◆ ~ 2020/12/28
TensorFlow 2.4 : ガイド : 基本 – モジュール、層とモデルへのイントロダクション
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『モジュール、層とモデルへのイントロダクション』です。このガイドでは、どのように TensorFlow モデルが定義されるかを見るために Keras の水面下を進みます。これは TensorFlow がどのように変数とモデルを集めて、そしてそれらがどのようにセーブされてリストアされるかを見ることです。
[詳細] (12/28/2020)
TensorFlow 2.4 : ガイド : 基本 – 基本的な訓練ループ
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『基本的な訓練ループ』です。これまでのガイドでは tensor、変数、勾配テープそしてモジュールについて学習しました。このガイドでは、モデルを訓練するためにこれら総てを集約して適合させます。TensorFlow はまたボイラープレートを削減する有用な抽象を提供する高位ニューラルネットワーク API、tf.Keras API も含みます。このガイドでは基本的なクラスを使います。
[詳細] (12/27/2020)
TensorFlow 2.4 : ガイド : 基本 – グラフと tf.functions へのイントロダクション
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『グラフと tf.functions へのイントロダクション』です。このガイドでは、グラフを得るために TensorFlow がどのようにコードに単純な変更を行なうことを貴方に可能にするか、そしてそれらがどのようにストアされて表されるか、そしてモデルをアクセラレートしてエキスポートするためにそれらをどのように利用できるかのコアを見るでしょう。
[詳細] (12/26/2020)
TensorFlow 2.4 : ガイド : 基本 – 勾配と自動微分へのイントロダクション
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『勾配と自動微分へのイントロダクション』です。自動微分はニューラルネットワークを訓練するためのバックプロパゲーションのような機械学習アルゴリズムを実装するために有用です。このガイドでは、TensorFlow、特に eager 実行で勾配を計算できる方法を議論します。
[詳細] (12/24/2020)
TensorFlow 2.4 : ガイド : 基本 – 変数へのイントロダクション
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『変数へのイントロダクション』です。TensorFlow 変数はプログラムが操作する共有される、永続的な状態を表すために推奨される方法です。このガイドは TensorFlow で tf.Variable のインスタンスをどのように作成し、更新しそして管理するかを説明します。
[詳細] (12/23/2020)
TensorFlow 2.4 : ガイド : 基本 – Tensor へのイントロダクション
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳しています。
今回はガイド「TensorFlow 基本」カテゴリーから、『Tensor へのイントロダクション』です。インデキシングやブロードキャストのようなテンソルの基本操作から、Ragged Tensor・文字列 Tensor・スパース・テンソルについて詳述されます。
[詳細] (12/22/2020)
TensorFlow 2.4 : ガイド : 基本 – Eager 実行
TensorFlow 2.4 のドキュメントで幾つかガイドが追加されましたので、再翻訳します。
最初はガイド「TensorFlow 基本」カテゴリーから、Eager 実行です。TensorFlow の Eager 実行は命令型プログラミング環境で、これはグラフを構築することなく演算を直ちに評価します。演算は後で実行する計算グラフを構築する代わりに具体的な値を返します。
[詳細] (12/19/2020)
TensorFlow 2.4.0 リリースノート
TensorFlow 2.4.0 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 (2.3.0) からおよそ 4ヶ月半が経過しています。
注意すべき点は TensorFlow pip パッケージが CUDA11 と cuDNN 8.0.2 でビルドされていることです。
興味深いのは tf.experimental.numpy の実験的サポートです、これは TF プログラムを書くための NumPy-互換 API です。その他、MultiWorkerMirroredStrategy や Keras 混合精度 API tf.keras.mixed_precision がステーブル API になり、Keras Functional API の内部の主要なリファクタリングが完了したとのことです。
[詳細] (12/15/2020)
SentencePiece 0.1.9 : 概要
SentencePiece はニューラルネットワーク・ベースのテキスト生成システムのためのテキスト tokenizer と detokenizer で、言語固有の前/後処理に依拠しない end-to-end なシステムを作成することを可能にします。SentencePiece は BPE (バイトペア符号化) のようなサブワード・ユニットとユニグラム言語モデルを実装し、raw センテンスからの直接訓練が可能です。
README を翻訳しておきました。
[詳細] (12/09/2020)
HuggingFace Transformers 3.4 : 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 3.4 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] (11/22/2020)
HuggingFace Transformers 3.4 : データを前処理する
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 3.4 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] (11/21/2020)
HuggingFace Transformers 3.4 : モデルの概要
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 3.4 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。モデルの各々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] (11/12/2020)
HuggingFace Transformers 3.3 : タスクの概要
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 3.3 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「タスクの概要」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] (10/21/2020)
HuggingFace Transformers 3.3 : 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 3.3 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] (10/16/2020)
HuggingFace Transformers 3.3 : 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 3.3 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] (10/15/2020)
HuggingFace Transformers 3.3 : 概要
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。
最近リリースされた 3.3 をベースにドキュメントを幾つか翻訳していきます。最初は概要 (README) です。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。
[詳細] (10/13/2020)
◆ ~ 2020/09/22
DGL 0.5 ユーザガイド : 5 章 訓練 : 5.4 グラフ分類
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。5 章 訓練の「5.4 グラフ分類」へと進みます。巨大な単一グラフの代わりに複数のグラフ形式のデータを持つことがあるかもしれません。例えば人々のコミュニティの異なる型のリストです。同じコミュニティの人々の間の友好関係をグラフで特徴付けることにより分類するグラフのリストを得ます。このシナリオではグラフ分類モデルはコミュニティの型を識別することに役立つでしょう。
[詳細] (09/22/2020)
DGL 0.5 ユーザガイド : 5 章 訓練 : 5.2 エッジ分類/回帰
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。5 章 訓練の「5.2 エッジ分類/回帰」へと進みます。グラフのエッジ上の属性、あるいは 2 つのノード間にエッジが存在するか否かを予測することを望む場合があります。このセクションではエッジ分類/回帰モデルについて説明されます。
[詳細] (09/21/2020)
DGL 0.5 ユーザガイド : 5 章 訓練 : 5.1 ノード分類/回帰
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。5 章 訓練の「5.1 ノード分類/回帰」へと進みます。グラフ・ニューラルネットワークのためのポピュラーで広く採用されているタスクの一つはノード分類で、そこでは訓練/検証/テストの各ノードには事前定義されたカテゴリーのセットから正解カテゴリーが割当てられます。ノード回帰も同様で訓練/検証/テストセットの各ノードに正解数字が割当てられます。
[詳細] (09/20/2020)
DGL 0.5 ユーザガイド : 4 章 グラフ・データパイプライン
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。4 章の「グラフ・データパイプライン」へと進みます。DGL は dgl.data で多くの一般的に利用されるグラフ・データセットを実装しています。それらはクラス dgl.data.DGLDataset で定義された標準パイプラインに従っています。パイプラインがどのように動作するかを説明し、そして各コンポーネントをどのように実装するかを示します。
[詳細] (09/20/2020)
DGL 0.5 ユーザガイド : 3 章 GNN モジュールをビルドする
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。3 章の「GNN モジュールをビルドする」へと進みます。DGL NN モジュールは貴方の GNN モデルのためのビルディング・ブロックです。DNN フレームワーク・バックエンドに依拠して、それは PyTorch の NN モジュール、MXNet Gluon の NN ブロックと TensorFlow の Keras 層から継承しています。
[詳細] (09/19/2020)
DGL 0.5 ユーザガイド : 2 章 メッセージ・パッシング
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。2 章の「メッセージ・パッシング」へと進みます。GCN の上の定義はメッセージパッシング・パラダイムに適合しています : 各ノードは近傍ノードから送られた情報でそれ自身の特徴を更新します。
[詳細] (09/18/2020)
DGL 0.5 ユーザガイド : 1 章 グラフ : 1.5 異質グラフ
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。異質 (= heterogeneous) グラフは異なるタイプのノードとエッジを持つことができます。異なるタイプのノード/エッジは独立な ID 空間と特徴ストレージを持ちます。
[詳細] (09/16/2020)
DGL 0.5 ユーザガイド : 1 章 グラフ : 1.1 〜 1.3 基本定義と特徴
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳しています。ユーザガイドの「1 章 グラフ」に入ります。グラフ、ノードそしてエッジの定義から始めます。
[詳細] (09/14/2020)
DGL 0.5 Tutorials : ひとめでわかる DGL
DGL (Deep Graph Library) は TensorFlow や PyTorch のエコシステムで、グラフ上の深層学習専用の Python パッケージです。
グラフニューラルネットワークの実装が単純化され、数十億のノード/エッジを持つグラフ上の半教師あり学習、グラフ上の生成モデル、TreeLSTM のような樹木モデル etc. が実装可能です。
幾つかドキュメントが用意されていますので、順次翻訳していきます。最初のチュートリアルの目標は、(1) DGL がどのようにグラフ上の計算を可能にするか高位レベルで理解する、そして (2) グラフのノードを分類するために DGL で単純なグラフニューラルネットワークを作成して訓練することです。良く知られたコミュニティ分割問題「Zachary の空手クラブ」を題材としています。
[詳細] (09/05/2020)
◆ ~ 2020/06/19
TensorFlow 2.3.0 リリースノート
TensorFlow 2.3.0 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を翻訳しておきました。前バージョン (2.2.0) からおよそ 3 ヶ月弱が経過しています。
主要な特徴として、まず tf.data が入力パイプラインのボトルネックとリソースを節約するために 2 つの新しいメカニズムを追加しました : スナップショットと tf.data サービスです。入力パイプラインのパフォーマンスは TF Profiler でが分析可能です。
また、デバッグ情報をダンプして Debugger V2 と呼称される TensorBoard 2.3 で読まれて可視化できます。
[詳細] (07/28/2020)
Spark 3.0.0 リリースノート
Apache Spark 3.0 が先週リリースされました。短いですが、リリースノートを翻訳しておきます。
Spark はオープンソース・プロジェクトとして 10 年が経過し、ビッグデータ処理・データサイエンス・機械学習そしてデータ分析ワークロードのためのデファクトな統一エンジンとなっています。
Spark 3.0 は 3.x ラインの最初のリリースです。Spark 3.0 は Spark 2.x からの多くの革新の上に構築され、コミュニティからの多くの貢献により、このリリースでは 440 以上の貢献者からの寄与の結果として 3400 チケット以上を解決しました。
[詳細] (06/20/2020)
TensorFlow Probability 0.10.0 : ガイド : Optimizer
TensorFlow Probability は TensorFlow における確率的推論と統計的分析のためのライブラリです。TensorFlow エコシステムの一部として、TensorFlow Probability は確率的メソッドの深層ネットワークとの統合を提供します。
TensorFlow 2.2 対応の TensorFlow Probability 0.10 が 5 月にリリースされましたので、ドキュメントを幾つか翻訳していきます。ドキュメントはガイドとチュートリアルに分かれています。
今回はガイドから Optimizer が主題です。TensorFlow Probability で実装された様々な optimizer をどのように使用するかが実演されます。
[詳細] (06/19/2020)
TensorFlow Probability 0.10.0 : ガイド : TensorFlow Distributions : 優しいイントロダクション
TensorFlow Probability は TensorFlow における確率的推論と統計的分析のためのライブラリです。TensorFlow エコシステムの一部として、TensorFlow Probability は確率的メソッドの深層ネットワークとの統合を提供します。
TensorFlow 2.2 対応の TensorFlow Probability 0.10 が 5 月にリリースされましたので、ドキュメントを幾つか翻訳していきます。ドキュメントはガイドとチュートリアルに分かれています。
今回はガイドから TFD (TensorFlow Distribution) モジュールの具体的な利用方法について説明されます。ここでは抽象的な説明は後回しにして TF Eager execution モードを使用して具体例にあたります。
[詳細] (06/18/2020)
TensorFlow Probability 0.10.0 : ガイド : TensorFlow 分布 shape の理解
TensorFlow Probability は TensorFlow における確率的推論と統計的分析のためのライブラリです。TensorFlow エコシステムの一部として、TensorFlow Probability は確率的メソッドの深層ネットワークとの統合を提供します。
TensorFlow 2.2 対応の TensorFlow Probability 0.10 が 5 月にリリースされましたので、ドキュメントを幾つか翻訳していきます。ドキュメントはガイドとチュートリアルに分かれています。
今回はガイドから shape が説明されます。tfp Distributions の重要な概念である事象 shape / バッチ shape / サンプル shape について詳述されます。またブロードキャスティングについても詳しい考察があります。
[詳細] (06/18/2020)
TensorFlow Probability 0.10.0 : ガイド : 概要 – TensorFlow Probability のツアー
TensorFlow Probability は TensorFlow における確率的推論と統計的分析のためのライブラリです。TensorFlow エコシステムの一部として、TensorFlow Probability は確率的メソッドの深層ネットワークとの統合を提供します。
TensorFlow 2.2 対応の TensorFlow Probability 0.10 が 5 月にリリースされましたので、ドキュメントを幾つか翻訳していきます。ドキュメントはガイドとチュートリアルに分かれています。
今回はガイドからの概要で、TensorFlow Probability の主要な機能のウォークスルーになっています。
[詳細] (06/17/2020)
Acme : サンプル : チュートリアル
Acme は DeepMind 社が新たに公開した、TensorFlow 上に構築された強化学習 (RL) エージェントとエージェント・ビルディングブロックのライブラリです。ドキュメントは順次拡充されている段階ですが、幾つか翻訳しています。
今回はサンプルからチュートリアルです。強化学習エージェントを作成するために Acme のモジュールがどのようにスタックされるかの概要を提供します。どのようにネットワークを環境仕様に適合させるか、アクター、leaner、再生バッファ、データセット、adder そして完全なエージェントをどのように作成するかを示します。
Acme は新規の研究を行なうために十分な柔軟性を提供しながら、ポピュラーなアルゴリズムの参照実装として、そして強力なベースラインとして役立つような単純で効率的で可読なエージェントを公開するための努力が成されています。
[詳細] (06/15/2020)
Acme : サンプル : クイックスタート
Acme は DeepMind 社が新たに公開した、TensorFlow 上に構築された強化学習 (RL) エージェントとエージェント・ビルディングブロックのライブラリです。ドキュメントは順次拡充されている段階ですが、幾つか翻訳しています。
今回はサンプルからクイックスタートです。Acme をインストールして最初の D4PG エージェントを訓練するためのガイドになっています。
Acme は新規の研究を行なうために十分な柔軟性を提供しながら、ポピュラーなアルゴリズムの参照実装として、そして強力なベースラインとして役立つような単純で効率的で可読なエージェントを公開するための努力が成されています。
[詳細] (06/13/2020)
Acme : エージェント
Acme は DeepMind 社が新たに公開した、TensorFlow 上に構築された強化学習 (RL) エージェントとエージェント・ビルディングブロックのライブラリです。ドキュメントは順次拡充されている段階ですが、幾つか翻訳しています。
今回はエージェントのドキュメントで、Acme が含む事前構築されたエージェントについて、異なるユースケースに基づいて分けられたセクションでエージェントがリストアップされています。
Acme は新規の研究を行なうために十分な柔軟性を提供しながら、ポピュラーなアルゴリズムの参照実装として、そして強力なベースラインとして役立つような単純で効率的で可読なエージェントを公開するための努力が成されています。
[詳細] (06/13/2020)
Acme : コンポーネント
Acme は DeepMind 社が新たに公開した、TensorFlow 上に構築された強化学習 (RL) エージェントとエージェント・ビルディングブロックのライブラリです。ドキュメントは順次拡充されている段階ですが、幾つか翻訳しています。
今回はコンポーネントの概要を説明するドキュメントで、環境とネットワーク、更に内部コンポーネントについて説明が与えられます。
Acme は新規の研究を行なうために十分な柔軟性を提供しながら、ポピュラーなアルゴリズムの参照実装として、そして強力なベースラインとして役立つような単純で効率的で可読なエージェントを公開するための努力が成されています。
[詳細] (06/13/2020)
Acme : 概要 – DeepMind 強化学習ライブラリ
Acme は DeepMind 社が新たに公開した、TensorFlow 上に構築された強化学習 (RL) エージェントとエージェント・ビルディングブロックのライブラリです。ドキュメントは順次拡充されている段階ですが、幾つか翻訳していきます。最初は概要です。
Acme は新規の研究を行なうために十分な柔軟性を提供しながら、ポピュラーなアルゴリズムの参照実装として、そして強力なベースラインとして役立つような単純で効率的で可読なエージェントを公開するための努力が成されています。
[詳細] (06/12/2020)
Sonnet 2.0 : Tutorials : VQ-VAE 訓練サンプル
Sonnet は Google DeepMind 社が公開した TensorFlow 上に構築されたライブラリで、機械学習研究のための単純で構成可能な抽象を提供するために設計されています。多くの様々な目的のためにニューラルネットワークを構築するために利用可能です。
TensorFlow 2 に対応した Sonnet 2.0 がリリースされてドキュメントも改善されましたので、チュートリアル等を翻訳していきます。
今回のチュートリアルでは TF 2 / Sonnet 2 を使用して、「ニューラル離散表現学習」からのベクトル量子化変分オートエンコーダのモデルをどのように訓練するかを実演します。
[詳細] (06/10/2020)
Sonnet 2.0 : Tutorials : snt.distribute で分散訓練 (CIFAR-10)
Sonnet は Google DeepMind 社が公開した TensorFlow 上に構築されたライブラリで、機械学習研究のための単純で構成可能な抽象を提供するために設計されています。多くの様々な目的のためにニューラルネットワークを構築するために利用可能です。
TensorFlow 2 に対応した Sonnet 2.0 がリリースされてドキュメントも改善されましたので、チュートリアル等を翻訳していきます。
今回のチュートリアルでは CIFAR-10 を題材に、より大きなモデルと大きなデータセットでスケールアップしていきます。そして計算をマルチデバイスに渡り分散します。
[詳細] (06/10/2020)
Sonnet 2.0 : Tutorials : MLP で MNIST を予測する
Sonnet は Google DeepMind 社が公開した TensorFlow 上に構築されたライブラリで、機械学習研究のための単純で構成可能な抽象を提供するために設計されています。多くの様々な目的のためにニューラルネットワークを構築するために利用可能です。
TensorFlow 2 に対応した Sonnet 2.0 がリリースされてドキュメントも改善されましたので、チュートリアル等を翻訳していきます。
今回はチュートリアルから、MLP による MNIST 予測を題材に Sonnet によるモデル構築とその訓練方法などを学習します。
[詳細] (06/10/2020)
Sonnet 2.0 : イントロダクション, Getting Started & 直列化
Sonnet は Google DeepMind 社が公開した TensorFlow 上に構築されたライブラリで、機械学習研究のための単純で構成可能な抽象を提供するために設計されています。多くの様々な目的のためにニューラルネットワークを構築するために利用可能です。
TensorFlow 2 に対応した Sonnet 2.0 がリリースされてドキュメントも改善されましたので、チュートリアル等を翻訳していきます。最初は入門編で、イントロダクション、Getting Started とシリアライゼーションについて説明されます。
[詳細] (06/10/2020)
AutoML : NNI 1.5 : 自動調整 : 上級 : アドバイザーのカスタマイズ
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は上級チュートリアルから「アドバイザーのカスタマイズ」です。アドバイザーは AutoML アルゴリズムがチューナーとアセッサーの両者のメソッドを望むシナリオを対象としています。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (06/01/2020)
AutoML : NNI 1.5 : 自動調整 : 上級 : アセッサーのカスタマイズ
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は上級チュートリアルから「アセッサーのカスタマイズ」です。NNI は調整要求のために貴方自身でアセッサーを構築することをサポートします。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (06/01/2020)
AutoML : NNI 1.5 : 自動調整 : 上級 : チューナーのカスタマイズ
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は上級チュートリアルから「チューナーのカスタマイズ」です。チューナーは基底 Tuner クラスを継承して比較的容易に実装することができます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/31/2020)
AutoML : NNI 1.5 : 自動調整 : アセッサー : 組込みアセッサー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みアセッサーが説明されます。NNI は計算リソースを節約するため、早期停止ポリシーをサポートしていてこのジョブを行なうためにアセッサーと呼ばれるインターフェイスを持ちます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/30/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : PBT チューナー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、 PBT チューナーが詳述されます。PBT (集団ベース訓練, Population Based Training) は「ニューラルネットワークの集団ベース訓練」に由来します。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/30/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : PPO チューナー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、PPO チューナーが詳述されます。これは NNI のニューラル・アーキテクチャ探索 (NAS) インターフェイスに最適化されたチューナーです。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/29/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : BOHB アドバイザー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、BOHB アドバイザーが詳述されます。BOHB は堅牢で効率的なハイパーパラメータ調整アルゴリズムです。BO は「Bayesian 最適化」の略で HB は “Hyperband” の略です。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/29/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : Hyperband
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、Hyperband が詳述されます。Hyperband はポピュラーな autoML アルゴリズムです。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/28/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : ネットワーク Morphism
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、 ネットワーク Morphism が詳述されます。Autokeras はネットワーク Morphism を利用するポピュラーな autoML ツールですが、NNI プラットフォームでもネットワーク Morphism 法が実装されています。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/28/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : バッチチューナー, グリッドサーチ, GP チューナー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、バッチチューナー, グリッドサーチと GP チューナーが詳述されます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/27/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : Naive Evolution, SMAC, Metis
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、Naive Evolution, SMAC と Metisが詳述されます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/27/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : TPE、ランダム探索と焼なまし
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの中から、TPE、ランダム探索と焼なましが詳述されます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/26/2020)
AutoML : NNI 1.5 : 自動調整 : チューナー : 組込みチューナー
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回は組込みチューナーの概説です。NNI は組込みチューナーとして最先端チューニング・アルゴリズムを提供しそれらを利用することを容易にしています。組込みチューナーには TPE, ランダム探索, 焼きなまし, Naive Evolution, SMAC, バッチチューナー, グリッドサーチ, ハイパーバンド, Network Morphism, Metis チューナー, BOHB, GP チューナー, PPO チューナーそしてPBT チューナーが用意されています。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/26/2020)
AutoML : NNI 1.5 : 自動調整 : 自動 (ハイパーパラメータ) 調整 & トライアル Run を書く
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回からチュートリアルに入り、最初にトライアルの書き方です。NNI トライアルを定義するためには、最初にパラメータセット i.e. 探索空間を定義してからモデル更新を行なう必要があります。NNI ではトライアルを定義するために 2 つのアプローチを提供しています : NNI API と NNI Python アノテーション です。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/24/2020)
AutoML : NNI 1.5 : クイックスタート
NNI はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持ち、更に優れた WebUI も装備しています。
NNI 1.5 が 4 月に (更には 1.6 が 5 月末に) リリースされましたので、ドキュメントの再翻訳を行なっています。今回はクイックスタートを翻訳致しました。NNI の基本的な利用方法が説明され、WebUI を試すこともできます。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/23/2020)
AutoML : NNI 1.5 : 概要
NNI (Neural Network Intelligence) はマイクロソフト社がオープンソース化した Auto ML (自動機械学習) ツールキットで、TensorFlow / PyTorch をはじめとする深層学習フレームワークをサポートしています。ハイパーパラメータ調整、ニューラルネット・アーキテクチャの探索、モデル圧縮そして自動特徴エンジニアリングの機能を持つだけでなく、優れた WebUI も装備しています。
NNI 1.5 が 4 月にリリースされましたので、ドキュメントの再翻訳を行ないます。最初に NNI の概要ページを翻訳致しました。
クラスキャットは PoC (概念実証) で役立てるために NNI の製品サポートを行なっております。
[詳細] (05/22/2020)
TensorFlow 2.2.0 リリースノート
TensorFlow 2.2.0 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を翻訳しておきました。前バージョン (2.1.0) からおよそ 4 ヶ月が経過しています。
既にアナウンスされているように、Python 2 サポートの終了 (2020年1月1日) に伴い TensorFlow 2.2 では Python 2 サポートは継続されていません。
併せて、TensorFlow の Docker イメージの新しいリリースも Python 3 のみの提供となります。
機能的には、CPU/GPU/TPU のための新しいプロファイラーが導入された他、tf.distribute と tf.keras Model.fit を中心に様々な改良が施されています。tf.keras.applications で “top” 層の名前が “predictions” に標準化されたことにも注意してください。
[詳細] (05/07/2020)
TensorFlow TFRT : 新しい TensorFlow ランタイム
TFRT は先週公開されたばかりの新しい TensorFlow ランタイムです。現時点ではまだプロジェクトの早期ステージですが、概要と Getting started を翻訳しておきました。
TFRT は多種多様なドメイン固有ハードウェアに渡り最高レベルのパフォーマンスを持ち、統一され、拡張可能なインフラストラクチャ層を提供することを目的としています。マルチスレッド・ホスト CPU の効率的な利用を提供し、完全に非同期なプログラミングモデルをサポートし、そして低位での効率性に焦点を当てています。
[詳細] (05/04/2020)
Tensorforce 基本 : イントロダクション & Getting Started
Tensorforce は TensorFlow による深層強化学習のためのポピュラーなフレームワークです。2 月に 0.5.4 ステーブル版がリリースされていますのでチュートリアルを翻訳しています。
Tensorforce では強化学習の研究とアプリケーションによる実践のためにモジュール化された柔軟なライブラリ設計と簡単な使い勝手が重視されています。
最初はイントロダクションと Getting started をまとめて翻訳します。
[詳細] (04/24/2020)
TF-Agents 0.4 Tutorials : Checkpointer と PolicySaver
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳しています。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は Checkpointer と PolicySaver のチュートリアルです。Checkpointer は訓練/ポリシー状態と再生バッファ状態をローカルにセーブして (ローカルから) ロードするユティリティです。PolicySaver はポリシーだけをセーブ/ロードするツールで Checkpointer よりも軽く、ポリシーを作成したコードの知識がなくてもモデルを配備するために PolicySaver を利用できます。
[詳細] (04/23/2020)
TF-Agents 0.4 Tutorials : DQN C51/Rainbow
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳しています。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は DQN C51/Rainbow のチュートリアルです。カテゴリカル DQN (C51) エージェントを TF-Agents ライブラリでカートポール環境上どのように訓練するかを示します。このチュートリアルは DQN チュートリアルに精通していることが前提で、主として DQN と C51 間の違いにフォーカスします。
[詳細] (04/23/2020)
TF-Agents 0.4 Tutorials : ネットワーク
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳しています。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回はネットワークのチュートリアルです。貴方のエージェントのためにどのようにカスタム・ネットワークを定義するかを説明します。
[詳細] (04/22/2020)
TF-Agents 0.4 Tutorials : SAC minitaur
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は SAC minitaur のチュートリアルです。このサンプルは TF-Agents ライブラリを使用して Minitaur 環境上 Soft Actor Critic エージェントをどのように訓練するかを示します。
[詳細] (04/21/2020)
TF-Agents 0.4 Tutorials : REINFORCE エージェント
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は REINFORCE エージェントのチュートリアルです。このサンプルは DQN チュートリアルに類似していて、TF-Agents ライブラリを使用してカートポール環境で REINFORCE エージェントをどのように訓練するかを示します。
[詳細] (04/21/2020)
TF-Agents 0.4 Tutorials : 再生バッファ
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は再生バッファのチュートリアルです。強化学習アルゴリズムは環境でポリシーを実行するとき経験の trajectory (軌道) をストアするために再生バッファを利用します。訓練の間、エージェントの経験を「再生する」ために再生バッファに問い合わせが成されます。
[詳細] (04/21/2020)
TF-Agents 0.4 Tutorials : ドライバー
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回はドライバーのチュートリアルです。強化学習の一般的なパターンはステップかエピソードの指定数のために環境でポリシーを実行します。これを Python で書くことは比較的簡単である一方、TensorFlow で書いてデバッグすることは複雑です。そのためこの実行ループの概念をドライバーと呼ばれるクラスに抽象して Python と TensorFlow の両者で良くテストされた実装を提供します。
[詳細] (04/20/2020)
TF-Agents 0.4 Tutorials : ポリシー
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回はポリシーのチュートリアルです。強化学習の用語では、ポリシーは環境からの観測をアクションかアクションに渡る分布にマップします。
[詳細] (04/19/2020)
TF-Agents 0.4 Tutorials : 環境
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は環境についてのチュートリアルです。強化学習 (RL) の目標は環境と相互作用することにより学習するエージェントを設計することです。TF-Agents では環境は Python か TensorFlow で実装できます。
[詳細] (04/19/2020)
TF-Agents 0.4 Tutorials : 深層 Q ネットワークを TF-Agents で訓練する
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
今回は DQN (深層 Q ネットワーク) を TF-Agents で訓練するチュートリアルです。TF-Agents ライブラリを使用してカートポール環境でどのように DQN エージェントを訓練するかを示します。
[詳細] (04/18/2020)
TF-Agents 0.4 Tutorials : RL と深層 Q ネットワークへのイントロダクション
TF-Agents は TensorFlow の強化学習のためのライブラリです。4 月に 0.4.0 ステーブル版がリリースされましたのでチュートリアルを翻訳します。
TF-Agents は DQN エージェントを訓練するために必要な総てのコンポーネントを提供します。TF-Agents は十分にテストされたモジュール・コンポーネントを提供することにより、新しい RL アルゴリズムを設計・実装してテストすることを容易にします。コンポーネントは Python 関数または TensorFlow グラフ ops として実装されていてそれらの間で変換するためのラッパーも持ちます。
最初は強化学習と深層 Q ネットワークへのイントロダクションです。Q-学習、深層 Q-学習そして経験再生について簡単に説明されます。
[詳細] (04/15/2020)
JAX : Tutorials : クイックスタート
JAX は高パフォーマンスな機械学習研究のための Google による研究プロジェクトで、自動微分可能な CPU, GPU そして TPU 上の NumPy です。JAX は Autograd と XLA を活用しています。
Autograd により JAX は native Python と NumPy コードを自動的に微分できます。また JAX は GPU / TPU のようなアクセラレータ上で NumPy コードをコンパイルして実行するために XLA を使用します。ライブリ呼び出しは just-in-time コンパイルされて実行されます。
最初はクイックスタートとして行列の乗算、jit、grad そして vmap が紹介されます。
[詳細] (04/17/2020)
Kubeflow 1.0 : パイプライン : パイプラインの理解 : Kubeflow パイプラインの概要
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳しています。
今回は Kubeflow パイプラインの理解を深めるために、Kubeflow パイプラインの概要が説明されます。パイプライン・プラットフォームは以下から成ります : 1) 実験、ジョブと実行を管理・追跡するためのユーザインターフェイス、2) マルチステップ ML ワークフローをスケジュールするためのエンジン、3) パイプラインとコンポーネントを定義・操作するための SDK、4) SDK を使用してシステムと相互作用するためのノートブック。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/13/2020)
Kubeflow 1.0 : パイプライン : クイックスタート
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳しています。
今回は Kubeflow パイプラインで単純なパイプラインを素早く実行するためのクイックスタート・ガイドです。Kubeflow パイプライン UI へのイントロダクションとしても利用できます。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/13/2020)
Kubeflow 1.0 : コンポーネント : ハイパーパラメータ調整 : Katib Configuration 概要
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳しています。
コンポーネント・ガイドにはハイパーパラメータ調整についてのドキュメントが幾つか用意されていますが、今回は Katib Configuration の概要説明です。Katib config は (1) 現在の メトリクス・コレクタ (2) 現在の アルゴリズムについての情報を含む Kubernetes Config Map です。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/12/2020)
Kubeflow 1.0 : コンポーネント : ハイパーパラメータ調整 : Getting started with Katib
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳しています。
コンポーネント・ガイドにはハイパーパラメータ調整についてのドキュメントが幾つか用意されています。今回は Katib の Getting started です。コマンドラインと Katib ユーザインターフェイス (UI) を使用して 2,3 のサンプルを実行するためのガイドです。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/11/2020)
Kubeflow 1.0 : コンポーネント : ハイパーパラメータ調整 : Katib へのイントロダクション
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳しています。
コンポーネント・ガイドにはハイパーパラメータ調整についてのドキュメントが幾つか用意されています。今回は Katib へのイントロダクションです。機械学習 (ML) モデルのハイパーパラメータとアーキテクチャの自動調整のために Katib を利用します。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/11/2020)
Kubeflow 1.0 : コンポーネント : TensorFlow 訓練 (TFJob)
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳します。
今回はコンポーネント・ガイドから TensorFlow 訓練 (TFJob) を扱います。TensorFlow で機械学習モデルを訓練するための TFJob について詳述されます。TFJob は Kubernetes 上で TensorFlow 訓練ジョブを実行するために利用できる Kubernetes カスタム・リソース です。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/10/2020)
Kubeflow 1.0 : コンポーネント : メタデータ
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳します。
今回はコンポーネント・ガイドからメタデータの解説です。メタデータ・プロジェクトの目標は Kubeflow ユーザが (ワークフローが生成する) メタデータを追跡して管理することにより機械学習 (ML) ワークフローを理解して管理することを手助けすることです。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/09/2020)
Kubeflow 1.0 : コンポーネント : 登録フロー
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳します。
今回はコンポーネント・ガイドから登録フローです。Kubeflow クラスタのセットアップに依拠して、最初に Kubeflow にログインするとき名前空間を作成する必要があるかもしれません。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/09/2020)
Kubeflow 1.0 : コンポーネント : セントラル・ダッシュボード
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳します。
今回はコンポーネント・ガイドからセントラル・ダッシュボードです。Kubeflow はクラスタに配備された Kubeflow コンポーネントへの素早いアクセスを提供するためにセントラル・ダッシュボードが提供されます。
Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティスト、あるいはまた ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためのものです。
[詳細] (04/09/2020)
Kubeflow 1.0 : Getting Started : Kubeflow 概要
Kubeflow は Google 社がオープンソース化した、機械学習ワークフローを Kubernetes 上で展開可能にするプラットフォームです。3 月に 1.0 ステーブル版がリリースされましたので、ドキュメントを翻訳します。
最初は Getting Started から Kubeflow 概要です。Kubeflow は機械学習 (ML) システムを開発して配備するための Kubernetes 上に構築されたプラットフォームです。Kubeflow は ML パイプラインを構築して実験することを望むデータサイエンティストのためのプラットフォームであり、また ML システムを開発してテストと製品レベルのサービングのために様々な環境に配備することを望む ML エンジニアと運用チームのためでもあります。
[詳細] (04/08/2020)
◆ ~ 2020/03/22
AutoKeras 1.0 : Tutorials: 多様性データとマルチタスク
AutoKeras は Keras ベースの AutoML でテキサス A&M 大学により開発されています。機械学習を誰でもアクセスできるようにすることを目的としています。
待望の 1.0 が 1 月にリリースされていますので、ドキュメントを翻訳しておきます。今回は多様性データ (Multi-Modal) とマルチタスクのチュートリアルです。このチュートリアルでは多様性データとマルチタスクをどのように扱うかを示すために AutoModel API を利用しています。
[詳細] (03/22/2020)
AutoKeras 1.0 : Tutorials: 構造化データ分類
AutoKeras は Keras ベースの AutoML でテキサス A&M 大学により開発されています。機械学習を誰でもアクセスできるようにすることを目的としています。
待望の 1.0 が 1 月にリリースされていますので、ドキュメントを翻訳しておきます。今回は構造化データ分類のチュートリアルで、 CSV ファイルのタイタニック・データセットを使用します。
[詳細] (03/21/2020)
AutoKeras 1.0 : Tutorials: テキスト分類
AutoKeras は Keras ベースの AutoML でテキサス A&M 大学により開発されています。機械学習を誰でもアクセスできるようにすることを目的としています。
待望の 1.0 が 1 月にリリースされていますので、ドキュメントを翻訳しておきます。今回はテキスト分類のチュートリアルで、IMDB データセットを使用します。
[詳細] (03/21/2020)
AutoKeras 1.0 : Tutorials: 画像分類
AutoKeras は Keras ベースの AutoML でテキサス A&M 大学により開発されています。機械学習を誰でもアクセスできるようにすることを目的としています。
待望の 1.0 が 1 月にリリースされていますので、ドキュメントを翻訳しておきます。最初は画像分類で MNIST データセットを例に取ります。
[詳細] (03/21/2020)
TensorFlow Quantum 0.2.0 Tutorials : 量子畳込みニューラルネットワーク
TensorFlow Quantum は Google 社がオープンソース化した量子機械学習のためのフレームワークです。2/29 に初期バージョン (0.2.0) が公開されました。
今回は、量子畳込みニューラルネットワークのチュートリアルです。単純化された量子畳込みニューラルネットワーク (QCNN) を実装していきます。TensorFlow Quantum (TFQ) はグラフ内での回路構築のために設計された層クラスを提供します。一つの例は tf.keras.Layer から継承した tfq.layers.AddCircuit 層です。
TensorFlow Quantum は量子機械学習 のための Python フレームワークで、量子アルゴリズム研究者と機械学習研究者に TensorFlow の中から Google の量子計算フレームワークを活用することを可能にします。TensorFlow Quantum は量子データとハイブリッド量子-古典的モデルを構築することにフォーカスしています。
[詳細] (03/19/2020)
TensorFlow Quantum 0.2.0 Tutorials : 勾配を計算する
TensorFlow Quantum は Google 社がオープンソース化した量子機械学習のためのフレームワークです。2/29 に初期バージョン (0.2.0) が公開されました。
今回は、勾配を計算するためのチュートリアルです。このチュートリアルは量子回路の期待値のための勾配計算アルゴリズムを探究します。ある可観測量の期待値の勾配を計算することは複雑なプロセスです。異なるシナリオに対して役立つ異なる量子勾配計算法があります。
TensorFlow Quantum は量子機械学習 のための Python フレームワークで、量子アルゴリズム研究者と機械学習研究者に TensorFlow の中から Google の量子計算フレームワークを活用することを可能にします。TensorFlow Quantum は量子データとハイブリッド量子-古典的モデルを構築することにフォーカスしています。
[詳細] (03/15/2020)
TensorFlow Quantum 0.2.0 Tutorials : MNIST 分類
TensorFlow Quantum は Google 社がオープンソース化した量子機械学習のためのフレームワークです。2/29 に初期バージョン (0.2.0) が公開されました。
今回は、MNIST 分類のチュートリアルです。このチュートリアルでは MNIST の単純化されたバージョンを分類するために量子ニューラルネットワーク (QNN) を構築します。この古典的データ問題上における量子ニューラルネットワークのパフォーマンスを古典的ニューラルネットワークと比較します。
TensorFlow Quantum は量子機械学習 のための Python フレームワークで、量子アルゴリズム研究者と機械学習研究者に TensorFlow の中から Google の量子計算フレームワークを活用することを可能にします。TensorFlow Quantum は量子データとハイブリッド量子-古典的モデルを構築することにフォーカスしています。
[詳細] (03/14/2020)
TensorFlow Quantum 0.2.0 Tutorials : Hello, many worlds
TensorFlow Quantum は Google 社がオープンソース化した量子機械学習のためのフレームワークです。2/29 に初期バージョン (0.2.0) が公開されました。
今回からチュートリアルに入ります。このチュートリアルは古典的ニューラルネットがどのように量子ビット・キャリブレーションエラーを訂正することを学習できるかを示します。それは NISQ 回路を作成し、編集しそして起動するために Cirq を導入して Cirq が TensorFlow Quantum とどのように相互作用できるかを実演します。
TensorFlow Quantum は量子機械学習 のための Python フレームワークで、量子アルゴリズム研究者と機械学習研究者に TensorFlow の中から Google の量子計算フレームワークを活用することを可能にします。TensorFlow Quantum は量子データとハイブリッド量子-古典的モデルを構築することにフォーカスしています。
[詳細] (03/13/2020)
TensorFlow Quantum 0.2.0 概要 / 量子機械学習コンセプト / 設計
TensorFlow Quantum は Google 社がオープンソース化した量子機械学習のためのフレームワークです。2/29 に初期バージョン (0.2.0) が公開されました。
概要、量子機械学習コンセプトそして TensorFlow Quantum デザインのドキュメントを併せて翻訳しておきました。
TensorFlow Quantum は量子機械学習 のための Python フレームワークで、量子アルゴリズム研究者と機械学習研究者に TensorFlow の中から Google の量子計算フレームワークを活用することを可能にします。TensorFlow Quantum は量子データとハイブリッド量子-古典的モデルを構築することにフォーカスしています。
[詳細] (03/12/2020)
TensorFlow 2.1.0 リリースノート
TensorFlow 2.1.0 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を翻訳しておきました。前バージョン (2.0.0) からおよそ 3 ヶ月が経過しています。
リリースノートによれば、TensorFlow 2.1 は Python 2 をサポートする最後のリリースとなるようです。Python 2 サポートは公式に 2020 年 1 月 1 日で終了しています。
その他の重要な点として、Tensorflow pip パッケージはデフォルトで GPU サポートを含むようになります。これは NVIDIA GPU を持つマシン/持たないマシンの両者で動作します。tensorflow-gpu は依然として利用可能で、(パッケージサイズが気になるユーザのために) tensorflow-cpu も利用可能になっています。
TensorFlow pip パッケージは CUDA 10.1 と cuDNN 7.6 でビルドされています。
[詳細] (01/10/2020)
◆ 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/ |
※ TensorFlow, the TensorFlow logo and any related marks are trademarks of Google Inc.
※ AWS は米国その他の諸国における Amazon.com, Inc. またはその関連会社の商標です。
※ 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。