[機械学習] 商用利用禁止のデータセットで学習したモデルを商用利用することは可能か？｜Junichi Sato
自分で作った深層学習モデルをImageNetで学習してみようと思ったのですが、ImageNetはライセンスを確認すると商用利用が禁止されているようです。 TensorFlowやPyTorchなどで利用できるResNetなどのモデルは、ImageNetなどで事前学習されたパラメータが利用でき、普通に利用しています。 しかし、ImageNetからダウンロードした画像は商用利用禁止です。画像データを直接商用利用するのはもちろんアウトだと思いますが、これらの画像をもとに作られたパラメータは商用利用可能なのでしょうか？ 商用利用するにあたって法的に問題ないか気になったため、調べてみました。 注意 以下の内容で、私は法律の専門家ではないので、誤りがあるかもしれないです。以下を内容を元にトラブルが発生しても一切の責任は持てませんのでご了承ください。（もし間違いがありましたらご指摘いただけたらありがたいで
![[機械学習] 商用利用禁止のデータセットで学習したモデルを商用利用することは可能か？｜Junichi Sato](https://cdn-ak-scissors.b.st-hatena.com/image/square/f833fa8b8ac5b02475246772cd027950e4852606/height=288;version=1;width=512/https%3A%2F%2Fassets.st-note.com%2Fproduction%2Fuploads%2Fimages%2F66455103%2Frectangle_large_type_2_24a6d8bf6cddfe20deb8044276db806b.png%3Ffit%3Dbounds%26quality%3D85%26width%3D1280)
cifar10 で Test Time Augmentation (TTA) の実験 - Qiita
Deep Learning の、特に画像分類系のタスクでよく使用される、 Test Time Augmentation (TTA) という Augmentation の手法を友人 (@hattan0523) に聞いたので、実際変わるものかと思ってカジュアルに試してみました。 なんかコンペとかでは必須らしい。 ※ 間違いなどご指摘歓迎です。 Test Time Augmentation (TTA) とは 機械学習、特に Deep Learning では、大きなモデルを学習させるためにたくさんの訓練データが必要になります。 データが増えるほど精度が上がったり、複雑なモデルも学習できるようになることが知られています。 そこで、訓練用データを少し加工し別のデータとしてデータセットに加えることで、学習に使えるデータの量を増やす試みがよく行われており、 Data Augmentation と呼ばれます
Googleの新たな自然言語処理AI「T5」の特徴とは？実際にAIとクイズで対決も可能
Googleの新たな自然言語処理モデル「T5」は、ある領域の学習済みモデルを別の領域に転用する「転移学習」を利用した機械学習モデルであり、多くの自然言語処理ベンチマークで最も高いスコアを残しています。そのT5の特徴と能力をGoogleが解説しており、実際にT5とクイズで対決できるウェブサイトも公開されています。 Google AI Blog: Exploring Transfer Learning with T5: the Text-To-Text Transfer Transformer https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html T5 trivia https://t5-trivia.glitch.me/ Googleが発表した論文である「Exploring the Limits
コンテナイメージを使用してAWS Lambda関数を作成する - Qiita
この記事は ユニークビジョン株式会社 Advent Calendar 2020 の7日目の記事です。 1. はじめに この記事ではAWS re:Invent 2020で発表された AWS Lambda の新機能 – コンテナイメージのサポート についてまとめます。 従来、AWS Lambdaの関数を作成するためには関数の実行に必要なものをZIP形式でパッケージ化する必要がありました。 個人的にはローカルで動作確認をする構成とZIP形式のパッケージを作る手順が存在しているのは好みではありませんでしたが、この新機能によって開発時・本番運用時の両方とも同じコンテナイメージを使用することが出来るようになりました。 また、従来のZIP形式ではデプロイパッケージのサイズが250MBに制限されており、例えばTensorFlowなどを使用した推論処理のためにAWS Lambdaを使用するのは困難でした。そ
ディープラーニングの推論時間を大幅に短縮できる「NVIDIA TensorRT」利用方法は？ | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
TensorFlow 2.0 のコードの書き方基本集（PyTorchとの比較） - HELLO CYBERNETICS
はじめに 線形回帰と学習のコード データセット PyTorch TF2.0 違い 些細な違い：層の定義の仕方 些細な違い：ロス関数の書き方 大きな違い：勾配計算とパラメータ更新 ニューラルネットワークの簡単な書き方 PyTorch TF2.0 違い 畳み込みニューラルネットワーク PyTorch TF2.0 違い パディング 畳み込み層→線形層 traininigフラグ RNN PyTorch TF2.0 違い 大きな違い：多層化 些細な違い：Bidirectional 大きな違い：戻り値の並び 学習 はじめに 最近KerasからPyTorchに流れていく人たちが多く見受けられます。その中でて「Kerasで書いていたコードをPyTorchのコードで実装するにはどうすれば良いんだろう？」という声があります。要は、今まで使っていたフレームワークでやろうとしていたことを、別のフレームワークでやろ
［書評］日本語初の「モバイルアプリ開発者向け」機械学習・ディープラーニング解説書 - その後のその後
「iPhone/Androidアプリ開発者のための機械学習・深層学習 実践入門」をご恵贈いただきました。機械学習関連の技術書は数あれど、モバイルアプリ開発者向けを謳ったものは日本語では初だと思います。 iPhone/Androidアプリ開発者のための機械学習・深層学習 実践入門posted with amazlet at 19.01.24布留川 英一 ボーンデジタル (2019-01-26) 売り上げランキング: 171,507 Amazon.co.jpで詳細を見る モバイル向けというとCore ML/ML Kit等の学習済みモデルを活用するフレームワークやツール群を想起しますが、本書ではCreate ML、Turi Create、TensorFlow、Cloud AutoMLといったモデル作成側についても解説されています。 また目次を見るとわかりますが、機械学習／ディープラーニングの定番
【随時更新】pyenv + Anaconda (Ubuntu 16.04 LTS) で機械学習のPython開発環境をオールインワンで整える | ALGO GEEKS
【随時更新】pyenv + Anaconda (Ubuntu 16.04 LTS) で機械学習のPython開発環境をオールインワンで整える 筆者の機械学習系のPython開発環境は、Vagrant を用いた Ubuntu (16.04 LTS) 上に構築しています。 ここでは、画像認識、音声認識、自然言語処理などに必要な環境をオールインワンで構築する手順をまとめます。 (最終更新日: 2016/11/14) OSバージョン OSバージョンは下記の通りです。 $ cat /etc/lsb-release DISTRIB_ID=Ubuntu DISTRIB_RELEASE=16.04 DISTRIB_CODENAME=xenial DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS" $ uname -a Linux vagrant 4.4.0-31-generi
転職について - 兼雑記
6月14日がグーグル最終日でした。8月からPFNに混ぜてもらう予定です。退職や入社も重要イベントなんでしょうけど、転職活動それ自体が大変に楽しい体験だったので、入社したからって突然次の会社についての知見にあふれているわけでもなし、このタイミングでなんか書こうと思いました。どうせ暇だし。 前回との差分 http://shinh.hatenablog.com/entry/2016/03/11/142748 が前回までのあらすじ。このちょっと後で、「ニューラルトランスレートすげー」とか思って Google Translate のチームに入れてもらって、自然言語/機械学習研究入門+プロダクショナイズ+TensorFlowまわりのあれこれおもしれーとか、その他いろいろをやってた、というのが現在との差分です。 機械翻訳というのは、他の機械学習応用分野と同じく、ニューラルさんによってすさまじく簡略化され
【いつの間にか進化してた！】TensorFlowのKerasの様々な使い方 - HELLO CYBERNETICS
はじめに これまで通りの使い方 Kerasと言えばコレ：Sequential 少し発展版：Modelによるfunctional API Eagerの登場によって…！ Pythonのclassとしての作り方 Eagerモードとしての書き方 確率的なニューラルネットワーク はじめに 最近機械学習から離れ気味ですが、何やらTensorFlowのDocumentを覗いたらTensorFlow内部のKerasがすごくいろいろな使い方できることに気が付きました。 （ちなみに、TensorFlowとは別の（いろいろなフレームワークをバックエンドにできる）Kerasの方はどうなっているのか知らないので申し訳ありません。） ということでそれを簡単にまとめておきたいと思います。本当に簡単に。 これまで通りの使い方 Kerasと言えばコレ：Sequential 最もよく知られている使い方ですね。 model=t
Cloud AutoML Visionは、どう使えるサービスなのか
Cloud AutoML Visionは、どう使えるサービスなのか：画像の機械学習を簡単に行える（2/2 ページ）
TensorFlowを使った機械学習を論文抽出に適用、ヒントは大学入試問題対策の裏ワザ
これを行ったのは、東京共済病院腎臓高血圧内科部長、東京医科歯科大学臨床教授などを務める神田英一郎氏。日本腎臓学会の組織した委員会による、慢性腎臓病（CKD）をテーマとした「エビデンスに基づくCKD診療ガイドライン2018」（未出版）の作成に関わった。その作成プロセスにおいて、論文スクリーニング作業の負担が重いことから、機械学習の活用を思い付き、「第3のスクリーニング担当者」を生み出した。 以下では、同氏の説明に基づき、これを紹介する。 「心の折れる作業」をどう軽減できるか 医療の世界では、「EBM（Evidence Based Medicine）」への取り組みが進められてきた。EBMとは、「医療行為は最新、最良の科学的根拠に基づいて行うべき」という考え方だ。診療ガイドラインは、EBM推進の観点から、臨床現場での意思決定における判断材料の1つとして利用することを目的とした文書で、各専門分野の
生TensorFlow七転八倒記(5)：ようやくCNNまでたどり着いた - 渋谷駅前で働くデータサイエンティストのブログ
前回の記事でようやくDeepっぽいところまで来たので、そのままさっさとDeepらしさの象徴でもあるCNN (Convolutional Neural Network)にいってしまおうと思います。ちなみに今回も大して参照していませんが、参考文献として深層学習青本を掲げておきます。 深層学習 (機械学習プロフェッショナルシリーズ) 作者: 岡谷貴之出版社/メーカー: 講談社発売日: 2015/04/08メディア: 単行本（ソフトカバー）この商品を含むブログ (13件) を見る それでは、いよいよCNNをやってみましょう。 生TensorFlowでLeNetを回してみる ようやくCNNをやってみるわけですが、実はTensorFlow公式に立派なチュートリアルがあります(Deep MNIST for Experts | TensorFlow)。というか、MNIST + CNNというところまで来
普通の人が普通にAIを構築する時代が来ている - 日経トレンディネット
大企業または技術の先端企業だけが必要とし、利用する技術と思われがちな人工知能（AI）。だが既に、個人農家でも活用されはじめている。Google Cloudチームのデベロッパーアドボケイトである佐藤一憲氏がTREND EXPO TOKYO 2017に登壇。AI（人工知能）の活用事例を、同社サービスを軸にして語った。 「より人間に近い賢さを持ったITを作っていこうというのがAIです」 佐藤氏は講演の冒頭でそう話した。 「そして賢いITを作るためのアプローチのひとつが、機械学習です。現在は99％のITシステムが、人がプログラムを書いてコンピューターの処理の仕方を決めています。一方の機械学習は、コンピューターが自らプログラミングを行うことをいいます。例えば、eコマースのデータを見せていくと、こういうお客様は商品を買いやすい、あるいは買いにくいということを、コンピューターに探らせることができるのです
deeplearning.ai受講メモ (2/24更新) - naoya_t@hatenablog
【追記】2/19全講座修了しました！ https://www.deeplearning.ai/ Andrew Ng先生のディープラーニング専門講座 deeplearning.ai を受講したメモ。久々のCoursera！ Neural Networks and Deep Learning Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization Structuring Machine Learning Projects Convolutional Neural Networks Sequence Models Courseraの中でもこの講義は Specialization という枠組みで、基本有料（月$49.00；講義ビデオを視聴するだけで課題なしCertificateなし
初めてのTensorFlow入門～MNIST SingleNet～ - webエンジニアの日常
こんにちは、エンジニアのさもです。 前回に引き続き、MNISTに挑戦します。 今回は、隠れ層を1層追加して、単層のニューラルネットワークを構築していきます。 コードはこちらの書籍をお手本にしています。 TensorFlowで学ぶディープラーニング入門 ~畳み込みニューラルネットワーク徹底解説~ 作者: 中井悦司出版社/メーカー: マイナビ出版発売日: 2016/09/27メディア: 単行本（ソフトカバー）この商品を含むブログ (1件) を見る スポンサーリンク 目次 単層ニューラルネットワークの概要 実装 ライブラリのインポート 変数の定義 正解率などの定義から学習まで 自分の手書き文字を判定する 最後に 単層ニューラルネットワークの概要 前回は、入力値（画像）に対して、パラメータ行列をかけて、バイアスを足し、その結果をソフトマックス関数を用いて確率へ変換しました。入力値は、28×28サイ
TensorFlow から CNTK に移行する理由
This browser is no longer supported. Upgrade to Microsoft Edge to take advantage of the latest features, security updates, and technical support. 深層学習は、過去数年間に人工知能 (AI) に革命をもたらしました。一部の上位の企業だけではなく誰でも自由に人工知能を使えるように、というマイクロソフトのビジョンに基づき、オープンソースの深層学習フレームワークであるMicrosoft Cognitive Toolkit (CNTK) が作成されました。今日では、GitHubスターの数で TensorFlowとCaffeに続く、そしてMxNet、Theano、Torchなどよりも順位が高い、3番目に人気のある深層学習フレームワークとなりました。 Tens
【ディープラーニングフレームワーク】Chainer, Keras, TensorFlow, Pytorch 【更新2018/11/11】 - HELLO CYBERNETICS
はじめに Chainer 利点欠点 感想 誰にオススメか TensorFlow 利点欠点 感想 誰にオススメか Keras 利点欠点 感想 誰にオススメか Pytorch なぜPytorchを選んだか Pytorchがfast.aiとその受講生にもたらす利点 誰にオススメか（使ったこと無いので偏見） フレームワーク検索ボリューム（一新しました） Define by Runで有名なChainerとPyTorch比較 比較範囲：日本 比較範囲：全世界 Chainer、PyTorch、TensorFlow、Kerasの比較 比較範囲：日本 比較範囲：世界 はじめに この記事を公開してから1年以上の月日が経っていました。 Google検索で、「TensorFlow PyTorch」という検索ワードを入れるとそれなりの上位にこの記事が表示されていたので、あまりに情報が古いということで更新することにい
TensorFlowによる精度計算の流れを追う - test.py
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(Y, 1), tf.argmax(Y_, 1)), tf.float32)) Yをニューラルネットワークの出力層、Y_をその正解ラベルとした場合、学習モデルの精度を計算するとき、 TensorFlowでは上記ようにAPIを組合せて書くことがある。 式が長いので、各APIの処理の流れを、１つずつ出力しながら追ってみる。 分かれば非常にシンプルな処理の流れである。 計算の流れ NumpyとTensorFlowをimportしておく。 >>> import tensorflow as tf >>> import numpy as np YとY_に[3, 4]のサンプルデータをセットする。 1行目を不正解としている。 >>> Y = np.array([ ... [0.1, 0.2, 0.3,
強化学習入門 Part2 - TensorflowとKerasとOpenAI GymでPolicy Gradientを実装してみよう！ - Platinum Data Blog by BrainPad
「強化学習入門」の第2弾。今回は、強化学習の手法の一つ「Policy Gradient」について解説しています。加えて、「Policy Gradient」でTensorflow, Keras, OpenAI Gymを使ったCart Poleの実装内容もご紹介しています！ こんにちは、AI開発部の高橋です。今回は強化学習の手法の一つであるPolicy Gradientを説明します。そしてTensorflow, Keras, OpenAI Gymを使ってCartPoleを実装してみます。 目次 目次 1. はじめに 2. 適用例 3. Valued-Basedのおさらい 4. Policy-Based 5. 実装 6. Baseline 7. まとめ 8. 参考文献・コード 1. はじめに 強化学習が初めての方は、こちらの入門編を先に読むことをオススメします。 blog.brainpad.co
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
