brendano

# Load the MNIST digit recognition dataset into R
# http://yann.lecun.com/exdb/mnist/
# assume you have all 4 files and gunzip'd them
# creates train$n, train$x, train$y  and test$n, test$x, test$y
# e.g. train$x is a 60000 x 784 matrix, each row is one digit (28x28)
# call:  show_digit(train$x[5,])   to see a digit.
# brendan o'connor - gist.github.com/39760 - anyall.org

load_mnist <- function() {
  load_image_file <- function(filename) {

keijiro

About Me

高橋 啓治郎 - 1977年生まれ

コンシューマーゲーム業界にて10年間の開発経験を持つゲームプログラマーです。ゲームプログラミング全般に経験を持ち、中でもグラフィックスプログラミング、AIプログラミングを得意としています。

現在は iPhone/iPad アプリの開発を主軸に置きつつ、技術書への寄稿や、ゲーム開発のコンサルティングなどを手がけています。

glamp

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
import numpy as np

iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['is_train'] = np.random.uniform(0, 1, len(df)) <= .75
df['species'] = pd.Factor(iris.target, iris.target_names)
df.head()

chiral

library(dplyr)
library(ggplot2)
library(reshape2)

train <- read.csv("train.csv")
#test <- read.csv("test_v2.csv")

az <- train %.%
  filter(record_type==1) %.%
  select(A:G)

rezoo

Caffe tutorial

この文章ではCNN実装であるCaffeを用いて，特徴ベクトルの抽出やパラメータの学習を行うための方法について説明する．

Caffeでサポートされている機能

以下の作業を行いたいのであれば，Caffeを用いることが望ましい．

• CNNを利用した画像の多クラス分類
• CNNによる特徴ベクトルの抽出
• CNNの転移学習
• Stacked Auto Encoder

danstowell

N <- 15
M <- 12
K <-  3
Wconc <- 100
Hconc <- 5
Winit <- structure(c(.056,.111,.056,.111,.056,.111,.056,.111,.056,.111,.056,.111,.111,.056,.111,.056,.111,.056,.111,.056,.111,.056,.111,.056,.063,.063,.125,.063,.063,.125,.063,.063,.125,.063,.063,.125

), .Dim=c(12,3))
X <- structure(c(.032,.032,.091,.032,.157,.264,.157,.139,.486,.257,.709,.934,.036,.036,.08,.036,.255,.192,.255,.1,.638,.171,1.228,.62,.039,.039,.226,.039,.119,.521,.119,.128,.809,.227,.475,1.537,.047,.047,.212,.047,.113,.589,.113,.242,.717,.458,.407,2.002,.02,.02,.058,.02,.07,.189,.07,.107,.251,.203,.293,.705,.033,.033,.062,.033,.128,.268,.128,.208,.325,.403,.549,1.142,.039,.039,.245,.039,.144,.516,.144,.081,.923,.128,.609,1.39,.05,.05,.189,.05,.326,.383,.326,.091,1.077,.136,1.55,1.024,.039,.039,.245,.039,.106,.548,.106,.112,.847,.194,.407,1.565,.023,.023,.134,.023,.072,.301,.072,.065,.486,.112,.291,.862,.04,.04,.145,.04,.205,.352,.205,.131,.726,.233,.938,1.107,.028,.028,.173,.028,.076,.397,.076,.093,.593,.164,.287,1.163,.028,.028,.058,.028,.14,.1

fonnesbeck

twiecki

taku-y

rajarsheem

import numpy as np
import tensorflow as tf

# Newton's optimization method for multivariate function in tensorflow

def cons(x):
    return tf.constant(x, dtype=tf.float32)

def compute_hessian(fn, vars):
    mat = []