1、Deep Q Network(DQN)の活用
    強化学習(Reinforcement Learning)の一手法であるQ-learning と
    ディープニューラルネットの組み合わせ


  1)Cartの上にあるPoleを倒さない様にCartを移動させる ・・・👈動画
     (重たいプログラムなのでGPU活用が必須!)


    pole
2、DCGANによる数字の生成

 DCGAN:Deep Convolutional Generative Adversarial Networks


     GAN


        GANprogram

    *datasetはスタンフォード大学で公開している The Street View House Numbers (SVHN)

     Format2 を利用 ( http://ufldl.stanford.edu/housenumbers/ )


        処理結果

     GPU利用で45分かかった!(CPUのみだと72Hrかかった)

          result
              Epoch1/25のランダムノイズがepoch25/25では数字として可視化できた!   


 3、Keras と Deap Learning で乳癌の予測

    Cancer

              dataset

                cnn

  予測結果

     予想確率:86.2% ・・・・処理時間約3.5時間

               pridict

  *総合処理時間 = 2(Dataset構築) + 3.5(予測計算) = 5.5時間

      開発環境がWindows-AnacondaでありOpenCVのGPU対応が出来ていない為?予想以上に時間がかかった!


4、OpenCVとDeep Learningによるビデオ映像のエッジを
 リアルタイムに検出する

   edgedetection

                                            プログラム実行動画・・・👈クリック!   

   出典:https://www.pyimagesearch.com/2019/03/04/holistically-nested-edge-detection-with-opencv-and-deep-learning/


inserted by FC2 system