ホーム » Keras » TensorFlow 2.4 : ガイド : Keras :- 貴方自身のコールバックを書く

TensorFlow 2.4 : ガイド : Keras :- 貴方自身のコールバックを書く

TensorFlow 2.4 : ガイド : Keras :- 貴方自身のコールバックを書く (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
作成日時 : 01/18/2021

* 本ページは、TensorFlow org サイトの Guide – Keras の以下のページを翻訳した上で
適宜、補足説明したものです:

* サンプルコードの動作確認はしておりますが、必要な場合には適宜、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。

 

無料セミナー実施中 クラスキャット主催 人工知能 & ビジネス Web セミナー

人工知能とビジネスをテーマにウェビナー (WEB セミナー) を定期的に開催しています。スケジュールは弊社 公式 Web サイト でご確認頂けます。
  • 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。
  • Windows PC のブラウザからご参加が可能です。スマートデバイスもご利用可能です。
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おります :

人工知能研究開発支援 人工知能研修サービス テレワーク & オンライン授業を支援
PoC(概念実証)を失敗させないための支援 (本支援はセミナーに参加しアンケートに回答した方を対象としています。

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/

 

ガイド : Keras :- 貴方自身のコールバックを書く

イントロダクション

コールバックは 訓練、評価や推論の間の Keras モデルの動作をカスタマイズするためのパワフルなツールです。サンプルは訓練進捗と結果が TensorBoard でエクスポートされて可視化できる tf.keras.callbacks.TensorBoard や、訓練の間にモデルを定期的にセーブする tf.keras.callbacks.ModelCheckpoint を含みます。

このガイドでは、Keras コールバックが何か、それは何ができるか、そして貴方自身のものをどのように構築できるかを学習します。貴方を始めさせるために単純なコールバック・アプリケーションの幾つかのデモを提供します。

 

セットアップ

import tensorflow as tf
from tensorflow import keras

 

Keras コールバック概要

総てのコールバックは keras.callbacks.Callback クラスをサブクラス化して、そして訓練、テストと予測の様々なステージで呼び出されるメソッドのセットを override します。コールバックは訓練の間のモデルの内部状態と統計上のビューを得るために有用です。

コールバックのリストを (キーワード引数 callbacks として) 以下のモデル・メソッドに渡すことができます :

 

コールバック・メソッドの概要

グローバル・メソッド

on_(train|test|predict)_begin(self, logs=None)

fit/evaluate/predict の最初に呼び出されます。

on_(train|test|predict)_end(self, logs=None)

fit/evaluate/predict の最後に呼び出されます。

 

訓練/テスト/予測のためのバッチレベル・メソッド

on_(train|test|predict)_batch_begin(self, batch, logs=None)

訓練/テスト/予測の間のバッチを処理するすぐ前に呼び出されます。

on_(train|test|predict)_batch_end(self, batch, logs=None)

バッチを訓練/テスト/予測する最後に呼び出されます。このメソッド内では、logs はメトリクス結果を含む辞書です。

 

エポックレベル・メソッド (訓練 only)

on_epoch_begin(self, epoch, logs=None)

訓練の間にエポックの最初に呼び出されます。

on_epoch_end(self, epoch, logs=None)

訓練の間にエポックの最後に呼び出されます。

 

基本的なサンプル

具体的なサンプルを見ましょう。始めるために、tensorflow をインポートして単純な Sequential Keras モデルを定義しましょう :

# Define the Keras model to add callbacks to
def get_model():
    model = keras.Sequential()
    model.add(keras.layers.Dense(1, input_dim=784))
    model.compile(
        optimizer=keras.optimizers.RMSprop(learning_rate=0.1),
        loss="mean_squared_error",
        metrics=["mean_absolute_error"],
    )
    return model

それから訓練とテストのために Keras datasets API から MNIST データをロードします :

# Load example MNIST data and pre-process it
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 784).astype("float32") / 255.0
x_test = x_test.reshape(-1, 784).astype("float32") / 255.0

# Limit the data to 1000 samples
x_train = x_train[:1000]
y_train = y_train[:1000]
x_test = x_test[:1000]
y_test = y_test[:1000]

今は、以下をログ出力する単純なカスタム・コールバックを定義します :

  • fit/evaluate/predict の最初と最後
  • 各エポックの最初 & 最後
  • 各訓練バッチの最初 & 最後
  • 各評価 (テスト) バッチの最初 & 最後
  • 各推論 (予測) バッチの最初 & 最後
class CustomCallback(keras.callbacks.Callback):
    def on_train_begin(self, logs=None):
        keys = list(logs.keys())
        print("Starting training; got log keys: {}".format(keys))

    def on_train_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop training; got log keys: {}".format(keys))

    def on_epoch_begin(self, epoch, logs=None):
        keys = list(logs.keys())
        print("Start epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_epoch_end(self, epoch, logs=None):
        keys = list(logs.keys())
        print("End epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_test_begin(self, logs=None):
        keys = list(logs.keys())
        print("Start testing; got log keys: {}".format(keys))

    def on_test_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop testing; got log keys: {}".format(keys))

    def on_predict_begin(self, logs=None):
        keys = list(logs.keys())
        print("Start predicting; got log keys: {}".format(keys))

    def on_predict_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop predicting; got log keys: {}".format(keys))

    def on_train_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Training: start of batch {}; got log keys: {}".format(batch, keys))

    def on_train_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Training: end of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: start of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: end of batch {}; got log keys: {}".format(batch, keys))

    def on_predict_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Predicting: start of batch {}; got log keys: {}".format(batch, keys))

    def on_predict_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Predicting: end of batch {}; got log keys: {}".format(batch, keys))

Let’s try it out:

model = get_model()
model.fit(
    x_train,
    y_train,
    batch_size=128,
    epochs=1,
    verbose=0,
    validation_split=0.5,
    callbacks=[CustomCallback()],
)

res = model.evaluate(
    x_test, y_test, batch_size=128, verbose=0, callbacks=[CustomCallback()]
)

res = model.predict(x_test, batch_size=128, callbacks=[CustomCallback()])
Starting training; got log keys: []
Start epoch 0 of training; got log keys: []
...Training: start of batch 0; got log keys: []
...Training: end of batch 0; got log keys: ['loss', 'mean_absolute_error']
...Training: start of batch 1; got log keys: []
...Training: end of batch 1; got log keys: ['loss', 'mean_absolute_error']
...Training: start of batch 2; got log keys: []
...Training: end of batch 2; got log keys: ['loss', 'mean_absolute_error']
...Training: start of batch 3; got log keys: []
...Training: end of batch 3; got log keys: ['loss', 'mean_absolute_error']
Start testing; got log keys: []
...Evaluating: start of batch 0; got log keys: []
...Evaluating: end of batch 0; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 1; got log keys: []
...Evaluating: end of batch 1; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 2; got log keys: []
...Evaluating: end of batch 2; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 3; got log keys: []
...Evaluating: end of batch 3; got log keys: ['loss', 'mean_absolute_error']
Stop testing; got log keys: ['loss', 'mean_absolute_error']
End epoch 0 of training; got log keys: ['loss', 'mean_absolute_error', 'val_loss', 'val_mean_absolute_error']
Stop training; got log keys: ['loss', 'mean_absolute_error', 'val_loss', 'val_mean_absolute_error']
Start testing; got log keys: []
...Evaluating: start of batch 0; got log keys: []
...Evaluating: end of batch 0; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 1; got log keys: []
...Evaluating: end of batch 1; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 2; got log keys: []
...Evaluating: end of batch 2; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 3; got log keys: []
...Evaluating: end of batch 3; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 4; got log keys: []
...Evaluating: end of batch 4; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 5; got log keys: []
...Evaluating: end of batch 5; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 6; got log keys: []
...Evaluating: end of batch 6; got log keys: ['loss', 'mean_absolute_error']
...Evaluating: start of batch 7; got log keys: []
...Evaluating: end of batch 7; got log keys: ['loss', 'mean_absolute_error']
Stop testing; got log keys: ['loss', 'mean_absolute_error']
Start predicting; got log keys: []
...Predicting: start of batch 0; got log keys: []
...Predicting: end of batch 0; got log keys: ['outputs']
...Predicting: start of batch 1; got log keys: []
...Predicting: end of batch 1; got log keys: ['outputs']
...Predicting: start of batch 2; got log keys: []
...Predicting: end of batch 2; got log keys: ['outputs']
...Predicting: start of batch 3; got log keys: []
...Predicting: end of batch 3; got log keys: ['outputs']
...Predicting: start of batch 4; got log keys: []
...Predicting: end of batch 4; got log keys: ['outputs']
...Predicting: start of batch 5; got log keys: []
...Predicting: end of batch 5; got log keys: ['outputs']
...Predicting: start of batch 6; got log keys: []
...Predicting: end of batch 6; got log keys: ['outputs']
...Predicting: start of batch 7; got log keys: []
...Predicting: end of batch 7; got log keys: ['outputs']
Stop predicting; got log keys: []

 

logs 辞書の使用方法

logs 辞書はバッチかエポックの最後の損失値と総てのメトリックを含みます。サンプルは損失と平均絶対誤差 (MAE) を含みます。

class LossAndErrorPrintingCallback(keras.callbacks.Callback):
    def on_train_batch_end(self, batch, logs=None):
        print("For batch {}, loss is {:7.2f}.".format(batch, logs["loss"]))

    def on_test_batch_end(self, batch, logs=None):
        print("For batch {}, loss is {:7.2f}.".format(batch, logs["loss"]))

    def on_epoch_end(self, epoch, logs=None):
        print(
            "The average loss for epoch {} is {:7.2f} "
            "and mean absolute error is {:7.2f}.".format(
                epoch, logs["loss"], logs["mean_absolute_error"]
            )
        )


model = get_model()
model.fit(
    x_train,
    y_train,
    batch_size=128,
    epochs=2,
    verbose=0,
    callbacks=[LossAndErrorPrintingCallback()],
)

res = model.evaluate(
    x_test,
    y_test,
    batch_size=128,
    verbose=0,
    callbacks=[LossAndErrorPrintingCallback()],
)
For batch 0, loss is   28.35.
For batch 1, loss is  495.31.
For batch 2, loss is  338.58.
For batch 3, loss is  256.09.
For batch 4, loss is  206.61.
For batch 5, loss is  173.36.
For batch 6, loss is  149.41.
For batch 7, loss is  134.53.
The average loss for epoch 0 is  134.53 and mean absolute error is    6.17.
For batch 0, loss is    5.50.
For batch 1, loss is    5.29.
For batch 2, loss is    5.42.
For batch 3, loss is    5.37.
For batch 4, loss is    5.01.
For batch 5, loss is    4.77.
For batch 6, loss is    4.67.
For batch 7, loss is    4.74.
The average loss for epoch 1 is    4.74 and mean absolute error is    1.78.
For batch 0, loss is    5.57.
For batch 1, loss is    5.10.
For batch 2, loss is    5.00.
For batch 3, loss is    4.99.
For batch 4, loss is    5.14.
For batch 5, loss is    5.18.
For batch 6, loss is    5.13.
For batch 7, loss is    5.07.

 

self.model の使用方法

これらのメソッドの一つが呼び出されるとき、ログ情報を受け取ることに加えて、コールバックは訓練/評価/推論の現在のラウンドに関連するモデルへのアクセスを持ちます : self.model です。

コールバック内で self.model で行なうことができることの幾つかがあります :

  • 訓練を直ちに中断するために self.model.stop_training = True を設定します。
  • self.model.optimizer.learning_rate のような、(self.model.optimizer として利用可能な) optimizer のハイパーパラメータを変化させます。
  • 定期的な間隔でモデルをセーブします。
  • 訓練の間の正当性チェックとして使用するため、各エポックの最後で幾つかのテストサンプル上 model.predict() の出力を記録します。
  • 時間につれてモデルが何を学習しているか監視するため、各エポックの最後に中間特徴の可視化を抽出します。
  • 等々。

これを 2, 3 のサンプルで実際に見ましょう。

 

Keras コールバック・アプリケーションのサンプル

最小損失における Early Stopping

最初の例はコールバックの作成を示します、これは損失の最小に達したとき属性 self.model.stop_training (boolean) を設定することにより訓練を停止します。オプションで、ローカル最小に達した後で停止する前に幾つのエポックを待つべきかを指定するための引数 patience を貴方は提供できます。

tf.keras.callbacks.EarlyStopping はより完全で一般的な実装を提供します。

import numpy as np


class EarlyStoppingAtMinLoss(keras.callbacks.Callback):
    """Stop training when the loss is at its min, i.e. the loss stops decreasing.

  Arguments:
      patience: Number of epochs to wait after min has been hit. After this
      number of no improvement, training stops.
  """

    def __init__(self, patience=0):
        super(EarlyStoppingAtMinLoss, self).__init__()
        self.patience = patience
        # best_weights to store the weights at which the minimum loss occurs.
        self.best_weights = None

    def on_train_begin(self, logs=None):
        # The number of epoch it has waited when loss is no longer minimum.
        self.wait = 0
        # The epoch the training stops at.
        self.stopped_epoch = 0
        # Initialize the best as infinity.
        self.best = np.Inf

    def on_epoch_end(self, epoch, logs=None):
        current = logs.get("loss")
        if np.less(current, self.best):
            self.best = current
            self.wait = 0
            # Record the best weights if current results is better (less).
            self.best_weights = self.model.get_weights()
        else:
            self.wait += 1
            if self.wait >= self.patience:
                self.stopped_epoch = epoch
                self.model.stop_training = True
                print("Restoring model weights from the end of the best epoch.")
                self.model.set_weights(self.best_weights)

    def on_train_end(self, logs=None):
        if self.stopped_epoch > 0:
            print("Epoch %05d: early stopping" % (self.stopped_epoch + 1))


model = get_model()
model.fit(
    x_train,
    y_train,
    batch_size=64,
    steps_per_epoch=5,
    epochs=30,
    verbose=0,
    callbacks=[LossAndErrorPrintingCallback(), EarlyStoppingAtMinLoss()],
)
For batch 0, loss is   31.46.
For batch 1, loss is  431.85.
For batch 2, loss is  299.28.
For batch 3, loss is  227.94.
For batch 4, loss is  184.11.
The average loss for epoch 0 is  184.11 and mean absolute error is    8.47.
For batch 0, loss is    7.22.
For batch 1, loss is    6.92.
For batch 2, loss is    6.74.
For batch 3, loss is    6.27.
For batch 4, loss is    6.40.
The average loss for epoch 1 is    6.40 and mean absolute error is    2.04.
For batch 0, loss is    5.56.
For batch 1, loss is    6.04.
For batch 2, loss is    5.59.
For batch 3, loss is    5.10.
For batch 4, loss is    4.92.
The average loss for epoch 2 is    4.92 and mean absolute error is    1.79.
For batch 0, loss is    5.98.
For batch 1, loss is    4.58.
For batch 2, loss is    6.00.
For batch 3, loss is    8.78.
For batch 4, loss is   13.73.
The average loss for epoch 3 is   13.73 and mean absolute error is    2.96.
Restoring model weights from the end of the best epoch.
Epoch 00004: early stopping
<tensorflow.python.keras.callbacks.History at 0x7f77f173fe48>

 

学習率スケジューリング

この例では、カスタム・コールバックが訓練の過程において optimizer の学習率を動的に変更するためにどのように使用できるかを示しています。

より一般的な実装については callbacks.LearningRateScheduler を見てください。

class CustomLearningRateScheduler(keras.callbacks.Callback):
    """Learning rate scheduler which sets the learning rate according to schedule.

  Arguments:
      schedule: a function that takes an epoch index
          (integer, indexed from 0) and current learning rate
          as inputs and returns a new learning rate as output (float).
  """

    def __init__(self, schedule):
        super(CustomLearningRateScheduler, self).__init__()
        self.schedule = schedule

    def on_epoch_begin(self, epoch, logs=None):
        if not hasattr(self.model.optimizer, "lr"):
            raise ValueError('Optimizer must have a "lr" attribute.')
        # Get the current learning rate from model's optimizer.
        lr = float(tf.keras.backend.get_value(self.model.optimizer.learning_rate))
        # Call schedule function to get the scheduled learning rate.
        scheduled_lr = self.schedule(epoch, lr)
        # Set the value back to the optimizer before this epoch starts
        tf.keras.backend.set_value(self.model.optimizer.lr, scheduled_lr)
        print("\nEpoch %05d: Learning rate is %6.4f." % (epoch, scheduled_lr))


LR_SCHEDULE = [
    # (epoch to start, learning rate) tuples
    (3, 0.05),
    (6, 0.01),
    (9, 0.005),
    (12, 0.001),
]


def lr_schedule(epoch, lr):
    """Helper function to retrieve the scheduled learning rate based on epoch."""
    if epoch < LR_SCHEDULE[0][0] or epoch > LR_SCHEDULE[-1][0]:
        return lr
    for i in range(len(LR_SCHEDULE)):
        if epoch == LR_SCHEDULE[i][0]:
            return LR_SCHEDULE[i][1]
    return lr


model = get_model()
model.fit(
    x_train,
    y_train,
    batch_size=64,
    steps_per_epoch=5,
    epochs=15,
    verbose=0,
    callbacks=[
        LossAndErrorPrintingCallback(),
        CustomLearningRateScheduler(lr_schedule),
    ],
)
Epoch 00000: Learning rate is 0.1000.
For batch 0, loss is   32.28.
For batch 1, loss is  477.32.
For batch 2, loss is  327.87.
For batch 3, loss is  248.14.
For batch 4, loss is  199.64.
The average loss for epoch 0 is  199.64 and mean absolute error is    8.51.

Epoch 00001: Learning rate is 0.1000.
For batch 0, loss is    7.94.
For batch 1, loss is    6.56.
For batch 2, loss is    6.11.
For batch 3, loss is    5.98.
For batch 4, loss is    5.82.
The average loss for epoch 1 is    5.82 and mean absolute error is    1.97.

Epoch 00002: Learning rate is 0.1000.
For batch 0, loss is    5.04.
For batch 1, loss is    4.87.
For batch 2, loss is    5.04.
For batch 3, loss is    4.71.
For batch 4, loss is    4.68.
The average loss for epoch 2 is    4.68 and mean absolute error is    1.76.

Epoch 00003: Learning rate is 0.0500.
For batch 0, loss is    5.27.
For batch 1, loss is    4.22.
For batch 2, loss is    4.10.
For batch 3, loss is    4.00.
For batch 4, loss is    3.93.
The average loss for epoch 3 is    3.93 and mean absolute error is    1.59.

Epoch 00004: Learning rate is 0.0500.
For batch 0, loss is    3.29.
For batch 1, loss is    3.94.
For batch 2, loss is    3.96.
For batch 3, loss is    4.24.
For batch 4, loss is    4.32.
The average loss for epoch 4 is    4.32 and mean absolute error is    1.63.

Epoch 00005: Learning rate is 0.0500.
For batch 0, loss is    4.12.
For batch 1, loss is    4.32.
For batch 2, loss is    4.80.
For batch 3, loss is    5.20.
For batch 4, loss is    5.33.
The average loss for epoch 5 is    5.33 and mean absolute error is    1.84.

Epoch 00006: Learning rate is 0.0100.
For batch 0, loss is    5.05.
For batch 1, loss is    4.55.
For batch 2, loss is    3.81.
For batch 3, loss is    3.58.
For batch 4, loss is    3.53.
The average loss for epoch 6 is    3.53 and mean absolute error is    1.47.

Epoch 00007: Learning rate is 0.0100.
For batch 0, loss is    3.30.
For batch 1, loss is    4.03.
For batch 2, loss is    3.57.
For batch 3, loss is    3.48.
For batch 4, loss is    3.39.
The average loss for epoch 7 is    3.39 and mean absolute error is    1.45.

Epoch 00008: Learning rate is 0.0100.
For batch 0, loss is    2.76.
For batch 1, loss is    3.08.
For batch 2, loss is    2.95.
For batch 3, loss is    3.00.
For batch 4, loss is    3.16.
The average loss for epoch 8 is    3.16 and mean absolute error is    1.39.

Epoch 00009: Learning rate is 0.0050.
For batch 0, loss is    3.62.
For batch 1, loss is    4.01.
For batch 2, loss is    4.27.
For batch 3, loss is    3.95.
For batch 4, loss is    3.71.
The average loss for epoch 9 is    3.71 and mean absolute error is    1.48.

Epoch 00010: Learning rate is 0.0050.
For batch 0, loss is    3.41.
For batch 1, loss is    2.97.
For batch 2, loss is    2.78.
For batch 3, loss is    2.98.
For batch 4, loss is    3.01.
The average loss for epoch 10 is    3.01 and mean absolute error is    1.34.

Epoch 00011: Learning rate is 0.0050.
For batch 0, loss is    3.48.
For batch 1, loss is    3.39.
For batch 2, loss is    3.24.
For batch 3, loss is    3.20.
For batch 4, loss is    3.43.
The average loss for epoch 11 is    3.43 and mean absolute error is    1.44.

Epoch 00012: Learning rate is 0.0010.
For batch 0, loss is    3.49.
For batch 1, loss is    3.63.
For batch 2, loss is    3.23.
For batch 3, loss is    3.22.
For batch 4, loss is    3.19.
The average loss for epoch 12 is    3.19 and mean absolute error is    1.37.

Epoch 00013: Learning rate is 0.0010.
For batch 0, loss is    2.18.
For batch 1, loss is    2.91.
For batch 2, loss is    2.87.
For batch 3, loss is    3.00.
For batch 4, loss is    3.16.
The average loss for epoch 13 is    3.16 and mean absolute error is    1.34.

Epoch 00014: Learning rate is 0.0010.
For batch 0, loss is    2.55.
For batch 1, loss is    3.37.
For batch 2, loss is    3.27.
For batch 3, loss is    3.41.
For batch 4, loss is    3.29.
The average loss for epoch 14 is    3.29 and mean absolute error is    1.39.
<tensorflow.python.keras.callbacks.History at 0x7f77f1683b38>

 

組込み Keras コールバック

API doc を読むことにより既存の Keras コールバックを確実に調べてください。アプリケーションは CSV へのロギング、モデルのセーブ、TensorBoard 内の可視化、そしてそれ以上を含みます!

 

以上



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