 at master · oreilly-japan/deep-learning-from-scratch · GitHub 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.177～186 の写経です。 p.178によれば、過学習を抑える為、重みの初期…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.156～163 の写経です。 以前、以下のentryでは、勾配計算に…

github.com 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.147～154の写経として、以下の朱書き部分を計算グラフ化します。 目次 Affineレイヤ Softmax-with-Lossレイヤ Affine ReLU ・ ・ ・ ・ Affine Softmax input …

「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.143～146の写経です。 github.com Sigmoid層のpython実装 # coding: utf-8 import numpy as np def main(): sigmoid = Sigmoid() x = np.array( [[1.0, -0.5], [-2.0, 3.0]…

「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.141～142の写経です。 github.com Relu層のpython実装 # coding: utf-8 import numpy as np def main(): relu = Relu() x = np.array( [[1.0, -0.5], [-2.0, 3.0]] ) # 準…

「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.129～132の写経です。 基本は、上流からの値と偏微分の乗算 応用例? 合成関数での逆電波 基本は、上流からの値と偏微分の乗算 まず、を計算グラフで表すと、下図の通りです…

キカガクによる以下のurlが分かりやすいと思います。 ニューラルネットワークの理論（逆伝播） - KIKAGAKU

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.112～121 の写経です。 また、以下のキカガクのページも分か…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.89～108 の写経です。 目次 損失関数としての 交差エントロ…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.64～65の写経です。 「学習済の為、重みやバイアスは確定済…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」 p.44～52の写経です。 行列を引数として扱う為、numpyを利用し…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」p.23 ～33の写経です。 # coding: utf-8 import numpy as np im…

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016) 「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」p.60 の写経です。 ニューラルネットワーク図 1 x 1 x 2 a (1) …

不動産住宅の間取り図の自動認識は、おもしろそうではありますが、 下記2の「We share all our annotations and train-test split file here.」から アノテーション他を取得できず、試すこともできず 古いエントリですので、さくじょされたんですよね。きっ…

先程のentryで decision tree を使いましたので、 おまけで、ランダムフォレスト #!/usr/local/bin/python3 # -*- coding: utf-8 -*- from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.ensemble …

【機械学習】決定木をscikit-learnと数学の両方から理解する - Qiita 上記urlの写経 + 少々、修正です 目次 決定木作成とsvg出力を行うpython script 頂上nodeにある gini, samples, value, class の意味 gini = 0.497 samples = 13 value = [6,7] class = T…

国土地理院APIでお手軽ジオコーディング＆逆ジオコーディング - 芽萌丸 国交省 国土地理院のサイトには、 GEOコーディングAPIの資料が見つかりませんでしたが、 上記urlで見つけたのでメモ。 GoogleMap APIと比較すると、精度(情報粒度)は粗いようですが。 G…

重回帰分析は量的なものの予測に利用される為、 次の回帰式で表されます。 ロジスティック回帰の回帰式は、上記に似ていますが、 合格/不合格のような2値の確率予想に使用される為、 次の回帰式で表されます。 line, polyline, path { stroke : #20285A; str…

先程のentryの重回帰分析版です。 回帰式 単回帰も重回帰も同様の手順で、回帰係数を導出できますが、 変数が多いと、手計算が手間ですので、 今回は以下の回帰係数を算出します。 偏微分と連立方程式による の導出 上記を のそれぞれで偏微分します 式0の …

最小二乗法と、共分散/分散の関係をすっかり忘れていたので、振り返り 目次 最小二乗法 とは 回帰式と回帰係数 偏微分と連立方程式による の導出 最小二乗法 とは 回帰式を、実測値をとするとき の 残差平方和(誤差)が最小の を求めること 回帰式と回帰係数 …

YOLOによる画像認識を行う為の準備メモ https://github.com/heartexlabs/labelImg install labelImg for python3 and windows labelImgはGUI付のツールですので、 pip3.exe install labelImg により、PyQt5 もinstallされます。 PowerShell> cd C:\Users\end…

先程のentryの続きです。 step 1 request.urlopen() で画像をdownloadし step 2 io.BytesIO()で file化し step 3 Pillow にて png形式で保存 します #!/usr/local/bin/python3 # -*- coding: utf-8 -*- from PIL import Image from urllib import request im…

以下の通りかと思います #!/usr/local/bin/python3 # -*- coding: utf-8 -*- from selenium import webdriver # ex. pip install selenium==4.0.0a7 from selenium.webdriver.chrome.options import Options from selenium.webdriver.chrome.service import …

unityには、先程の OnCollisionEnter()とは 別のOnTriggerEnter()があるらしい。 先程の OnCollisionEnter() では、Rigidbodyどうしの衝突を判定できましたが OnTriggerEnter()では、衝突することなく、通過?を判定できるみたい。 以下では、3D Sphereをカー…