TensorFlow 各種ドキュメント翻訳/解説

クラスキャット 人工知能 研究開発支援サービス 無料 Web セミナー開催中

◆ クラスキャットは人工知能・テレワークに関する各種サービスを提供しています。お気軽にご相談ください :

◆ 人工知能とビジネスをテーマに WEB セミナーを定期的に開催しています。スケジュール
  • お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
2021年10月13日(水):ウェビナー
 スモールスタートを可能としたAI導入支援 Vol.2 ~ 具体的な導入プロセスと運用時のポイント ~
 「画像認識 AI PoCスターターパック」の紹介

◆ 定例会・イベント・情報交換会開催のお知らせ。スケジュール
2021年09月22日(水):ウェビナー】16:00-17:30
リモートアクセスは今後どのように変わっていくか?
~ ゼロトラストネットワークの解説と共に導入事例や今後の動向について ~
働き方改革応援隊 VOL. 9

2021年10月06日:トークセッション】11:00-12:00
あの日ジョブスは
~ Steve Jobs 没後10周年記念 著者座談会 小平尚典+江藤哲郎~
ビジネス変革応援隊 Vol.7

お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部 セールス・インフォメーション
E-Mail:sales-info@classcat.com  ;  WebSite: https://www.classcat.com/  ;  Facebook

 

TensorFlow 2.6.0 リリースノート

TensorFlow 2.6.0 ステーブル版がリリースされました。
いつものようにリリースノートの主要部分を翻訳しておきました。前バージョン (2.5.0) からおよそ 3ヶ月が経過しています。

特に注意すべき点は、Keras が個別の PIP パッケージ (keras) に分割されコードは GitHub レポジトリ keras-team/keras に移動されたことです。tf.keras のための API エンドポイントは変更されないままですが、keras PIP パッケージにより支援されることになります。

[詳細] (08/12/2021)

 

共同プレスリリース : 「画像認識AI PoCスターターパック」の提供を開始

共同 Press Release (07/26/2021)
株式会社クラスキャット
日本FLOW株式会社
「画像認識 AI PoC スターターパック」の提供を開始
~ 手軽にAI(人工知能)導入普及促進を支援 ~

株式会社クラスキャット(茨城県取手市:代表取締役社長 佐々木規行)と日本FLOW株式会社(東京都港区:代表取締役社長 半戸祐次)は、手軽にAI導入へチャレンジできるPoC環境を用意し、AI導入普及を促進させることを目的とした、「画像認識AI PoCスターターパック」を共同で開発し本日から提供を開始いたします。   [Read More …]   (07/26/2021)

お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット セールス・マーケティング本部 セールス・インフォメーション
E-Mail:sales-info@classcat.com ; WebSite: https://www.classcat.com/
Facebook: https://www.facebook.com/ClassCatJP/ ; Twitter: https://twitter.com/ClassCat_AI_Lab/

◆ 主なメディア掲載

 

NeuralProphet

  • NeuralProphet 0.2 : 概要 (07/19/2021)

    NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。

    幾つかドキュメントを翻訳します。最初は README です。

  • NeuralProphet 0.2 : モデルの概要 (07/18/2021)

    今回は「モデルの概要」 です。NeuralProphet は完全にモジュール化アーキテクチャで開発されています、これは将来的に任意のコンポーネントを追加することをスケーラブルにします。

  • NeuralProphet 0.2 : クイックスタート (07/17/2021)

    NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。

    幾つかドキュメントを翻訳しています。今回は「クイックスタート」 です。このページは最小限の機能で NeuralProphet を使用して単純なモデルを構築する方法の詳細を説明しています。NeuralProphet は完全にモジュール化アーキテクチャで開発されていて、将来的に任意のコンポーネントを追加することをスケーラブルにします。

  • NeuralProphet 0.2 : ノートブック : 自己回帰 (07/19/2021)

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「自己回帰」 です。ここでは NeuralProphet を 5 分解像度のデータ – Yosemite の毎日の気温データに適合させます。

  • NeuralProphet 0.2 : ノートブック : PV 予測データセットの例 (07/21/2021)

    NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。幾つかドキュメントを翻訳しています。

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「PV 予測データセットの例」 です。太陽放射度データの 1 ステップ先の予測器を訓練します。前の 24 ステップを考慮して neuralprophet に他のパラメータを自動的に選択させて、この予測器を訓練できます。

  • NeuralProphet 0.2 : ノートブック : 休日と特殊イベントのモデリング (07/21/2021)

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「休日と特殊イベントのモデリング」 です。モデル化したい休日や他のイベントを持つ場合、データフレームを作成しなければなりません。イベントは加法的か乗法的コンポーネントのいずれかとして追加できて、更にイベントの前後の日を含めるためにウィンドウを定義できます。例として Peyton Manning の Wikipedia のログ daily ページビューの時系列を使用します。

  • NeuralProphet 0.2 : ノートブック : 乗法的季節性 (07/22/2021)

    NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。幾つかドキュメントを翻訳しています。

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「乗法的季節性」 です。デフォルトでは NeuralProphet は加法的季節性に適合します、これは予測を得るために季節効果がトレンドに追加されることを意味します。航空旅客数の時系列は加法的季節性が機能しない場合の例です。

  • NeuralProphet 0.2 : ノートブック : スパースな自己回帰 (07/23/2021)

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「スパースな自己回帰」 です。ここでは NeuralProphet を 5 分解像度のデータに適合させます (Yosemite の毎日の気温)。これはスパース性にフォーカスした、example ノートブック「自己回帰 」の続編になっています。

  • NeuralProphet 0.2 : ノートブック : Sub-daily データ (07/24/2021)

    NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。幾つかドキュメントを翻訳しています。

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「Sub-daily データ」 です。NeuralProphet は sub-daily 観測を持つ時系列のための予測を行なうことができます。sub-daily データが使用されるとき daily 季節性は自動的に適合しています。ここでは NeuralProphet を 5 分解像度のデータに適合させます (Yosemite の毎日の気温)。

  • NeuralProphet 0.2 : ノートブック : 変化するトレンドへの適合 / トレンドの調整 (07/25/2021)

    NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「変化するトレンドへの適合 / トレンドの調整」 です。変化するトレンドにどのように適合させるかを示すための例として Peyton Manning の Wikipedia ページのログ daily ページビューの時系列を使用します。デフォルト値はこの例ではかなり上手く機能しますが、5 変更点のデフォルトはトレンドの実際の変化がポイント間の領域にたまたま収まる場合には十分ではないかもしれません。

 

Alibi Detect 0.7 : Examples : VAE 外れ値検知 on CIFAR10

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

CIFAR10 の画像を題材に VAE 外れ値検知器の利用方法を説明します。摂動された画像を利用した外れ値の予測も調べます。

[詳細] (07/10/2021)

 

Alibi Detect 0.7 : Examples : AEGMM と VAEGMM 外れ値検知 on TCP dump

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

AEGMM と VAEGMM 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/09/2021)

 

Alibi Detect 0.7 : Examples : VAE 外れ値検知 on TCP dump

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

VAE 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/08/2021)

 

Alibi Detect 0.7 : Examples : Isolation Forest 外れ値検知 on TCP dump

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

Isolation Forest 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/08/2021)

 

Alibi Detect 0.7 : Examples : マハラノビス外れ値検知 on TCP dump

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

マハラノビス外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/06/2021)

 

Alibi Detect 0.7 : Examples : 外れ値、敵対的 & ドリフト検知 on CIFAR10

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

今回は CIFAR-10 を題材に、外れ値、敵対的 & ドリフト検知の手法について学習します。

[詳細] (07/05/2021)

 

Alibi Detect 0.7 : 概要

Alibi Detect は 外れ値、敵対的そして ドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

最初に README を概要として翻訳しました。サポートされるアルゴリズムや利用可能なデータセットについて概説されています。

[詳細] (06/30/2021)

 

HuggingFace Transformers 4.6 : ノートブック : パイプラインの利用

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.6 をベースにドキュメントを幾つか翻訳しています。

今回はノートブックから「パイプラインの利用」です。パイプラインは次のような様々な下流タスクに渡る推論を行なうための高位の使いやすい API を提供します : センテンス分類 (センチメント分析)、トークン分類 (固有表現認識、品詞タギング)、質問応答、マスク Filling、要約、翻訳、特徴抽出 etc.

[詳細] (06/14/2021)

 

HuggingFace Transformers 4.6 : ノートブック : Getting Started Transformers

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.6 をベースにドキュメントを幾つか翻訳しています。

今回はノートブックから「Getting Started Transformers」です。transformers ライブラリは、Bert, Roberta, GPT2, XLNet 等のような Transformer アーキテクチャに基づくモデルを訓練し、利用して共有するためのオープンソース、コミュニティ・ベースのレポジトリです。

[詳細] (06/12/2021)

 

HuggingFace Transformers 4.6 : ノートブック : Getting Started トークナイザー

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.6 をベースにドキュメントを幾つか翻訳しています。

今回はノートブックから「Getting Started トークナイザー」です。transformers ライブラリとともに、@huggingface は一般的なマルチコアマシン上で数十 Gb/s でテキストを訓練、トークン化そしてデコードできる非常に高速なトークン化ライブラリを提供しています。

[詳細] (06/11/2021)

 

HuggingFace Transformers 4.6 : 上級ガイド : 事前訓練モデル

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.6 をベースにドキュメントを幾つか翻訳しています。

今回は上級ガイドから「事前訓練モデル」です。ここでは代表的な利用可能な事前訓練モデルが簡潔な説明とともにリストアップされています。

[詳細] (05/16/2021)

 

HuggingFace Transformers 4.6 : 概要

HuggingFace Transformers 4.6 がリリースされました。概要 (README) を再翻訳しておきます。BigBird-Pegasus, CLIP & LUKE の各モデルが追加されています。簡単な利用方法と利点、オンラインデモ、モデルのリスト等が説明されます。

Transformer アーキテクチャは NLP で中心的役割を果たしていますが、HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

[詳細] (05/15/2021)

 

HuggingFace Tokenizers 0.10 : メモリから訓練 (python)

HuggingFace Transformers のトークナイザーは HuggingFace Tokenizers に依存しています。切り捨て、パディングやモデルが必要な特殊トークンの追加など、前処理の総てを行ないます。Rust 実装のため非常に高速で Python と Node.js のバインディングも持ちます。

最新版の 0.10 ベースで幾つかドキュメントを翻訳しています。今回は「メモリから訓練 (python)」です。クイックツアー ではテキストファイルを使用してトークナイザーをどのように構築して訓練するかを見ましたが、実際には任意の Python Iterator を利用できます。このセクションではトークナイザーを訓練する幾つかの異なる方法を見ます。

[詳細] (06/01/2021)

 

HuggingFace Tokenizers 0.10 : コンポーネント (python)

HuggingFace Transformers のトークナイザーは HuggingFace Tokenizers に依存しています。切り捨て、パディングやモデルが必要な特殊トークンの追加など、前処理の総てを行ないます。Rust 実装のため非常に高速で Python と Node.js のバインディングも持ちます。

最新版の 0.10 ベースで幾つかドキュメントを翻訳しています。今回は「コンポーネント (python)」です。トークナイザーを構築するとき、その動作をカスタマイズするためにトークナイザーに様々なタイプのコンポーネントをアタッチできます。このドキュメントは提供されるコンポーネントの殆どをリストアップします。

[詳細] (06/05/2021)

 

HuggingFace Tokenizers 0.10 : トークン化パイプライン (python)

HuggingFace Transformers のトークナイザーは HuggingFace Tokenizers に依存しています。切り捨て、パディングやモデルが必要な特殊トークンの追加など、前処理の総てを行ないます。Rust 実装のため非常に高速で Python と Node.js のバインディングも持ちます。

最新版の 0.10 ベースで幾つかドキュメントを翻訳しています。今回は「トークン化パイプライン (python)」です。encode() を呼び出すとき、入力テキストは次のパイプラインを通過します :

  • 正規化
  • 事前トークン化
  • モデル
  • 後処理

これらのステップの各々の間に加えて、幾つかのトークン id をデコードすることを望むときに何が起きるか、そしてTokenizer ライブラリがニーズに応じて各ステップをどのようにカスタマイズするかを見ます。

[詳細] (05/31/2021)

 

HuggingFace Tokenizers 0.10 : Quicktour (python)

HuggingFace Transformers のトークナイザーは HuggingFace Tokenizers に依存しています。切り捨て、パディングやモデルが必要な特殊トークンの追加など、前処理の総てを行ないます。Rust 実装のため非常に高速で Python と Node.js のバインディングも持ちます。

最新版の 0.10 ベースで幾つかドキュメントを翻訳しています。今回は「Quicktour (python)」です。Tokenizers ライブラリの機能を素早く見てみます、このライブラリは使いやすく超高速な今日最も利用されているトークナイザーの実装を提供しています。スクラッチから構築することからクイックツアーを始めてそれをどのように訓練するかを見ます。

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

[詳細] (05/23/2021)

 

HuggingFace Tokenizers 0.10 : 概要 | Python バインディング概要

HuggingFace Transformers のトークナイザーは HuggingFace Tokenizers に依存しています。切り捨て、パディングやモデルが必要な特殊トークンの追加など、前処理の総てを行ないます。Rust 実装のため非常に高速で Python と Node.js のバインディングも持ちます。

最新版の 0.10 ベースで幾つかドキュメントを翻訳します。最初は概要と、Python バインディングの概要です。

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

[詳細] (05/20/2021)

 

TensorFlow 2.5.0 リリースノート

TensorFlow 2.5.0 ステーブル版がリリースされました。
いつものようにリリースノートの主要部分を翻訳しておきました。前バージョン (2.4.0) からおよそ 5ヶ月が経過しています。

注意すべき点は TensorFlow pip パッケージが CUDA11.2 と cuDNN 8.1.0 でビルドされていることです。

tf.data, tf.lite, tf.keras, tf.distribute モジュールが更新された他、Modular TensorFlow の実装として PluggableDevice がサポートされます。この結果、3rd パーティのデバイスは StreamExecutor C API / PluggableDevice I/F を通して接続可能になります。

[詳細] (05/14/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : 多言語モデル

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は「多言語モデル」です。利用可能な殆どのモデルは単一言語モデルですが、幾つかの多言語モデルが利用可能で単一言語モデルとは異なるメカニズムを持ちます。このドキュメントはそれらのモデルの使用方法を詳述します。多言語をサポートする 2 つのモデルは BERT と XLM です。

[詳細] (05/14/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : トークナイザーの要点

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は「トークナイザーの要点」です。テキストのトークン化はそれを単語や部分単語に分割します、これらは検索テーブルを通して id に変換されます。単語や部分単語を id に変換することは簡単ですので、テキストを単語や部分単語を分割することにフォーカスします。

[詳細] (05/12/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : 訓練と再調整

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は「訓練と再調整」です。HuggingFace Transformers のモデル・クラスは PyTorch と TensorFlow 2 で互換であるように設計されシームレスに利用可能です。このチュートリアルでは、いずれのフレームワークでも利用可能な標準訓練ツールを使用してモデルをどのように再調整するか (or スクラッチから訓練するか) を示します。

[詳細] (05/11/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : データの前処理

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は「データを前処理する」です。このチュートリアルでは、 Hugging Transformers を使用して貴方のデータをどのように前処理するかを探求します。このための主要ツールは tokenizer と呼ぶものです。

[詳細] (05/11/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : モデルの要点

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は「モデルの概要」です。これは Hugging Transformers で利用可能なモデルの概要です。個々のモデルは以下のカテゴリーの一つに分類されます :

  • 自己回帰モデル
  • オートエンコーダ・モデル
  • sequence-to-sequence モデル
  • ProphetNet
  • 検索ベースモデル

[詳細] (05/10/2021)

 

HuggingFace Transformers 4.5 : 利用方法 : タスクの要点

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。

今回は Transformer の利用方法から「タスクの要点」で、ライブラリを利用するとき頻度の高いユースケースが示されます。利用可能なモデルはユースケースで素晴らしい多用途性を可能にします。質問応答、シークエンス分類、固有表現認識等々のようなタスクのための使用方法が紹介されます。

[詳細] (05/06/2021)

 

HuggingFace Transformers 4.5 : Gettiing Started : 用語集

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。今回は Gettiing Started から「用語集」です。基本的な一般用語について簡単に説明された後、モデル入力について詳述されます。

[詳細] (05/06/2021)

 

HuggingFace Transformers 4.5 : Gettiing Started : 哲学

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。今回は Gettiing Started から「哲学」というタイトルで、HuggingFace Transformers の幾つかの目標と主要なコンセプトについて説明されます。

[詳細] (05/05/2021)

 

HuggingFace Transformers 4.5 : Gettiing Started : クイック・ツアー

HuggingFace Transformers は最先端の自然言語処理を可能にする PyTorch と TensorFlow 2.0 のためのエコシステムです。両者はシームレスに統合され、一方で訓練してから推論のために他方でロードすることも可能です。モデルハブにより数千の事前訓練モデルが提供されています。

最近リリースされた 4.5 をベースにドキュメントを幾つか翻訳しています。今回は Gettiing Started から「クイック・ツアー」です。Transformers ライブラリの特徴を概観します。ライブラリは、テキストのセンチメントを分析するような自然言語理解 (NLU) タスク、そしてプロンプトを新しいテキストで補完したり他の言語に翻訳するような自然言語生成 (NLG) のための事前訓練モデルをダウンロードできます。

最初にそれらの事前訓練モデルを推論で利用するためにパイプライン API をどのように容易に活用するかを見ます。それから、ライブラリがそれらのモデルへのアクセスをどのように与えて貴方のデータを前処理することを手助けするかを見ます。

[詳細] (04/28/2021)



 

お問合せ
本件に関するお問い合わせ先は下記までお願いいたします。

株式会社クラスキャット
セールス・マーケティング本部 セールス・インフォメーション
E-Mail:sales-info@classcat.com
WebSite : https://www.classcat.com/
Facebook : https://www.facebook.com/ClassCatJP/

※ ClassCat は株式会社クラスキャットの登録商標です。
※ TensorFlow, the TensorFlow logo and any related marks are trademarks of Google Inc.
※ その他、記載されている会社名・製品名は各社の登録商標または商標です。

AI導入支援 #2 ウェビナー

スモールスタートを可能としたAI導入支援   Vol.2
[無料 WEB セミナー] [詳細]
「画像認識 AI PoC スターターパック」の紹介
既に AI 技術を実ビジネスで活用し、成果を上げている日本企業も多く存在しており、競争優位なビジネスを展開しております。
しかしながら AI を導入したくとも PoC (概念実証) だけでも高額な費用がかかり取組めていない企業も少なくないようです。A I導入時には欠かせない PoC を手軽にしかも短期間で認知度を確認可能とするサービの紹介と共に、AI 技術の特性と具体的な導入プロセスに加え運用時のポイントについても解説いたします。
日時:2021年10月13日(水)
会場:WEBセミナー
共催:クラスキャット、日本FLOW(株)
後援:働き方改革推進コンソーシアム
参加費: 無料 (事前登録制)
人工知能開発支援
◆ クラスキャットは 人工知能研究開発支援 サービスを提供しています :
  • テクニカルコンサルティングサービス
  • 実証実験 (プロトタイプ構築)
  • アプリケーションへの実装
  • 人工知能研修サービス
◆ お問合せ先 ◆
(株)クラスキャット
セールス・インフォメーション
E-Mail:sales-info@classcat.com