ホーム » TensorFlow 各種ドキュメント翻訳 | TensorFlow の簡単な応用 (4)

TensorFlow 各種ドキュメント翻訳 | TensorFlow の簡単な応用 (4)

Top  <<    Prev  <    >  Next  

~ 2019/03/01

TensorFlow Federated 概要

TensorFlow Federated 0.1.0 がついに公開されました。
ドキュメントも併せてアップロードされましたので、まずは概要ページと Get Started を合わせて翻訳しておきました。

TensorFlow Federated (TFF) は分散データ上の機械学習のためのオープンソース・フレームワークです。TFF は、Federated ラーニング (FL) によるオープンな研究と実験を促進するために開発されました。FL は 共有グローバルモデルが多くの ( 訓練データをローカルに保持する) クライアントに渡り訓練される手法です。

例えば、FL は機密なタイピング・データをサーバにアップロードすることなしにモバイル・キーボードのための予測モデルを訓練するために使用されています。

[詳細] (03/01/2019)

 

Auto ML : NNI Tutorials : NNI で Trial Run を書く

Neural Network Intelligence (NNI) はマイクロソフト社がオープンソース化した Auto ML ツールキットで、TensorFlow / PyTorch / CNTK 等の深層学習フレームワークをサポートしています。

今回からチュートリアルに入ります。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 Neural Network Intelligence の無償サポートを開始しています。具体的には各種ドキュメントの日本語翻訳、FAQ の提供、有用なコードスニペットの提供等を実施していきます。

[詳細] (02/28/2019)

 

TensorFlow Probability 0.6.0 リリースノート

TensorFlow 1.13.1 のリリースを受けて TensorFlow Probability 0.6.0 が先ほどリリースされましたので、リリースノートを翻訳しておきました。0.6.0 は TensorFlow 1.13.1 に対応しています。TensorFlow Probability は TensorFlow エコシステムの一つで、TensorFlow で確率的推論と統計解析を可能にするライブラリです。

TFP 0.6.0 では Eager モードや TF 2.0 の仕様が意識された変更が行われています。
機能追加は多岐に渡りますが、KL ダイバージェンスの実装の拡充とユニットテストの追加、そして各種分布層の追加が特徴的です。

[詳細] (02/27/2019)

 

Auto ML : Neural Network Intelligence : QuickStart

Neural Network Intelligence (NNI) はマイクロソフト社がオープンソース化した Auto ML ツールキットで、TensorFlow / PyTorch / CNTK 等の深層学習フレームワークをサポートしています。

クラスキャットは Neural Network Intelligence の無償サポートを開始致しました。具体的には各種ドキュメントの日本語翻訳、FAQ の提供、有用なコードスニペットの提供等を実施していきます。

今回は概要ページに続いて QuickStart を翻訳致しました。NNI の基本的な利用方法が説明され、WebUI も試すことができます。NNI はニューラルネット・アーキテクチャの検索やハイパーパラメータ調整の機能を持つだけでなく、優れた WebUI も装備しています。

[詳細] (02/26/2019)

 

Auto ML : Neural Network Intelligence : 概要

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 / CNTK 等の深層学習フレームワークをサポートしています。ニューラルネット・アーキテクチャの検索やハイパーパラメータ調整の機能を持つだけでなく、優れた WebUI も装備しています。

クラスキャットでは Neural Network Intelligence の無償サポートを開始します。具体的には各種ドキュメントの日本語翻訳、FAQ の提供、有用なコードスニペットの提供等を実施していきます。
最初に Neural Network Intelligence の概要ページを翻訳致しました。

[詳細] (02/25/2019)

 

TensorFlow 1.13.0 リリースノート

TensorFlow 1.13 の安定版がリリースされましたので、いつものようにリリースノートを翻訳しておきます。
前バージョン (1.12) からおよそ 3 ヶ月半が経過しています。

重要な点として、TensorFlow 1.13 の GPU バイナリは CUDA 10 に対してビルドされています。また、総てのオペレーティングシステム上で Python3.7 がサポートされました。

それから TensorFlow Lite をはじめとする幾つかのモジュールが contrib から core に移されました (ex. tensorflow/contrib/lite から tensorflow/lite、tf.contrib.estimator.LinearEstimator から tf.estimator.LinearEstimator etc.)。

興味深い点として v2 に向けて一部仕様が変更されたり多くの deprecation がクリーンアップされています。

[詳細] (02/24/2019)

 

TensorFlow & PyTorch : ClassCat® TF/ONNX Hub : 動画分類モデル (3D ResNet, LRCN)

「ClassCat® TF/ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は動画分類タスクを遂行するモデル – 3D ResNet & LRCN – を紹介致します。題材は UCF 101 という動作認識用の動画データセットです。

「ClassCat TF/ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業のデータセットによる再調整も含めて、実運用するために必要なトータルサポートをご提供致します。

[詳細] (02/07/2019)

 

TensorFlow & PyTorch : ClassCat® TF/ONNX Hub : オプティカルフロー推定モデル

「ClassCat® TF/ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は動画におけるオプティカルフロー推定モデルとして FlowNet を紹介致します。題材は Flying Chairs (空飛ぶ椅子) と呼ばれる少し風変わりなデータセットを使用しています。

「ClassCat TF/ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業のデータセットによる再調整も含めて、実運用するために必要なトータルサポートをご提供致します。

[詳細] (01/26/2019)

 

TensorFlow & PyTorch : ClassCat® TF/ONNX Hub : 複数人物ポーズ推定

「ClassCat® TF/ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は 2 次元 RGB 画像から複数の人物の姿勢を推定する複数人物ポーズ推定モデルを紹介致します。OpenPose (CMU) や DensePose (FAIR) が良く知られています。

「ClassCat TF/ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業のデータセットによる再調整も含めて、実運用するために必要なトータルサポートをご提供致します。

[詳細] (01/20/2019)

 

TensorFlow & PyTorch : ClassCat® TF/ONNX Hub : 顔のランドマーク検出 & Pix2Face

「ClassCat® TF/ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は顔のランドマーク (目印) 検出と顔画像を 3 次元化する Pix2Face を紹介致します。

「ClassCat TF/ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業のデータセットによる再調整も含めて、実運用するために必要なトータルサポートを提供致します。

[詳細] (01/19/2019)

 

TensorFlow & PyTorch : ClassCat® TF/ONNX Hub : GAN モデル (Part II) – StarGAN, ACGAN

「ClassCat® TF/ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は提供モデル群として GAN モデル (Part II) – StarGAN, ACGAN を紹介致します。StarGAN は顔の表情変換を可能にするモデルとして知られています。

「ClassCat TF/ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業のデータセットによる再調整も含めて、配備・実運用するために必要なトータルサポートを提供致します。

[詳細] (01/17/2019)

 

TensorFlow & PyTorch : ClassCat® TF / ONNX Hub : セマンティック・セグメンテーション

「ClassCat® TF / ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は超音波画像や電子顕微鏡写真を題材にセマンティック・セグメンテーション・モデルを紹介致します。

「ClassCat TF / ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業の保持するデータセットによる再調整も含めて、配備・実運用するために必要なトータルサポートを提供致します。

[詳細] (01/13/2019)

 

TensorFlow & PyTorch : ClassCat® TF / ONNX Hub : Detectron 互換 物体検出モデル

「ClassCat® TF / ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。

今回は物体検出モデルの代表例である、Mask R-CNN をサポートする Detectron 互換モデルを紹介致します。

「ClassCat TF / ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業の保持するデータセットによる再調整も含めて、配備・実運用するために必要なトータルサポートを提供致します。

[詳細] (01/11/2019)

 

TensorFlow & PyTorch : ClassCat® TF / ONNX Hub : 医療画像処理モデル

「ClassCat® TF / ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。各モデルは TensorFlow 固有フォーマットと ONNX フォーマットの両者で提供されます。

今回は提供モデル群として医療画像処理モデルの代表例を紹介致します。胸部レントゲンや血液細胞画像を題材にしています。

「ClassCat TF / ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業の保持するデータセットによる再調整も含めて、配備・実運用するために必要なトータルサポートを提供致します。

[詳細] (01/10/2019)

 

TensorFlow & PyTorch : ClassCat® TF / ONNX Hub : GAN モデル

「ClassCat® TF / ONNX Hub」はクラスキャットが提供する実用性の高い機械学習モデルのレポジトリです。各モデルは TensorFlow 固有フォーマットと ONNX フォーマットの両者で提供されます。

提供モデル群第一弾として GAN モデルの代表例を紹介致します。

「ClassCat TF / ONNX Hub」で提供されるモデルについてはクラスキャットが検証の上で仕様を公開致しますので、ユーザ企業は希望するモデルを自由に選択することが可能です。またユーザ企業の保持するデータセットによる再調整も含めて、配備・実運用するために必要なトータルサポートを提供致します。

[詳細] (01/05/2019)

 
~ 2018/11/23

TensorFlow : Tutorials : データ表現 : カーネル法を使用した線形モデルの改良

TensorFlow の線形モデルでカーネル法を利用する方法についてのチュートリアルを翻訳しました。特に乱択化フーリエ特徴 (= Random Fourier Features) について詳述されます。

このチュートリアルでは、explicit カーネル法の線形モデルとの結合が (訓練と推論時間を本質的に増やすことなく) 予測品質を劇的に改良することを示します。dual カーネル法とは違い、explicit カーネル法は訓練/推論時間とメモリ要求の観点から訓練データセットのサイズと共に上手くスケールします。

TensorFlow マイナーアップデート時にドキュメントも併せて追加・更新されている場合があり、翻訳も可能な範囲で同期させています。

[詳細] (11/23/2018)

 

TensorFlow : Deploy : S3 上の TensorFlow

TensorFlow 配備に関連して Amazon S3 (及びその互換実装) の取り扱いを説明したドキュメントを翻訳しました。TensorFlow は S3 上のデータの読み書きをサポートしています。

TensorFlow マイナーアップデート時にドキュメントも併せて追加・更新されている場合があり、翻訳も可能な範囲で同期させています。

[詳細] (11/22/2018)

 

TensorFlow Probability : Tutorials : 確率的 PCA

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルと深層学習の融合を容易にします。

TFP チュートリアルの翻訳をしています。各種モデルを紹介していますが、今回は次元削減テクニックの一つである、確率的 PCA (主成分分析) を扱います。

TFP は次を含みます: (1) 広範囲な確率分布と bijector。(2) 深層確率的モデルを構築するための各種ツール。 (3) 変分推論と MCMC。 (4) 各種オプティマイザ。

TFP は TensorFlow 上に構築され TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (11/19/2018)

 

TensorFlow Probability 0.5.0 リリースノート

TensorFlow 1.12.0 のリリースを受けて TensorFlow Probability 0.5.0 がリリースされましたので、簡単ですがリリースノートを翻訳しておきました。0.5.0 は TensorFlow 1.12 に対応しています。TensorFlow Probability は TensorFlow エコシステムの一つで、TensorFlow で確率的推論と統計解析を可能にするライブラリです。

TFP 0.5.0 ではパッケージングに変更がありましたので注意が必要です。GPU 固有のビルドはパッケージ化されずに TFP は CPU/GPU の両者で動作します。

また Distributions モジュールは tf.distributions から tfp.distributions へ再配置されました。

その他にも三角分布 / ジップ分布 / 多変量スチューデントの t-分布等の幾つかの分布やガウス過程のサンプルが colab に追加されてドキュメントも更新されています。

[詳細] (11/07/2018)

 

TensorFlow 1.12.0 リリースノート

TensorFlow 1.12 の安定版がリリースされましたので、いつものようにリリースノートを翻訳しておきます。
前バージョンからおよそ 2 ヶ月が経過しています。

TensorFlow 1.12 では Keras が強化されています。特に SavedModel フォーマットに直接エクスポートされて Tensorflow Serving で利用可能となり、tf.data.Dataset による評価もサポートされました。また TPU 上の Keras の品質が向上してバグ修正も入ります。

Apache Ignite との連携へのサポートも追加されています。

興味深い点としては tf_api_version フラグが追加されたことです。このフラグは TensorFlow API version 2.0 のビルドに利用されることになります。

バグ修正とマイナーな改良はいつものように多岐に渡りますが、tf.data の領域が目立ちます。

[詳細] (11/06/2018)

 

TensorFlow Probability : Tutorials : 線形混合効果モデル

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルと深層学習の融合を容易にします。

TFP チュートリアルの翻訳をしています。各種モデルを紹介していますが、今回はお馴染みの線形混合効果 (= Linear Mixed Effects) モデルを扱います。これは構造化された線形関係をモデル化するための単純なアプローチです。

TFP は次を含みます: (1) 広範囲な確率分布と bijector。(2) 深層確率的モデルを構築するための各種ツール。 (3) 変分推論と MCMC。 (4) 各種オプティマイザ。

TFP は TensorFlow 上に構築され TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (11/03/2018)

 

TensorFlow Probability : Tutorials : ガウス分布の階乗混合

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルと深層学習の融合を容易にします。

TFP チュートリアルの翻訳をしています。TFP の概要、shape の扱い、ガウス過程そして Edward2 のドキュメントを翻訳しましたが、今回はガウス分布の階乗混合を扱います。

TFP は次を含みます: (1) 広範囲な確率分布と bijector。(2) 深層確率的モデルを構築するための各種ツール。 (3) 変分推論と MCMC。 (4) 各種オプティマイザ。

TFP は TensorFlow 上に構築され TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (11/02/2018)

 

TensorFlow Probability : Edward2

TensorFlow Probability は Edward – TF ベースの確率モデル・推論/評価のための OSS Python ライブラリを Edward2 として統合しました。i.e. Edward2 は TensorFlow と Python の確率的プログラミング言語です。

Edward2 の概要を説明した README を翻訳しておきました。

Edward2 は 3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しており、小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。

TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (11/01/2018)

 

TensorFlow Probability : Tutorials : ガウス過程 潜在変数 (状態空間) モデル

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルと深層学習の融合を容易にします。

TFP チュートリアルの翻訳をしています。ガウス過程の応用方法としては回帰モデルが良く知られており先にガウス過程回帰モデルを扱いましたが、潜在変数モデルとしても利用可能です。高次元観測 (e.g. 画像) のコレクションが与えられたときに低次元潜在構造を推測することができます。今回はガウス過程潜在変数モデルを扱います。

TFP は次を含みます: (1) 広範囲な確率分布と bijector。(2) 深層確率的モデルを構築するための各種ツール。 (3) 変分推論と MCMC。 (4) 各種オプティマイザ。

TFP は TensorFlow 上に構築され TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (10/31/2018)

 

TensorFlow Probability : Tutorials : ガウス過程回帰

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルと深層学習の融合を容易にします。

TFP チュートリアルの翻訳をしています。基本事項 – TFD (TF Distribution) モジュールの利用方法と TFD の shape / ブロードキャスティングについての説明が終わりましたので、具体的なモデルにあたっていきます。最初はガウス過程の回帰モデルで、関数からのノイズを持つ観測を生成して GP モデルをそれらのデータに (可視化しながら) 適合させます。

TFP は次を含みます: (1) 広範囲な確率分布と bijector。(2) 深層確率的モデルを構築するための各種ツール。 (3) 変分推論と MCMC。 (4) 各種オプティマイザ。

TFP は TensorFlow 上に構築され TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (10/30/2018)

 

TensorFlow Probability 概要

TensorFlow Probability (TFP) は TensorFlow エコシステムの一つで確率的推論と統計解析を可能にする Python ライブラリです。確率モデルを現代的なハードウェア (TPU, GPU) 上の深層学習と結合することを容易にします。

TFP 0.4.0 が先日リリースされてリリースノートを翻訳致しましたが、次にチュートリアル等のドキュメントを翻訳していきます。最初は概要で TFP のコンポーネントが簡単に説明されます。

TFP は次を含みます:

  • 広範囲な確率分布と bijector。
  • 深層確率的モデルを構築するための各種ツール (確率層 (probabilistic layers)、Edward2 言語 etc.) を含みます。
  • 変分推論とマルコフ連鎖モンテカルロ。
  • Nelder-Mead, BFGS と SGLD のようなオプティマイザ。

TFP は TensorFlow 上に構築されて TensorFlow のメリットを継承しますので、モデル探究とプロダクションのライフサイクルを通して単一の言語を使用してモデルを構築し、fit し、そして配備できます。

[詳細] (10/23/2018)

 

TensorFlow : Edward Tutorials : 混合密度ネットワーク

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

チュートリアルの翻訳を進めています。今回は混合密度ネットワーク (mixture density networks) を扱います。これは従来のニューラルネットワークを混合密度モデルと結合して得られたモデルのクラスです。Jupyter notebook による解説も併せて用意されています。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/22/2018)

 

TensorFlow : Edward Tutorials : 混合分布モデル (クラスタリング)

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

チュートリアルの翻訳を進めています。今回は混合分布モデル (mixture model) で教師なし学習 – クラスタリングのタスクを遂行します。Jupyter notebook による解説も併せて用意されています。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/21/2018)

 

TensorFlow : Edward Tutorials : 線形混合効果モデル

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

チュートリアルの翻訳を進めています。今回は線形混合効果 (= Linear Mixed Effects) モデルを扱います。固定効果と変量効果を持つ線形モデリングです。Jupyter notebook による解説も併せて用意されています。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/20/2018)

 

TensorFlow : Edward Tutorials : Tensorboard

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

チュートリアルの翻訳を進めています。基本事項としてベイジアン・ニューラルネットワークの実装例、ベイジアン線形回帰、そしてそのバッチ訓練を既に示しましたが、次に TensorBoard の取り扱いについて詳述されます。Jupyter notebook による解説も併せて用意されています。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/19/2018)

 

TensorFlow Probability 0.4.0 リリースノート

TensorFlow Probability は TensorFlow エコシステムの一つで、TensorFlow で確率的推論と統計解析を可能にするライブラリです。

10 月に TensorFlow Probability 0.4.0 がリリースされましたので、簡単ですがリリースノートを翻訳しておきました。0.4.0 は TensorFlow 1.11 に対応しています。名前空間が整理された上で、半コーシー / 逆ガウス / フォン・ミーゼス / パレート等の幾つかの分布やサンプルが追加されてドキュメントも更新されています。

[詳細] (10/18/2018)

 

TensorFlow : Edward Tutorials : ガウス過程 (教師あり学習: 分類)

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

チュートリアルの翻訳を進めています。先に教師あり学習の例としてベイジアン線形回帰モデルを扱いましたが、次に (甲殻類の) カニの形態学的データセットを題材にしてガウス過程を扱います。Jupyter notebook による解説も併せて用意されています。

[詳細] (10/17/2018)

 

TensorFlow : Edward Tutorials : ベイジアン線形回帰モデル (教師あり学習: 回帰)

Edward は TensorFlow ベースの確率的モデリング・推論・評価のための OSS Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

先にベイジアン・ニューラルネットワークの例を含む Getting Started を紹介しましたが、次にチュートリアルの翻訳に入ります。最初は合成データによるベイジアン線形回帰モデルを扱います。推論は KL ダイバージェンスで変分推論が実行されます。Jupyter notebook による解説も併せて用意されています。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/15/2018)

 

TensorFlow : Edward : Getting Started

Edward は TensorFlow ベースの確率的モデリング・推論・評価のためのオープンソースな Python ライブラリで、3 つの分野 – ベイズ統計と機械学習、深層学習そして確率的プログラミングを融合しています。

最初に Getting Started を翻訳しました。Edward による、単純なベイジアン・ニューラルネットワークの実装例が紹介されています。チュートリアルも順次翻訳していく予定です。

Edward は小さなデータセット上の古典的階層モデルから巨大なデータセット上の複雑な深層確率モデルにまで渡る、確率的モデルの高速な実験と研究のためのテストベッドです。

Edward はまた TensorFlow 上に構築されていますので、計算グラフ、分散訓練、CPU/GPU 統合、自動微分、そして TensorBoard による可視化のような機能を可能にします。

[詳細] (10/14/2018)

 

TensorFlow : Tutorials : 生成モデル : 畳み込み VAE : tf.keras と eager のサンプル

◆ tf.keras & Eager execution のサンプル

TensorFlow のドキュメントはバージョンアップに従って構成が変更されたりコンテンツが追加されます。これらについては折りを見て翻訳していきます。

チュートリアルの生成モデル編では既に DCGAN を扱いましたが、今回は GAN とともに生成モデルとして注目されている VAE、正確には「畳み込み変分オートエンコーダ」を扱います。tf.keras と Eager execution で実装したサンプルにもなっています。

[詳細] (10/11/2018)

 

Keras 2.2.4 リリースノート

Keras 2.2.3 に続いて 2.2.4 が更新リリースされました。これはバグ修正リリースです。

[詳細] (10/03/2018)

 

Keras 2.2.3 リリースノート

Keras 2.2.3 が更新リリースされましたので、いつものようにリリースノートを翻訳しておきました。

修正数は比較的多いのですが目立った新機能はなく、API の微調整が中心になっていて完成度が高まってきた印象です。

互換性を損なう API の変更としては、Sequential.get_config() の戻り値のフォーマットが他のモデルとの一貫性のために変更されました。

[詳細] (10/03/2018)

 

TensorFlow : Roadmap : TensorFlow 2.0 がやってくる

TensorFlow の次期メジャーバージョンである TensorFlow 2.0 は 8 月にアナウンスされて 9 月にはロードマップが示されましたので、翻訳しておきました。

まず、マルチ GPU/分散トレーニングがサポート可能になる Eager execution を中心に据えて使い勝手の良さが追求されます。高位 API (Eager, Keras, Estimator) は整理されてモデルフォーマットの互換性も改良されます。より多くのプラットフォーム (TensorFlow Lite, TensorFlow.js etc.) と言語もサポートされるようです。

Eager execution はもちろん、CPU、GPU (ターゲットは CUDA 10)、分散トレーニング、更には TPU クラウド上のパフォーマンス改良にも重点が置かれています。

コア・パート以外では参照モデルの提供が増強されて、deprecated API は除去されて tf.contrib は必要に応じて新規レポジトリに移されて整理されます。

[詳細] (10/01/2018)

 
~ 2018/09/28

TensorFlow 1.11.0 リリースノート

TensorFlow 1.11 の安定版がリリースされましたので、いつものようにリリースノートを翻訳しておきます。

TensorFlow 1.11 における重要な点として、Nvidia GPU に関連し、事前ビルドされたバイナリは cuDNN 7.2 と TensorRT 4 に対してビルドされていますので注意が必要です。

主要な改良点としては DistributionStrategy について tf.keras と Estimator のサポートが強化されました。tf.keras ではモデルをマルチ GPU 上で分散するために fit, evaluate そして predict が使用できるようになります。

また、Google Cloud TPU 上では Keras と Eager Execution の実験的サポートが追加されています。

バグ修正は多岐に渡りますが、tf.data と tf.contrib に集中しています。

[詳細] (09/28/2018)

 

TensorFlow 実装、マルチクラウド対応のニューラル機械翻訳ソリューション
    「ClassCat® NMT TK v1.0」を2018年10月から提供開始

◆ 英日・独英・仏英・西英翻訳の各種事前訓練モデルも併せて提供

プレスリリース

クラスキャット AI リサーチ (株式会社クラスキャット、代表取締役社長:佐々木規行、茨城県取手市)は、最新のニューラルネット翻訳 AI 技術を Amazon EC2 を始めとするマルチクラウド上で手軽に利用できるソリューション新製品「ClassCat® NMT TK v1.0」を2018年10月から提供開始することを発表致しました。コンサルティング・サービスも併せて提供致します。

[本文] (09/17/2018)

 

TensorFlow : Tutorials : 画像 : tf.keras で画像セグメンテーション

tf.keras & Eager execution のサンプル

TensorFlow 1.9 と 1.10 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。

現在は画像編を翻訳しています。tf.keras と Eager execution の実装サンプルになっています。

前回は Conditional GAN を扱いましたが、今回は画像セグメンテーションを紹介します。題材は Kaggle Carvana 画像 Masking チャレンジ・データセットです。

[詳細] (09/07/2018)

 

TensorFlow : Tutorials : 画像 : Pix2Pix (Conditional GAN)

tf.keras & Eager execution のサンプル

TensorFlow 1.9 と 1.10 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。

生成モデル編は完了しましたので、画像編を翻訳していきます。これも tf.keras と Eager execution の実装サンプルになっている点が特徴的です。

今回は Conditional GAN による画像から画像への変換 (pix to pix) を扱います。この技術で白黒写真を彩色したり、google マップを google earth に変換することができます。具体的な課題として、建物の正面の画像が与えられたときにリアルな建物の画像を生成してみます。

[詳細] (09/06/2018)

 

TensorFlow : Tutorials : 生成モデル : 画像キャプショニング with Attention

tf.keras & Eager execution のサンプル

TensorFlow 1.9 と 1.10 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。

現在は生成モデル編を翻訳しており、これは tf.keras と Eager execution の実装サンプルになっている点が特徴的です。

生成モデルとして言語モデル (RNN テキスト生成)、attention を持つニューラル機械翻訳を扱いましたが、次に画像キャプショニングを紹介します。画像キャプショニングは画像のためのキャプション (短い説明文) を生成するタスクです。

[詳細] (09/05/2018)

 

TensorFlow : Tutorials : 生成モデル : ニューラル機械翻訳 with Attention

tf.keras & Eager execution のサンプル

TensorFlow 1.9 と 1.10 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。

現在は生成モデル編を翻訳しており、これは tf.keras と Eager execution の実装サンプルになっている点が特徴的です。

生成モデルとしては先に Shakespeare の戯曲をデータセットとする RNN テキスト生成を扱いましたが、次に attention を持つニューラル機械翻訳を紹介します。具体的には西英翻訳のために、Bahdanau attention を持つ sequence to sequence モデルを tf.keras と Eager execution で実装して訓練します。

[詳細] (09/03/2018)

 

TensorFlow : Tutorials : 生成モデル : RNN でテキスト生成

tf.keras & Eager execution のサンプル

TensorFlow 1.9 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。 TensorFlow 1.10 で更に改訂されています。

高位 API Keras (tf.keras) の入門チュートリアルの後、生成モデル編を翻訳しています。tf.keras と Eager execution で実装したサンプルになっている点が特徴的です。

DCGAN の次は言語モデルです。Shakespeare の戯曲を題材にして RNN によるテキスト生成を扱います。

[詳細] (09/02/2018)

 

TensorFlow : Dopamine : 実験スタッツのロード & Tensorboard による可視化

Dopamine は Google 社から公開された TensorFlow ベースの強化学習フレームワークです。強化学習アルゴリズムの高速プロトタイピングのための研究用フレームワークで、DQN はもちろん先端技術の Rainbow エージェントの実装も含まれています。

ここまで Dopamine のインストール手順等の基本事項と Dopamine エージェントの拡張方法を説明したドキュメントを翻訳した後、ノートブックに移行し、エージェントの変種の作成とスクラッチからのエージェントの作成方法を紹介しました。

次いで、実験スタッツのロードとプロット、更には Tensorboard による可視化を扱うノートブックを翻訳しました。

[詳細] (09/01/2018)

 

TensorFlow : Dopamine : カスタム・エージェントの作成と訓練

Dopamine は Google 社から公開された TensorFlow ベースの強化学習フレームワークです。強化学習アルゴリズムの高速プロトタイピングのための研究用フレームワークで、DQN はもちろん先端技術の Rainbow エージェントの実装も含まれています。

ここまでは Dopamine のインストール手順やパラメータ調整方法の基本事項と、Dopamine エージェントの拡張方法を説明したドキュメントを翻訳してきました。

ここからはノートブックによる実践です。エージェントの変種をどのように作成するか、そしてスクラッチから新しいエージェントをどのように作成するかが具体的なコードで示されます。

[詳細] (08/31/2018)

 

TensorFlow : Dopamine 概要

Dopamine は 8月27日に Google 社から公開された TensorFlow ベースの強化学習フレームワークです。強化学習アルゴリズムの高速プロトタイピングのための研究用フレームワークで、DQN はもちろん先端技術の Rainbow エージェントの実装も含まれています。

先に、インストール手順やパラメータ調整方法が説明された github レポジトリの README を翻訳しましたが、次に概要ドキュメントを翻訳しました。

本ドキュメントでは主として Dopamine エージェントの拡張方法を扱います。Dopamine はアルゴリズム的な研究の単純化を目指して設計されているためにエージェントも容易に拡張可能です。ファイル構成・エージェントの構成・チェックポイント及びロギングについて説明された後、DQN, Rainbow, C51 そして IQN それぞれのエージェントについて具体的な変更・拡張方法が解説されます。

[詳細] (08/31/2018)

 

TensorFlow : Dopamine : README.md

8月27日に Google 社から TensorFlow ベースの強化学習フレームワーク Dopamine が公開されました。

Dopamine は強化学習アルゴリズムの高速プロトタイピングのための研究用フレームワークで、DQN はもちろん先端技術の Rainbow エージェントの実装も含まれています。実験結果の再現性も重視されているようです。

取り敢えず、github レポジトリの README を翻訳しておきました。概要説明、具体的なインストール手順と動作確認方法、そして実験パラメータの調整方法について記述されています。

[詳細] (08/30/2018)

 

TensorFlow : Tutorials : 生成モデル : DCGAN : tf.keras と eager のサンプル

TensorFlow 1.9 でドキュメント構成が変更されてチュートリアル等が数篇追加されましたので順次翻訳しています。 TensorFlow 1.10 で更に改訂されています。

高位 API Keras (tf.keras) についての入門チュートリアルのシリーズは終了しましたので、次に生成モデル編に移行します。

最初はお馴染みの DCGAN を扱いますが、tf.keras と Eager execution で実装したサンプルになっている点が特徴的です。

[詳細] (08/29/2018)

 

TensorFlow : Tutorials : Keras : モデルをセーブしてリストアする

TensorFlow 1.9 でドキュメント構成が変更されて、入門レベルの Keras チュートリアルも数篇追加されましたので順次翻訳しています。 TensorFlow 1.10 で更に改訂されています。

高位 API Keras (tf.keras) についての入門チュートリアルのシリーズは今回で最後です。
これまで Fashion-MNIST 分類タスク・映画レビューの分類タスク・住宅価格の回帰問題、そして overfitting の探究を扱ってきましたが、今回は Keras モデルのセーブ/リストアについての基本的な説明です。

Keras モデルのセーブは重みだけ、あるいはモデル全体をセーブすることが可能です。また callback ModelCheckpoint の利用により自動的にチェックポイント・ファイルにセーブすることも、手動でセーブすることもできます。

[詳細] (08/28/2018)

 

TensorFlow : Tutorials : Keras : overfitting と underfitting を調査する

TensorFlow 1.9 でドキュメント構成が変更されて、入門レベルの Keras チュートリアルも数篇追加されましたので順次翻訳しています。 TensorFlow 1.10 で更に改訂されています。

高位 API Keras (tf.keras) による Fashion-MNIST 分類タスク・映画レビューの分類タスク、更には Boston 郊外の住宅価格のデータセットを利用した回帰問題を扱ってきました。

今回は、IMDb 用のモデルに手を加えて実験しながら overfitting と underfitting について探究していきます。

[詳細] (08/27/2018)

 

TensorFlow : Tutorials : Keras : 住宅価格を予測する : 回帰

Google 開発者向けサイトの機械学習ガイドの翻訳を続けていましたが、再び TensorFlow チュートリアルに戻ります。

TensorFlow 1.9 でドキュメント構成が変更されて、入門レベルの Keras チュートリアルも数篇追加されましたので順次翻訳していました。 TensorFlow 1.10 で更に改訂されています。

高位 API Keras (tf.keras) による Fashion-MNIST 分類タスク・映画レビューの分類タスクに続いては、基本的な回帰問題を扱います。題材は定番の Boston 郊外の住宅価格のデータセットです。

[詳細] (08/26/2018)

 

TensorFlow 機械学習ガイド : テキスト分類 (5) ハイパーパラメータの調整、モデルの配備、バッチ訓練

映画レビュー分類を扱う TensorFlow チュートリアルの補足として、Google 開発者向けサイトの機械学習ガイド「テキスト分類」をパート別に順次翻訳しています。TensorFlow と tf.keras ベースで解説されています。

これまでに機械学習ガイド「テキスト分類」のデータ収集/調査、モデルの選択、データの前処理、モデルの構築と訓練/評価のパートを翻訳してきました。今回は「まとめ」を含む、複数のパートを併せて翻訳しました。

具体的な内容として、ハイパーパラメータの調整ではモデルの層数、ユニット数、Dropout 比率、学習率、更にはカーネル・サイズや埋め込み次元の調整方法について説明されます。
バッチ訓練では (tf.keras の) fit_generator() メソッドの例が示されます。

[詳細] (08/23/2018)

 

TensorFlow 機械学習ガイド : テキスト分類 (4) モデルの構築、訓練そして評価

映画レビュー分類を扱う TensorFlow チュートリアルの補足として、Google 開発者向けサイトの機械学習ガイド「テキスト分類」をパート別に順次翻訳しています。TensorFlow と tf.keras ベースで解説されています。

これまでに機械学習ガイド「テキスト分類」のデータ収集/調査、モデルの選択、データの前処理のパートを翻訳してきました。今回はモデルの構築と訓練/評価がテーマです。

テキスト分類モデルを tf.keras API を使用して n-gram モデルとシークエンス・モデルそれぞれについて実装して訓練します。特にシークエンス・モデルとしては sepCNN モデルを採用します。

[詳細] (08/23/2018)

 

TensorFlow 機械学習ガイド : テキスト分類 (3) データの準備 (前処理)

映画レビュー分類を扱う TensorFlow チュートリアルの補足として、Google 開発者向けサイトの機械学習ガイド「テキスト分類」をパート別に順次翻訳しています。TensorFlow と tf.keras ベースで解説されています。

これまでに機械学習ガイド「テキスト分類」のイントロダクション、データ収集、データ調査そしてモデルの選択のパートを翻訳してきました。今回はデータの準備、いわゆる前処理がテーマです。

n-gram モデルとシークエンス・モデルそれぞれのアプローチのためのデータ前処理をトークン化・ベクトル化・特徴選択そして正規化に分けて詳述されます。

[詳細] (08/22/2018)

 

TensorFlow 機械学習ガイド : テキスト分類 (2) モデルの選択

映画レビューの分類を扱う TensorFlow チュートリアルに続いて、Google 開発者向けサイトの機械学習ガイド「テキスト分類」をパート別に順次翻訳しています。TensorFlow ベースで解説されています。

先にこの機械学習ガイド「テキスト分類」のイントロダクション、データ収集そしてデータ調査のパートについてまとめて翻訳しましたが、今回のパートではモデルの選択を扱います。

このガイドではテキスト分類モデルを選択する過程を単純化する試みを遂行します。与えられたデータセットに対して、訓練に必要な計算時間を最小化しながら最大精度近くを達成するアルゴリズムを見つける過程をフローチャートで示します。

[詳細] (08/19/2018)

 

TensorFlow 機械学習ガイド : テキスト分類 (1) データの収集と調査

先に映画レビューの分類を扱う TensorFlow チュートリアルを紹介しましたが、テキスト分類について、より詳細に掘り下げた機械学習ガイドが Google 開発者向けサイトに用意されています。

この機械学習ガイド「テキスト分類」は幾つかのパートに分かれていますが、いずれも TensorFlow ベースで解説されていますので順次翻訳していきます。最初にイントロダクション、データ収集そしてデータ調査のパートについてまとめて翻訳しました。

[詳細] (08/18/2018)

 

TensorFlow : Tutorials : Keras : 映画レビューを分類する : 二値分類

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Keras チュートリアルも数篇追加されましたので、順次翻訳しています。 TensorFlow 1.10 で更に改訂されています。

先に高位 API Keras (tf.keras) による Fashion-MNIST 分類タスクを扱いましたが、本チュートリアルでは映画レビューの分類を遂行します。データセットはセンチメント解析の題材としても知られている IMDB (Internet Movie Database) を利用します。

具体的には、映画レビューのテキストを使用してレビューを肯定的か否定的かに分類します。これは二値分類の例になりますが、重要で広く利用可能な種類の機械学習問題です。

[詳細] (08/17/2018)

 

TensorFlow 1.10.0 リリースノート

TensorFlow 1.10 の安定版がリリースされましたので、いつものようにリリースノートを翻訳しておきます。1.9 から丁度1ヶ月ほどの間隔です。

TensorFlow 1.10 の重要な点は、マルチ GPU サポートのために NCCL 2.2 でビルドされていることです。また、TF 1.11 から Windows ビルドは Bazel を利用することになります (cmake サポートはドロップされます)。

新しい機能としては、tf.data に BigTable (Google社の分散 NoSQL DB) が統合される方向が示されたことが大きいでしょう。また、多くの名前空間 (tf.*) について既存の tensorflow シンボルのための新しいエンドポイントが追加されて、これらが推奨エンドポイントになります。将来的には既存のエンドポイントは置き換えられる可能性がありますので注意してください。

もちろんバグ修正は多岐に渡りますが、tf.data と tf.estimator の領域が比較的多いです。

[詳細] (08/10/2018)

 

TensorFlow : Tutorials : Keras – 最初のニューラルネットワークを訓練する : 基本分類

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Keras チュートリアルも数篇追加されましたので、順次翻訳しています。

本チュートリアルは TensorFlow 1.9 において最初のチュートリアルに相当するもので、高位 API Keras (tf.keras) で Fashion-MNIST の分類タスクを行なっています。

Fashion-MNIST は (手書き数字の) MNIST の代替となる優れたデータセットで、スニーカーやシャツのような衣類の画像を含んでおり、その詳しい説明となる README.ja.md は弊社スタッフが翻訳しています。

[詳細] (08/06/2018)

 

Keras 2.2.1 & 2.2.2 リリースノート

Keras 2.2.1 そして続けて 2.2.2 が更新リリースされましたので、(短いですが) 併せてリリースノートを翻訳しておきました。

仕様上の大きな変更はなく、Keras 2.2.1 では Conv2DTranspose のシグネチャの拡張と CNTK バックエンドの機能拡張が含まれてはいますが、バグ修正が中心です。パフォーマンスの改良とドキュメントの改良も含まれています。

Keras 2.2.2 は単なるバグ修正リリースで、multi_gpu_model に関する重大なバグが修正されています。

[詳細] (07/30/2018)

 

TensorFlow : Tutorials : Eager : カスタム訓練: ウォークスルー

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Eager チュートリアルも数篇追加されましたので、順次翻訳しています。

本ドキュメントはこれまで Getting Started に含まれていましたが、Eager チュートリアルの一部として改訂されましたので再翻訳しました。

このドキュメントでは Eager Execution と Keras モデルについて学習可能で、Python コードを多少なりとも読む必要はありますが機械学習の経験は必要ありません。Eager execution では TensorFlow に演算を直ちに評価して、(後で実行される) 計算グラフを作成する代わりに具体的な値を返します。

アイリス花を種で分類するために機械学習をどのように利用するかについて記述されていますが、TensorFlow Eager Execution を次のために使用します : 1. Keras でモデルを構築する, 2. サンプルデータ上でモデルを訓練する, そして 3. 未知のデータ上で予測を行なうためにモデルを使用する。

[詳細] (07/19/2018)

 

TensorFlow : Tutorials : Eager : カスタム層

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Eager チュートリアルも数篇追加されましたので、順次翻訳しています。

Eager execution モードにおける機械学習に必要な基本事項の説明は完了したので、層の説明に移行します。層スタックの構成やカスタム層の実装についても併せて説明されます。殆どの TensorFlow API は Eager execution とともに利用可能ですが、ニューラルネットワークを構築するための高位レベル API として tf.keras の使用が推奨されています。

[詳細] (07/18/2018)

 

TensorFlow : Tutorials : Eager : カスタム訓練: 基本

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Eager チュートリアルも数篇追加されましたので、順次翻訳しています。

ここまでの Eager 入門チュートリアルでは Eager execution モードにおける簡単な Tensor 演算、GPU の使用方法、自動微分を紹介しました。本記事では更に Variable の追加説明をします。そしてこれらのプリミティブ (Tensor, GradientTape & Variable) を組み合わせて実際に機械学習を遂行してみます。題材は簡単な線形モデルの合成データへのフィッティングです。

[詳細] (07/18/2018)

 

TensorFlow : Tutorials : Eager : 自動微分と gradient tape

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Eager チュートリアルも数篇追加されましたので、順次翻訳しています。

先のチュートリアルでは Eager execution モードでの簡単な Tensor 演算を紹介しましたが、本記事では機械学習モデルを最適化するための主要なテクニックである自動微分をカバーしています。tf.GradientTape コンテキストは有用です。

[詳細] (07/17/2018)

 

TensorFlow : Tutorials : Eager : Eager execution 基本

TensorFlow 1.9 でドキュメント構成が再度変更されました。入門レベルの Eager チュートリアルも数篇追加されましたので、順次翻訳しています。

本記事は TensorFlow を Eager execution を有効にして利用するための初歩的なチュートリアルです。Tensor の基本演算・NumPy との互換性や GPU アクセラレーションを Jupyter notebook で試してみます。データセットの扱いについても簡単にふれます。

[詳細] (07/16/2018)

 

TensorFlow : Guide : TensorBoard : ヒストグラム・ダッシュボード

TensorFlow 1.9 でドキュメント構成が再度変更されました。TensorBoard に関する新規のドキュメントを翻訳しました。

TensorBoard は TensorFlow に必須のユティリティですが、このガイドではテンソルの確率分布の時間ステップによるヒストグラムの可視化を扱います。

基本サンプルから開始してオーバーレイ/オフセット・モードの説明の後、マルチモーダル分布の可視化を行ないます。更に、ガンマ分布・一様分布・ポアソン分布そしてそれらを結合した分布の可視化のサンプルも示されます。

[詳細] (07/15/2018)

 

TensorFlow : Guide : 高位 API : Eager Execution

TensorFlow 1.9 でドキュメント構成が再度変更され、Eager Execution のガイドも改訂されましたので再翻訳しました。

Eager execution は命令型プログラミング環境でグラフ構築ステップなしに演算を直ちに評価します。演算は計算グラフを構築する代わりに具体的な値を返しますので、Eager execution は TensorFlow を新たに始める・モデルをデバッグする・ボイラープレートなコードの削減等を容易にします。

Eager execution は殆どの TensorFlow 演算と GPU アクセラレーションをサポートします。
Eager execution は研究や実験のための柔軟な機械学習プラットフォームで、以下を提供します :

  • 直感的なインターフェイス
  • より簡単なデバッギング
  • 自然な制御フロー

[詳細] (07/14/2018)

 

TensorFlow : Guide : 高位 API : Keras (tf.keras)

先日 TensorFlow 1.9 がリリースされましたが、ドキュメント構成も大きく変更されました。Keras (tf.keras) の Programmer’s Guide も追加されましたので翻訳しておきます。

Keras は深層学習モデルを構築するための高位 API で、ユーザ・フレンドリー / モジュール式に組み立て可能 / 簡単に拡張可能という特徴を持ち、高速プロトタイピング・先進的な研究そしてプロダクションのために使用可能です。

そして tf.keras は Keras API 仕様の TensorFlow 実装です。これは Eager execution, tf.data pipelines, そして Estimators のような TensorFlow 特有の機能のためのファーストクラス・サポートを含みます。tf.keras は柔軟性とパフォーマンスを犠牲にすることなく TensorFlow をより簡単に使用可能にします。

[詳細] (07/13/2018)

 

TensorFlow : Tensor2Tensor

Tensor2Tensor (略して T2T) は TensorFlow 上に構築された深層学習ツールキットです。
T2T は 2017 年 6 月に v1.0 が Google Brain チームにより公開されましたが、1 年が経過して現在では v1.6.6 まで更新されていますので、ドキュメントを再翻訳します。

T2T は深層学習をより利用しやすくして研究を加速するために設計された、深層学習モデルとデータセットのライブラリで、画像分類、言語モデリング、センチメント解析、スピーチ認識、要約そして翻訳のようなタスクがサポートされ、最先端技術の開発にも多数実績があります。

[詳細] (07/11/2018)

 

TensorFlow 1.9.0 リリースノート

TensorFlow 1.9 の安定版がリリースされましたので、いつものようにリリースノートを翻訳しておきます。最近は1ヶ月間隔で更新されていましたが、1.8 からのリリース間隔は約2ヶ月半空いています。

バグ修正が中心で目立った新規の機能はありませんが、tf.keras が Keras 2.1.6 API に更新されて Keras の公式ドキュメント (get started & programmer’s guide) が追加されました。これは Keras を Estimator と共に高位 API の中心に据えていると解釈できます。
なお、pre-made Estimator も幾つか追加サポートされています。

バグ修正は例によって多岐に渡りますが、tf.data を中心に Eager Execution, tf.keras モジュールでの修正が目立ちます。

[詳細] (07/11/2018)

 


 

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: http://www.classcat.com/

※ ClassCat は株式会社クラスキャットの登録商標です。
※ 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。

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