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 1.4.0 リリースノート

Posted on 11/08/2017 by Sales Information

TensorFlow 1.4.0 リリースノート(翻訳)

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 : 11/08/2017

* 本ページは、github TensorFlow の releases の TensorFlow 1.4.0 を翻訳したものです:
    https://github.com/tensorflow/tensorflow/releases/tag/v1.4.0

 

主要な特徴と改良

  • tf.keras は今ではコア TensorFlow API の一部です。
  • tf.data は今ではコア TensorFlow API の一部です。
    • API は今では後方互換保証に従います。
    • tf.contrib.data API から移行するためのガイドについては、README を見てください。
    • 主要な新しい特徴は (Python generator からの入力パイプラインを構築するための) Dataset.from_generator() とカスタム変換関数を適用するための Dataset.apply() メソッドを含みます。
    • 幾つかのカスタム変換関数が追加され、これは tf.contrib.data.batch_and_drop_remainder() と tf.contrib.data.sloppy_interleave() を含みます。
  • 単純な分散 Estimator トレーニングのための train_and_evaluate を追加します。
  • DCT-II を計算するための tf.spectral.dct を追加します (訳注: DCT (Discrete Cosine Transform) は離散コサイン変換 、DCT-II はその方法の一つで信号圧縮に利用されています)。
  • メル周波数ケプストラム係数 (Mel-Frequency Cepstral Coefficient, MFCC) サポートを (GPU と勾配サポートと共に) tf.contrib.signal に追加しました (訳注: MFCC は音声認識の特徴量として利用されます)。
  • Windows DLL 問題 (= issues) のために import tensorflow の際にセルフチェックを追加します。
  • GPU 上 tf.depth_to_space に NCHW サポートを追加します。
  • TensorFlow デバッガー (tfdbg):
    • tfdbg コマンドライン I/F において任意の Python/numpy 式の評価を可能にするために eval コマンドを追加します。より詳細については Debugging TensorFlow Programs を参照してください。
    • ユーザビリティ改良: 頻繁に使用されるテンソル・フィルタ has_inf_or_nan は Session ラッパーと hooks に今ではデフォルトで追加されています。従って、クライアントが .add_tensor_filter(tf_debug.has_inf_or_nan) を呼び出す必要はもはやありません。
  • SinhArcsinh (scalar) 分布が contrib.distributions に追加されました。
  • GANEstimator をオープンソースにします。
  • Estimator.export_savedmodel() は今では総ての有効な serving シグネチャを含みます、これは Serving Input Receiver と総ての利用可能な ExportOutput から構築可能です。例えば、分類器は回帰的・予測的な出力を分類的なものに追加して提供するかもしれません。これらからシグネチャを構築することは TF Serving が異なる API (Classify, Regress, そして Predict) を使用することによりリクエストを尊重することを可能にします。更に、serving_input_receiver_fn() は (入力として動作可能な) ノードの代わりのサブセットを今では指定可能です。これは、例えば、 シリアライズ化された tf.Example の代わりに生のテンソルを受け取る分類器のための予測シグネチャを生成することを可能にします。
  • tf.contrib.bayesflow.hmc を追加します (訳注: hmc は Hamiltonian Monte Carlo)。
  • tf.contrib.distributions.MixtureSameFamily を追加します (訳注: Mixture distribution は混合分布)。
  • Dataset.shuffle() は各反復後にデフォルトで常に再シャッフルするようにします。
  • tf.contrib.bayesflow.metropolis_hastings を追加します (訳注: マルコフ連鎖モンテカルロのメトロポリス法を作成する関数)。
  • tf.contrib.distributions.Poisson に log_rate パラメータを追加します。
  • ある種の非入射 (non-injective) 変換を処理するために tf.contrib.distributions.bijector API を拡張します。
  • Java:
    • 改良された type-safety のためのジェネリクス (e.g., Tensor) (courtesy @andrewcmyers)。
    • 多次元文字列テンソルのサポート。
    • Linux と OS X 上のカスタム演算 (e.g. many in tf.contrib) のローディングのサポート。
  • 総ての事前ビルドされたバイナリは CUDA 8 と cuDNN 6 でビルドされています。
    TensorFlow 1.5 は CUDA 9 と cuDNN 7 でリリースすることを予想します。

 

バグ修正とその他の変更

  • tf.nn.rnn_cell.DropoutWrappe は LSTM ステートをドロップアウトすることについて今ではより注意深いです。特に、LSTMStateTuple の c (メモリ) ステートはもはやドロップさえしません。新しい挙動は LSTM とスタックされた LSTM のために正しいドロップアウト動作に導きます。このバグ修正は公開された文献 (= published literature) からの推奨を追随しましたが、これは挙動の変更です。ステートのドロップアウトの挙動は新しい dropout_state_filter_visitor 引数を通してカスタマイズ可能です。
  • tf.contrib.training.python_input を削除しました。同じ挙動は、より柔軟で再現可能なパッケージの新しい tf.contrib.data.Dataset.from_generator メソッドを通して利用可能です!
  • log-det-jacobian を誤って計算する tf.contrib.distributions.Affine を修正します。
  • non-batch, scalar draw を誤って処理する tf.random_gamma を修正します。
  • TensorForest TreePredictionsV4Op における競合状態 (= race condition) を解決しました。
  • Google Cloud Storage ファイルシステム、Amazon S3 ファイルシステム、そして Hadoop ファイルシステムのサポートが今ではデフォルトのビルド・オプションです。
  • カスタム op ライブラリは (tf.sysconfig.get_lib() でインストールされる) libtensorflow_framework.so に対してリンクしなければなりません。
  • RunConfig デフォルト挙動を random seed を設定しないように変更します、これは分散ワーカー上でランダム挙動を独立的にランダムにします。これが一般にトレーニング性能を改良することを期待します。決定論に依存するモデルは random seed を明示的に設定すべきです。

 

API への重大な変更

  • tf.contrib.data.rejection_resample() 関数のシグネチャは変更されました。それは今では Dataset.apply() への引数として使用可能な関数を返します。
  • tf.contrib.data.Iterator.from_dataset() メソッドを取り除きます。代わりに Dataset.make_initializable_iterator() を使用します。
  • 殆ど使用されず不要な tf.contrib.data.Iterator.dispose_op() を取り除きます。
  • 後方互換ではない方法で幾つかの TFGAN 損失関数を並べ替え (= recorder) します。

 

既知の問題

  • Python 3 では、Dataset.from_generator() は Unicode 文字列をサポートしません。任意の文字列をバイト・オブジェクトに変換しなければなりません、generator からそれらを yield する前に。

 
以上

クラスキャット

最近の投稿

  • LangGraph 0.5 : エージェント開発 : エージェントの実行
  • LangGraph 0.5 : エージェント開発 : prebuilt コンポーネントを使用したエージェント開発
  • LangGraph 0.5 : Get started : ローカルサーバの実行
  • LangGraph 0.5 on Colab : Get started : human-in-the-loop 制御の追加
  • LangGraph 0.5 on Colab : Get started : Tavily Web 検索ツールの追加

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 (24) 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)
2017年11月
月 火 水 木 金 土 日
 12345
6789101112
13141516171819
20212223242526
27282930  
« 9月   12月 »
© 2025 ClasCat® AI Research | Powered by Minimalist Blog WordPress Theme