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

Keras: Theano と TensorFlow のための深層学習ライブラリ

Posted on 02/13/2016 by Sales Information

(翻訳)Keras: Theano と TensorFlow のための深層学習ライブラリ
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 : 02/11/2016

* 本ページは、Keras の本家サイト http://keras.io/ のトップページを翻訳したものです。
原題は: Keras: Deep Learning library for Theano and TensorFlow

* 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。

 

You have just found Keras.

Keras は最小限主義で、高度にモジュール化されたニューラルネットワーク・ライブラリで、Python で書かれ、TensorFlow か Theano のいずれかの上で動作することができます。速い実験を可能にすることに重点を置いて開発されました。アイデアから結果へできる限り早く至ることは良い研究を行うための鍵となります。

貴方が次のような深層学習ライブラリを必要とするならば Keras を使ってください :

  • (総合的なモジュール化、最小主義そして拡張性を通じて)簡単で早いプロトタイピングを見込む。
  • 畳み込みネットワークとリカレント・ネットワークの両者、そして2つの組み合わせをサポートする。
  • (マルチ入力とマルチ出力訓練を含む)任意の結合スキームをサポートする。
  • CPU と GPU 上でシームレスに実行する。

Keras は Python 2.7-3.5 互換です。

 

指針

  • モジュール化 (Modularity) – モデルはスタンドアロンのグラフのシーケンス、殆ど制限なく一緒に接続可能な完全に構成可能なモジュールとして理解されます。特に、ニューラル層、コスト関数、オプティマイザ、初期化スキーム、活性化関数、regularization スキームは全てスタンドアロン・モジュールで、新しいモデルを作成するために結合することができます。
  • 最小主義 (Minimalism) – 各モジュールは短く単純なものとして保持されるべきです。コードの全てのピースは初見で透過であるべきです。黒魔術はありません: それは反復速度と革新する能力を傷つけます。
  • 簡単な拡張性 – 新しいモジュールは(新しいクラスや関数として)追加が超簡単です、そして既存のモジュールは十分な例を提供します。簡単に新しいモデルを作成できるということは総合的な表現力に寄与し、進んだ研究のために Keras を最適化します。
  • Python と共に作業 – 切り離された、宣言形式 (declarative format) のモデル構成ファイルはありません。モデルは Python コードで記述され、コンパクトで、デバッグがより簡単で、そして拡張性を簡単にします。
 

Getting started: 30 秒で Keras

Keras の核となるデータ構造はモデルで、層をまとめる方法です。2つのタイプのモデルがあります: Sequential と Graph です。

これは Sequential モデル(層の線形的な積み重ね (a linear pile of layers))です。

from keras.models import Sequential

model = Sequential()

層を重なるのは .add() のように簡単です :

from keras.layers.core import Dense, Activation

model.add(Dense(output_dim=64, input_dim=100, init="glorot_uniform"))
model.add(Activation("relu"))
model.add(Dense(output_dim=10, init="glorot_uniform"))
model.add(Activation("softmax"))

モデルが良さそうならば、.compile() で学習プロセスを構成します:

model.compile(loss='categorical_crossentropy', optimizer='sgd')

必要であれば、オプティマイザを更に構成することができます。Keras の核となる指針は物事を合理的に単純にすることですが、必要な時にはユーザが完全に制御可能です。(究極の制御はソースコードの簡単な拡張性です。)

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

今貴方はバッチの訓練データ上で反復可能です。

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

他の方法として、貴方のモデルに手動でバッチを提供することもできます:

model.train_on_batch(X_batch, Y_batch)

一行でパフォーマンスを評価します:

objective_score = model.evaluate(X_test, Y_test, batch_size=32)

あるいは新しいデータについて予測を生成します:

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)

LTSM、深層 CNN、ニューラル・チューリング・マシン、word2vec embedder(埋め込み)あるいは他のモデルのネットワーク構築は同程度に速いです。深層学習の背後にあるアイデアは単純です、その実装が何故痛みを伴うべきなのでしょうか?

starter examples を見てください。

repo の examples フォルダ で、より進んだモデルを見つけるでしょう:メモリネットワークによる質疑応答、stacked LSTM によるテキスト生成、ニューラル・チューリング・マシン etc.

 

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