Skip to content

ClasCat® AI Research

クラスキャット – 生成 AI, AI エージェント, MCP

Menu
  • ホーム
    • ClassCat® AI Research ホーム
    • クラスキャット・ホーム
  • OpenAI API
    • OpenAI Python ライブラリ 1.x : 概要
    • OpenAI ブログ
      • GPT の紹介
      • GPT ストアの紹介
      • ChatGPT Team の紹介
    • OpenAI platform 1.x
      • Get Started : イントロダクション
      • Get Started : クイックスタート (Python)
      • Get Started : クイックスタート (Node.js)
      • Get Started : モデル
      • 機能 : 埋め込み
      • 機能 : 埋め込み (ユースケース)
      • ChatGPT : アクション – イントロダクション
      • ChatGPT : アクション – Getting started
      • ChatGPT : アクション – アクション認証
    • OpenAI ヘルプ : ChatGPT
      • ChatGPTとは何ですか?
      • ChatGPT は真実を語っていますか?
      • GPT の作成
      • GPT FAQ
      • GPT vs アシスタント
      • GPT ビルダー
    • OpenAI ヘルプ : ChatGPT > メモリ
      • FAQ
    • OpenAI ヘルプ : GPT ストア
      • 貴方の GPT をフィーチャーする
    • OpenAI Python ライブラリ 0.27 : 概要
    • OpenAI platform
      • Get Started : イントロダクション
      • Get Started : クイックスタート
      • Get Started : モデル
      • ガイド : GPT モデル
      • ガイド : 画像生成 (DALL·E)
      • ガイド : GPT-3.5 Turbo 対応 微調整
      • ガイド : 微調整 1.イントロダクション
      • ガイド : 微調整 2. データセットの準備 / ケーススタディ
      • ガイド : 埋め込み
      • ガイド : 音声テキスト変換
      • ガイド : モデレーション
      • ChatGPT プラグイン : イントロダクション
    • OpenAI Cookbook
      • 概要
      • API 使用方法 : レート制限の操作
      • API 使用方法 : tiktoken でトークンを数える方法
      • GPT : ChatGPT モデルへの入力をフォーマットする方法
      • GPT : 補完をストリームする方法
      • GPT : 大規模言語モデルを扱う方法
      • 埋め込み : 埋め込みの取得
      • GPT-3 の微調整 : 分類サンプルの微調整
      • DALL-E : DALL·E で 画像を生成して編集する方法
      • DALL·E と Segment Anything で動的マスクを作成する方法
      • Whisper プロンプティング・ガイド
  • Gemini API
    • Tutorials : クイックスタート with Python (1) テキスト-to-テキスト生成
    • (2) マルチモーダル入力 / 日本語チャット
    • (3) 埋め込みの使用
    • (4) 高度なユースケース
    • クイックスタート with Node.js
    • クイックスタート with Dart or Flutter (1) 日本語動作確認
    • Gemma
      • 概要 (README)
      • Tutorials : サンプリング
      • Tutorials : KerasNLP による Getting Started
  • Keras 3
    • 新しいマルチバックエンド Keras
    • Keras 3 について
    • Getting Started : エンジニアのための Keras 入門
    • Google Colab 上のインストールと Stable Diffusion デモ
    • コンピュータビジョン – ゼロからの画像分類
    • コンピュータビジョン – 単純な MNIST convnet
    • コンピュータビジョン – EfficientNet を使用した微調整による画像分類
    • コンピュータビジョン – Vision Transformer による画像分類
    • コンピュータビジョン – 最新の MLPモデルによる画像分類
    • コンピュータビジョン – コンパクトな畳込み Transformer
    • Keras Core
      • Keras Core 0.1
        • 新しいマルチバックエンド Keras (README)
        • Keras for TensorFlow, JAX, & PyTorch
        • 開発者ガイド : Getting started with Keras Core
        • 開発者ガイド : 関数型 API
        • 開発者ガイド : シーケンシャル・モデル
        • 開発者ガイド : サブクラス化で新しい層とモデルを作成する
        • 開発者ガイド : 独自のコールバックを書く
      • Keras Core 0.1.1 & 0.1.2 : リリースノート
      • 開発者ガイド
      • Code examples
      • Keras Stable Diffusion
        • 概要
        • 基本的な使い方 (テキスト-to-画像 / 画像-to-画像変換)
        • 混合精度のパフォーマンス
        • インペインティングの簡易アプリケーション
        • (参考) KerasCV – Stable Diffusion を使用した高性能画像生成
  • TensorFlow
    • TF 2 : 初級チュートリアル
    • TF 2 : 上級チュートリアル
    • TF 2 : ガイド
    • TF 1 : チュートリアル
    • TF 1 : ガイド
  • その他
    • 🦜️🔗 LangChain ドキュメント / ユースケース
    • Stable Diffusion WebUI
      • Google Colab で Stable Diffusion WebUI 入門
      • HuggingFace モデル / VAE の導入
      • LoRA の利用
    • Diffusion Models / 拡散モデル
  • クラスキャット
    • 会社案内
    • お問合せ
    • Facebook
    • ClassCat® Blog
Menu

TensorFlow : Get Started : 序説

Posted on 02/03/2016 by Sales Information

TensorFlow : Get Started : 序説 (翻訳/解説)
翻訳 : (株)クラスキャット セールスインフォメーション
日時 : 01/16/2016

* 本ページは、TensorFlow の本家サイトの Get Started – Introduction を翻訳した上で適宜、補足説明したものです:
    https://www.tensorflow.org/versions/master/get_started/index.html
* サンプルコードの動作確認はしておりますが、適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

 
序説

Tensorflow を始めてみましょう!

しかし始める前に TensorFlow のコードが Python API でどのように見えるのか簡単に見てみましょう。どこへ向かっているか感覚が掴めるでしょう。

ここに簡単な Python プログラムがあります。これは二次元のデータを生成し、そして直線をそれらに最適化するものです。

import tensorflow as tf
import numpy as np

# y = x * 0.1 + 0.3 となる、ダミーのデータポイント x, y を NumPy で作成します。
x_data = np.random.rand(100).astype("float32")
y_data = x_data * 0.1 + 0.3

# y_data = W * x_data + b となる W と b の適正値を見つけます。
# (私たちは W が 0.1、b が 0.3 であるべきと知っていますが、
# Tensorflow はそれを私たちのために見つけてくれます。)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# random_uniform は一様分布から乱数生成。第一引数は shape
# zeros は全ての要素を 0 に設定したテンソルを作成。第一引数は shape

# 平均二乗誤差を最小化します。
# アルゴリズムは勾配降下法。第一引数は学習率。
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 開始前に変数を初期化します。これを最初に'実行'します。
init = tf.initialize_all_variables()

# グラフを launch します。
sess = tf.Session()
sess.run(init)

# 直線を最適化します。
for step in xrange(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# ベストフィットが W: [0.1], b: [0.3] と学習します。

このコードの最初の部分はデータフローグラフを組み立てています。TesorFlow はセッションが生成され関数が呼ばれるまでは、実際には計算を実行しません。

更に貴方の興味をそそるために、古典的な機械学習の問題が TensorFlow でどのようになるのか確認してみることを提案します。ニューラルネットワークの世界でもっとも「古典的な」古典的問題は MNIST 手書き数字の分類問題です。ここでは2つの紹介を提供します。一つは機械学習の入門者向けで、もう一つは専門家向けです。貴方が既に他のソフトウェアパッケージで幾ダースもの MNIST モデルを学習させたことがあるのであれば、以下を参照してください:

専門家のための深層 MNIST
    https://tensorflow.classcat.com/2016/02/16/tensorflow-tutorials-deep-mnist-for-experts/

もし貴方が MNIST について聞いたことがないのであれば、以下を参照するのが良いです:

TensorFlow : TUTORIALS : ML 初心者向けの MNIST(翻訳/解説)
    https://tensorflow.classcat.com/2016/02/03/tensorflow-tutorials-mnist-for-ml-beginners/

両者の間のどこかに位置するならば、後者を簡単に眺めてから前者を参照すれば良いでしょう。

TensorFlow を学びインストールしたいという確信があれば、これらをスキップして先に突進することができます。心配には及びません、依然として MNIST に辿り着きます。 — TensorFlow の特徴を詳細説明する技術チュートリアルで MNIST を例題として扱いますので。

 

推奨する次のステップ

* 基本的な使い方
    https://tensorflow.classcat.com/2016/02/03/tensorflow-get-started-basic-usage/

* TensorFlow 技法 101
    https://tensorflow.classcat.com/2016/02/03/tensorflow-tutorials-mechanics-101/

 

以上

クラスキャット

最近の投稿

  • LangGraph : 例題 : エージェント型 RAG
  • LangGraph Platform : Get started : クイックスタート
  • LangGraph Platform : 概要
  • LangGraph : Prebuilt エージェント : ユーザインターフェイス
  • LangGraph : Prebuilt エージェント : 配備

タグ

AutoGen (13) ClassCat Press Release (20) ClassCat TF/ONNX Hub (11) DGL 0.5 (14) Eager Execution (7) Edward (17) FLUX.1 (16) Gemini (20) HuggingFace Transformers 4.5 (10) HuggingFace Transformers 4.6 (7) HuggingFace Transformers 4.29 (9) Keras 2 Examples (98) Keras 2 Guide (16) Keras 3 (10) Keras Release Note (17) Kubeflow 1.0 (10) LangChain (45) LangGraph (21) MediaPipe 0.8 (11) Model Context Protocol (16) NNI 1.5 (16) OpenAI Agents SDK (8) OpenAI Cookbook (13) OpenAI platform (10) OpenAI platform 1.x (10) OpenAI ヘルプ (8) TensorFlow 2.0 Advanced Tutorials (33) TensorFlow 2.0 Advanced Tutorials (Alpha) (15) TensorFlow 2.0 Advanced Tutorials (Beta) (16) TensorFlow 2.0 Guide (10) TensorFlow 2.0 Guide (Alpha) (16) TensorFlow 2.0 Guide (Beta) (9) TensorFlow 2.0 Release Note (12) TensorFlow 2.0 Tutorials (20) TensorFlow 2.0 Tutorials (Alpha) (14) TensorFlow 2.0 Tutorials (Beta) (12) TensorFlow 2.4 Guide (24) TensorFlow Deploy (8) TensorFlow Get Started (7) TensorFlow Graphics (7) TensorFlow Probability (9) TensorFlow Programmer's Guide (22) TensorFlow Release Note (18) TensorFlow Tutorials (33) TF-Agents 0.4 (11)
2016年2月
月 火 水 木 金 土 日
1234567
891011121314
15161718192021
22232425262728
29  
« 1月   3月 »
© 2025 ClasCat® AI Research | Powered by Minimalist Blog WordPress Theme