画像や音声分類の汎化性能を向上させる目的で開発されたBetween-class Learning(BC-learning)というData Augmentationの効果をKerasで確かめます。「2つの画像を混ぜる」というアプローチを取るData Augmentationです。10層CNNでCIFAR-10に対して94.59%という素晴らしい性能を確認することができました。 BC-Learningとは？ 2つの画像を混ぜるというData Augmetation。これにより、決定境界がより平滑化され、オーバーフィッティングが解消され、ValidationやTestでの汎化性能が向上する。 BC-learningのもともとの着想は音声認識からでした。人間でも、例えば英会話で2つの音を同時に聞くことで学習効率が向上する、というのは耳にします。2つの画像を混ぜても人間には特に意味はないかと思われま
学習率が高すぎるという状況を回避するために、学習率の減衰は入れています。バッチサイズ128のときと同様、Adamのオプティマイザーで初期学習率を1e-3とし、100、150、200エポックでそれぞれ学習率を1/5にしました。引き続き、TensorFlow・KerasのTPUで訓練させています。 ちなみにバッチサイズ128のときの同条件の精度は0.9173でした。ちょっと低すぎるような気がします。 なんとなくα＝0.5～1のあたりにスイートスポットがありそうな気がしますね。0.55～0.95まで同じ条件で細かく（0.05刻みで）見てみましょう。別に調べました。 確かに0.55は高いけどノイズ挙動だよねという感は否めません。なので、おそらく確率を第一に疑うのは間違いでしょう。ベータ分布の値を3、4と大きくしたときは明らかに落ちているので、確率はチューニングの余地があるのは否定はしません。しかし
あと1ヶ月ほどで、「平成」が幕を閉じる。平成とは私たちにとってどのような時代だったのか、さまざまな事件・出来事から激動の30年を見つめる「NHKスペシャル」のシリーズ「平成史スクープドキュメント」。第5回は、平成を彩ったノーベル賞に焦点を当てた。 平成に入って、自然科学系ノーベル賞を受賞したのは18人（アメリカ国籍取得者含む）。その中でも世界を驚かせたのが、2002年（平成14年）にノーベル化学賞を受賞した田中耕一だ。いち民間企業のエンジニア、修士号すら持たない研究者に化学賞が贈られたのは、世界で初めてのことだった。バブル崩壊の後遺症に苦しみ、「失われた20年」と言われた時代。中年サラリーマンの快挙に、日本中が沸いた。
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
処理を実行中です
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