ホーム » TensorFlow 各種ドキュメント翻訳 | TensorFlow の簡単な応用 (6)

TensorFlow 各種ドキュメント翻訳 | TensorFlow の簡単な応用 (6)

Top  <<    Prev  <    >  Next  

~ 2017/09/19

TensorFlow : Programmer’s Guide : セーブとリストア

TensorFlow 1.0 以降に Programmer’s Guide が再構成されましたので改めて翻訳を進めています。「グラフとセッション」に続いては、”Saving and Restoring” を翻訳しました。
主題としては tf.train.Saver クラスによる「変数」のセーブとリストア、SavedModel による「モデル」のセーブとリストアを扱っています。SavedModel は言語ニュートラルなシリアライズ形式で、SavedModel の構築・Python/C++ によるロードといった基本事項の説明の後、Estimator を利用してローカルサーバから予測をリクエストするまでの具体的な手順が説明されています。更には、SavedModel を探求して実行可能な CLI (saved_model_cli) の使い方が説明されています。 [詳細] (09/19/2017)

 

TensorFlow : Get Started : tf.estimator クイックスタート

TensorFlow の高位ライブラリとしては Keras が有名ですが、TFLearn も良く利用されています。TFLearn は既に tf.contrib.learn として TensorFlow に取り込まれていましたが、その後進化を続けて現在では tf.estimator として統合整理されたようです。ドキュメントも “tf.estimator quick start” として改訂されましたので再翻訳しておきました。 [詳細] (09/18/2017)

 

TensorFlow : Programmer’s Guide : グラフとセッション

TensorFlow 1.0 以降に Programmer’s Guide が再構成されていますので改めて翻訳を進めています。
テンソル、変数のガイドに続いては、TensorFlow の主要な機能であるグラフとセッションについてのガイドを翻訳しました。最初に並列計算のためにデータフローグラフのメリットについて説明した後、tf.Graph と tf.Session について詳述されています。
高度なトピックとしては、分散トレーニングやマルチ GPU を扱うためのデバイス配置の制御や複数グラフによるプログラミングにも言及されています。 [詳細] (09/17/2017)

 

TensorFlow : Programmer’s Guide : よくある質問 (FAQ)

TensorFlow 1.0 以降に Programmer’s Guide が再構成されていますので改めて翻訳を進めています。
今回は FAQ 集を翻訳しました。本ページではプログラマー視点からのよくある質問とその回答がまとめられています。TensorFlow の分散訓練と Python 3 サポートの話題から始まり、TensorFlow グラフの構築、計算の実行、クライアント言語、GPU、変数、テンソル shape、TensorBoard 等の基本事項を網羅した上で TensorFlow の拡張にも言及しています。基本知識のチェックに最適です。
[詳細] (09/16/2017)

 

TensorFlow : Programmer’s Guide : Estimator

TensorFlow 1.0 以降に Programmer’s Guide が再構成されていますので改めて翻訳を進めています。
Estimator は高位 TensorFlow API で機械学習プログラミングを大幅に単純化し、次のアクションをカプセル化します : 訓練, 評価, 予想, サービス提供のためのエクスポート。一般に低位 TensorFlow API よりも Estimator でモデルを作成する方がはるかに簡単です。
総ての Estimator は tf.estimator.Estimator クラスを基底とするクラスで、提供される pre-made (事前作成された) Estimator を使用しても良いですし、貴方自身のカスタム Estimator を書いてもかまいません。 [詳細] (09/15/2017)

 

TensorFlow : Programmer’s Guide : 変数 (Variables)

TensorFlow 1.0 以降に Programmer’s Guide が再構成されていますので改めて翻訳を進めています。
先にテンソルを扱いましたが、今回は「変数 (variable)」の翻訳です。TensorFlow 変数の作成・初期化・使用方法・共有 etc. の基本事項を扱っていますが、グラフの初期化や TensorBoard への出力の際に必要になる変数のコレクションについてもポイントを抑えて説明されています。 [詳細] (09/12/2017)

 

TensorFlow : Programmer’s Guide : テンソル

TensorFlow 1.0 以降にドキュメント、特に Programmer’s Guide が再構成されていますので、改めて翻訳を進めていきます。

今回は TensorFlow の最も基本的な概念「テンソル」を扱います。テンソルの基本概念、tf.Tensor オブジェクト、shape/rank プロパティやデータ型のような基本事項が丁寧に説明されています。更にはテンソルの評価方法、デバッグ方法についても言及されています。 [詳細] (09/11/2017)

 
~ 2017/09/10

TensorFlow : Programmer’s Guide : 埋め込み (Embedding)

8月に追加された TF Programmer’s Guide : Embedding の翻訳です。埋め込み (= embedding) は Word2Vec の単語埋め込みのコンテキストで言及されることが多いですが、より一般的な概念として説明されているものは数少なくこれは良い入門になっています。

埋め込みは単語のような離散的なオブジェクトから実数のベクトルへのマッピングで、この埋め込みは離散した入力に機械学習を適用させてくれます。埋め込みを考える一つの方法として、ベクトルでないオブジェクトを機械学習のための有用な入力に変換する手段として考えることができます。

TensorBoard の Embedding Projector を利用した埋め込みの可視化についても詳述されています。 [詳細] (09/10/2017)

 

TensorFlow: Deploy: TensorFlow Serving と Kubernetes で Inception モデルをサービス提供する

Inception モデルをサービスとして提供する TensorFlow Serving を Docker コンテナで動作させ、GCP (Google Cloud Platform) クラスタ上、Kubernetes でどのように配備するかを示すという非常に実践的なチュートリアルを翻訳しておきました。

具体的な流れとしては、まず ModelServer と訓練済み Inception モデル・チェックポイントファイルを含む TensorFlow Serving Docker イメージを作成します。次にローカルでコンテナを実行し問い合わせのテストを行ないます。最後に GCP の Google Container Engine クラスタ上で Kuberunetes を利用してモデルを配備し ImageNet 画像を渡してサーバにカテゴリを問い合わせてみます。 [詳細] (09/09/2017)

 

ONNX – Open Neural Network Exchange

ONNX – Open Neural Network Exchange が Facebook 社と Microsoft 社のコラボレーションとして 9月8日に提唱されました。レポジトリの README を翻訳しておきました。ONNX は AI モデルのためのオープンソース・フォーマットを提供するもので組込み演算子と標準的なデータ型の定義そして拡張可能な計算グラフモデルを定義します。AI 開発者がプロジェクトの進化に伴い適切なツールを選択することを可能にするオープン・エコシステムに向けての最初のステップです。
Caffe2, PyTorch と Cognitive Toolkit は ONNX のサポートをコミットしています。異なるフレームワーク間の相互運用性を可能にして研究から製造ラインへのシームレスなストリーミングは AI コミュニティにおける革新スピードを早めるでしょう。 [詳細] (09/08/2017)

Facebook and Microsoft introduce new open ecosystem for interchangeable AI frameworks

 

TensorFlow : Deploy : TensorFlow Serving : 標準的な TensorFlow ModelServer を構築する

TensorFlow Serving 上級チュートリアル – TensorFlow Serving の上級チュートリアルの翻訳になります。
標準的な TensorFlow ModelServer を構築して実行する方法が示されています。具体的には MNIST のための複数の TensorFlow モデルの訓練/エクスポートから始めて ServerCore によるバージョン管理、サービス提供そしてテストの実行までを通して行ないます。
基本チュートリアルと併せて読めば、TensorFlow Serving の運用について十分な知識が得られます。 [詳細] (09/07/2017)

 

TensorFlow : Deploy : TensorFlow Serving : TensorFlow モデルをサーブする

TensorFlow Serving 基本チュートリアル – TensorFlow Serving のアーキテクチャ概要とインストール・ガイドについて翻訳して見てきましたが、いよいよ実践的なチュートリアルに入ります。まずは基本チュートリアルでは、MNIST のシンプルな Softmax モデルを訓練して SavedModelBuilder モジュールを使用してエクスポートします。そしてそのモデルを TensorFlow ModelServer でロードしてクライアントから推論エラー率を計算してみます。 [詳細] (09/04/2017)

 

TensorFlow : Deploy : TensorFlow Serving : インストール

TensorFlow Serving のインストール・ガイドの翻訳です。TensorFlow Serving ModelServer のバイナリは SSE4 と AVX 命令セットに最適化された tensorflow-model-server と一般的なオプションでビルドされた tensorflow-model-server-universal の2種類が用意されています。ソースからビルドする場合には Bazel が必要ですが、docker を利用した継続的インテグレーション・ビルド環境も用意されています。 [詳細] (09/01/2017)

 

TensorFlow : Deploy : TensorFlow Serving : アーキテクチャ概要

今月 (8月)、TensorFlow Serving 1.0 が正式にリリースされましたので、アーキテクチャ概要を翻訳しておきました。主要な概念 – Servable, Loader, Source, Manager 等と Servable のライフサイクルについて説明されています。

TensorFlow Serving は本番環境のための柔軟で高性能なサービング・システムで、同じサーバ・アーキテクチャと API を保持したまま新しいアルゴリズムや実験を簡単に配備可能です。

また、TensorFlow Serving は TensorFlow モデルとの独創的な統合を提供しますが、他のタイプのモデルをサーブするために簡単に拡張することもできます。 [詳細] (08/31/2017)

 

TensorFlow : TensorFlow で Fashion-MNIST

MNIST の代替データセットとして、Zalando から Fashion-MNIST データセットが 8月28日 付けで公開されました。その目的や使い方を含む README を翻訳するとともに、簡単な TensorFlow 実装 MLP モデルで実際に利用してみました。MNIST よりも学習難易度が高くなっています。

Fashion-MNIST は MNIST の欠点を補うとともに、フォーマットは MNIST と完全互換です。60,000 サンプルの訓練セットと 10,000 サンプルのテストセットから成り、各サンプルは 28×28 グレースケール画像で 10 クラスのラベルと関連付けられています。Fashion-MNIST はオリジナルの MNIST データセット の直接的な差し込み式の置き換えとしてサーブすることを意図しています。 [詳細] (08/28/2017)

Fashion-MNIST Github README-ja

  • 先にクラスキャットが翻訳した Fashion-MNIST の README の翻訳ドキュメントを author の Dr. Han Xiao 氏の要望で README-ja として公式 repository に push する運びとなりました。
  • Fashion-MNIST は既存の MNIST 用のモデルがそのまま流用できる便利なデータセットですので、MNIST に食傷気味の皆様、是非ご活用ください! ファイル名もフォーマットも MNIST と完全互換でありながら、学習難易度が少しだけ高めの優れものです。

 

Keras 2.0.7 & Keras 2.0.8 リリースノート

Keras 2.0.7 が 8月22日に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。
Keras 2 はかなり洗練されてきた印象で、TensorFlow / TensorBoardとの整合性にも注意が払われ、TFRecords のサポートも改善されました。

更に立て続けに、Keras 2.0.8 が 8 月26日にリリースされました。
このリリースは TensorFlow 次期バージョン (1.4) との非互換性に対処する目的でのみリリースされたものです。

 

deeplearn.js : サンプル : 補色を予想する

deeplearn.js のチュートリアルの最終章の翻訳になります。このチュートリアルでは補色 (相補的な色) を予想するモデルのコーディングを体験します。このモデルのハイパーパラメータは完全には最適化されないかもしれませんが、モデルの構築は deeplearn.js の重要な概念を通して学ぶことができます。

モデルを構築する興味深いパートも含みます。64, 32, 16 ユニットをそれぞれ持つ3つの完全結合層を積層します。deeplearn.js は TensorFlow のように graph-ベースの API です: 最初にモデルをデザインし、そしてモデルを実行するために session を使用します。 [詳細] (08/25/2017)

 

deeplearn.js : チュートリアル : TensorFlow モデルの移植

deeplearn.js は TensorFlow モデルの移植をサポートしています。つまり TensorFlow のモデルを訓練して作成されたチェックポイントファイルを流用して deeplearn.js のコンテキストで推論が可能になります。おそらく当面は deeplearn.js はこのような使われ方をする場合が多いのではないでしょうか。

翻訳したチュートリアルでは TensorFlow でお馴染みの mnist/fully_connected_feed.py スクリプトで訓練し作成されたチェックポイントファイルを deeplearn.js で利用するデモについて具体的に説明しています。右図はそのデモの表示結果です。 [詳細] (08/23/2017)

 

deeplearn.js : チュートリアル : ML 非専門家のためのガイド

deeplearn.js チュートリアルの機械学習の非専門家のためのガイドです。TensorFlow でもお馴染みの概念 – Tensor, Graph そして Session について噛み砕いて説明されていますが、JavaScript による実装である点には注意が必要です。

deeplearn.js ではテンソルは number[], NDArray, Tensor で表現され、NDArray を伴う計算はクライアント GPU 上で実行可能です。訓練・推論時に使用される Graph の遅延実行についても JavaScript の native code によるアナロジーを用いて説明されています。 [詳細] (08/22/2017)

 

deeplearn.js : チュートリアル : 序説

Google Research Blog の8月11日付けの記事によれば、deeplearn.js 0.1.0 の提供が開始されました。

deeplearn.js は WebGL で高速化されたオープンソースの機械学習 JavaScript ライブラリです。インストール不要でブラウザで完全に動作します。
deeplearn.js は高性能な機械学習ビルディング・ブロックを提供し、ブラウザでニューラルネットワークを訓練したり事前訓練されたモデルを推論モードで実行することを可能にします。数学関数のセットに微分可能なデータフロー・グラフを構築するための API を提供します。

取り敢えず、チュートリアルの序説(イントロダクション)の翻訳をしておきました。 [詳細] (08/21/2017)

 

TensorFlow 1.3.0 & TensorBoard 0.1.4 リリースノート

TensorFlow 1.3 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。今回から TensorBoard が別 pip パッケージとなりリリースノートも分離されましたので、併せてお読みください。

重要な点として TensorFlow 1.3 は cuDNN 6 でビルドされています。また、TensorFlow 1.4 は cuDNN 7 でリリースされる予定のようです。

 

TensorFlow : 完全畳込みネットワークによるセグメンテーション

セマンティック・セグメンテーションの実験が続いたので、基本的なセグメンテーション・モデルである完全畳み込みネットワーク FCN (Fully Convolutional Network) を定番のデータセット PASCAL VOC2012 上で試しておきます。

セグメンテーションは簡単に言えばピクセル単位の分類問題です。そして完全畳み込みネットワークはセグメンテーション・タスク用のモデルの一つで、畳み込み層中心で構成されスキップ・アーキテクチャが導入されています。最先端のセグメンテーション技術に比較すると少し精度が劣る印象ですが、基本となるモデルで完全畳み込みネットワークのバリエーションも多いです。

データセットは PASCAL VOC 2012 を使用します。このデータセットは物体検出やセグメンテーション目的で標準的に利用されるデータセットです。セグメンテーションについては訓練セットが 1464 画像、検証セットが 1449 画像用意されていて総計 2,913 枚あります。クラスは全部で 20 あります(背景をカウントすれば 21)。 [詳細] (07/05/2017)

 

TensorFlow : 自動運転のための道路画像のセグメンテーション

セグメンテーションは生物医学の画像処理や自動運転技術の基本の一つですが、医療画像については 2,3 の例を試してみましたので自動運転のリサーチ用の画像でセグメンテーションを試してみます。

ここではシーン理解を主目的とするセマンティック・セグメンテーションのための SegNet モデルの Caffe 実装と共に提供されている CamVid データセットを題材にして TensorFlow 実装で実験してみます。CamVid データセットは道路シーンのサイズ 360 x 480 の 367 の訓練画像と 233 のテスト画像を含みます。ケンブリッジ界隈で撮られたもので昼と夕方のシーンを含みます。

右の画像は道路シーンをセグメンテーションした結果の一例です。 [詳細] (06/27/2017)

 
~ 2017/06/27

TenosorFlow 一般物体検出 API

Google Research Blog の 6月15日付けの記事によれば、TensorFlow ベースの「一般物体検出 API (Object Detection API)」が公開されて利用可能になりました。物体検出の先端技術である Faster R-CNN や SSD も使用できます。

jupyter ベースのチュートリアルが用意されていますので実際に試してみました。右はチュートリアルで検出を実行して出力した画像サンプルの一つです。

[詳細] (06/20/2017)

 

TensorFlow : TensorFlow 1.2.0 リリースノート

TensorFlow 1.2.0 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。

更新は非常に多岐に渡っていますが、重要な点として TensorFlow 1.2 は cuDNN 5.1 への最後の対応版となるようで TensorFlow 1.3 からは cuDNN 6.0 への対応を進めるようです。また RNN 関連の API 仕様が少し迷走している印象ですがこれは Keras との整合性を重視するためでもあるようです。Windows サポートも強化されています。

[詳細] (06/19/2017)

 

TensorFlow : 超音波画像の神経構造セグメンテーション

今回は超音波画像セグメンテーションを TensorFlow で実装してみます。

題材は前回に続いて Kaggle の出題からで、超音波画像のデータセット上で神経構造を識別可能なモデルの構築が求められています。具体的には首の超音波画像の腕神経叢 (わんしんけいそう) セグメンテーションを行ないます。

この課題自体はさほど難しいわけではありませんが、セグメンテーションは医療分野に限らず応用範囲が広い技術です。 [詳細] (06/14/2017)

 

TensorFlow : 肺がん検出 課題

今回は肺がん検出の課題を TensorFlow で扱ってみます。

Kaggle が主催した、CT スキャンの画像から肺ガンを検出するモデルを競うコンテストで提供されているデータセットを利用します。既にコンテスト自体は終了していますが、逆にどのようなアプローチを取れば良いのかある程度は判明していますので、TensorFlow で実装して試してみたいと思います。

Kaggle のチュートリアルにはモデルのベースラインが示されていますが、今回は入門編という位置づけでリサンプリングによる前処理のみを行なった上で基本的なモデルをトレーニングしてみます。

右の画像はある陽性患者の CT スキャン画像群を再構成して 3D 表示したものです。[詳細] (06/12/2017)

 

TensorFlow : Install : TensorFlow for Go をインストールする

TensorFlow には Java, C, 更には Google 社製品らしく Go 言語用のバインディングも用意されています。TensorFlow 1.1 でドキュメントも補完されましたので TensorFlow for Go のインストールガイドを翻訳しておきました。実装は TensorFlow C ライブラリが利用されています。 [詳細] (05/18/2017)

 

TenosorFlow : 画像分類 : ResNet, Inception-v3, Xception 比較

ImageNet のような現実的なサイズのデータセットに対して既存の CNN モデルを利用する場合、Inception を利用するか ResNet を利用するか選択に迷うことも多いでしょう。更には Xception も選択肢に入れることが可能になりました。

そこで比較的モデルの規模感が類似している Inception-v3, ResNet-50 そして Xception を定番の2つのデータセットで訓練して損失と精度グラフを比較してみました。

また Xception については補足説明もしてあります。 “Xception” は “Extreme Inception” を意味し、簡単に言えば Inception の改良版です。Xception はパラメータ削減によるモデル軽量化を目指す方向性を取っています。 [詳細] (05/17/2017)

 

TensorFlow: Network-In-Network で CIFAR-10 精度 90%

マイクロ・ネットワークで有名な Network in Network (NiN) は、より小さいモデルでより高速に訓練することを可能とし、over-fitting も比較的起きにくいとされます。多大な影響を与えた epoch-making なモデルです。

その基本アイデアは MLP 畳込み層 (mlpconv) – マイクロ・ネットワーク – の導入とグローバル平均プーリングによる完全結合層の代用ですが、特に前者については広く利用され、類似のアイデアは Inception や ResNet にも見られます。後者は解釈を容易にして over-fitting を起きにくくします。

参照されることが多いわりにはオリジナル・モデルがそのまま使われることは (知る限りでは) 少ないように思われますが、実装は簡単ですので定番のデータセットで威力を試しておきます。MNIST、CIFAR-10 及び CIFAR-100 について原論文の結果に匹敵、あるいは凌駕する結果が得られました。CIFAR-10 では精度 90 % に到達します。 [詳細] (05/08/2017)

 

TensorFlow : Install : TensorFlow for C をインストールする

TensorFlow には Java だけでなく C 言語用のバインディングも用意されています。TensorFlow 1.1 でドキュメントも補完されましたので TensorFlow for C のインストールガイドを翻訳しておきました。

TensorFlow C ライブラリをダウンロードするだけで利用可能になります。 [詳細] (05/08/2017)

 

TensorFlow: Install: TensorFlow for Java をインストールする

TensorFlow には Java, C, そして Go 言語用のバインディングが用意されていて、換言すれば TensorFlow は Java プログラム等で使用するための API を提供しています。TensorFlow 1.1 でドキュメントも補完されましたので TensorFlow for Java のインストールガイドを翻訳しておきました。
JDK だけでも利用可能ですが、Maven を使えば dependency を pom.xml に追加するだけで簡単に利用できます。 [詳細] (05/01/2017)

 

TF-Slim: TensorFlow 軽量ライブラリ Slim (2)

TensorFlow の軽量ライブラリ TF-Slim の解説の後半部の翻訳です。
前半では TF-Slim の概要とモデル定義について説明されていましたが、後半ではより具体的にモデルの訓練/評価方法について例をあげて説明されています。マルチタスク学習モデルも簡単に定義可能で、既存モデルの再調整も簡単です。 [詳細] (04/28/2017)

 

TensorFlow : TensorFlow 1.1.0 リリースノート

TensorFlow 1.1.0 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。

人気の高位ライブラリ Keras の統合が目玉の一つですが、Windows 環境サポートの強化、Java/C/Go サポートの強化、FFT (高速フーリエ変換) サポートの強化も目立ちます。また、実際に使ってみると、TensorBoard が賢くなっていることも良く分かります。 [詳細] (04/27/2017)

 

TensorFlow : Programmer’s Guide : 変数: 作成、初期化、保存そしてロード

本家サイトのドキュメント構成の変更に伴い、Programmer’s Guide : 変数: 作成、初期化、保存そしてロード ページを原文の加筆や変更に合わせて更新しました。 (04/27/2017)

 

TensorFlow : Programmer’s Guide : データを読む

本家サイトのドキュメント構成の変更に伴い、Programmer’s Guide : データを読む ページを原文の加筆や変更に合わせて更新しました。 (04/26/2017)

 

TensorFlow Fold: 概要とセットアップ

TensorFlow Fold は動的バッチ処理を実装し、様々なサイズや構造のデータに渡って動作可能な深層学習モデルの実装を容易にする画期的なプロダクトです。

TensorFlow Flod は構造型データ (structured data) を消費する TensorFlow モデルを作成するためのライブラリで、そこでは計算グラフの構造は入力データの構造に依存します。例えば、任意の shape/サイズ/深さの解析木上のセンチメント分析 (感情/評判分析) のための TreeLSTM を実装するモデルも作成可能です。

Fold は動的バッチ処理 (dynamic batching) を実装しています。任意の shape の計算グラフのバッチは静的な計算グラフを生成するために変換されます。このグラフはそれが何を受け取るかに関わらず同じ構造を持ち、TensorFlow で効率的に実行されます。 [詳細] (04/20/2017)

 

DeepMind Lab : 3D AI 学習環境


TensorFlow による強化学習では OpenAI Gym を利用しましたが、DeepMind 社も DeepMind Lab をオープンソースとして公開しています。環境を構築して実行してみました。

DeepMind Lab は学習エージェントのための挑戦的な 3D ナビゲーションとパズル解法タスクを提供し、その主目的は人工知能、特に深層強化学習における研究のためのテストベッドとしての役割を果たすこととされています。

具体的には、DeepMind Lab は ioquake3 経由の id Software’s Quake III Arena と 他のオープンソースソフトウェア をベースとする 3D 学習環境です。 [詳細] (04/19/2017)

 

TF-Slim : TensorFlow 軽量ライブラリ Slim

TF-Slim は TensorFlow で複雑なモデルを定義し、訓練しそして評価するための軽量ライブラリです。tf-slim のコンポーネントは、tf.contrib.learn のような他のフレームワークに加えて native tensorflow と自由にミックスできます。 [詳細] (04/16/2017)

 

TensorFlow : DeepMind 社のモジュール指向 TensorFlow 高位ライブラリ Sonnet

TensorFlow の高位ライブラリは Keras, TFLearn, Slim 等が既に利用されていますが、4月7日に DeepMind 社がオブジェクト指向のニューラルネットワーク・ライブラリ Sonnet をオープンソース化することを発表しました。

モジュールは Python オブジェクトで表されますが、オブジェクト指向というよりもモジュール指向で、Keras よりも柔軟にモジュールが構築できることが大きな特徴です。既に github で公開されていますので、インストール方法/原理/サンプルの説明について前半部を翻訳してみました。 [詳細] (04/13/2017)

 
~ 2017/04/10

TensorFlow : Tutorials : Inception の最終層を新しいカテゴリーのためにどのように再訓練するか

現代的な物体認識モデルは数百万のパラメータを持ち完全に訓練するためには数週間かかります。転移学習は完全に訓練済みのモデルを ImageNet のようなカテゴリのセットに利用してこれらの作業の多くをショートカットするテクニックで、既存の重みから新しいクラスのために再訓練します。本稿の例では最終層をスクラッチから再訓練しますが、全ての他のものはさわらずにそのままにしておきます。

完全な訓練を実行するほどには良くありませんが、多くのアプリケーションに対して驚くほど効果的で、そして GPU を必要とすることなくラップトップ上で早ければ 30 分のうちに実行可能です。このチュートリアルは貴方自身の画像でサンプルスクリプトをどのように実行するかを示し、そして訓練プロセスを制御するためのオプションの幾つかを説明します。 [詳細] (04/10/2017)

 

TensorFlow : Tutorials : TensorFlow で大規模線形モデル

TensorFlow は深層学習モデルだけではなく線形モデルもサポートしています。本記事では TFLearn を利用した線形モデルの構築の概要を解説しています。オリジナルの TFLearn が深層学習に特化されているのに対して、統合された tf.contrib.learn は線形モデルも含めてより一般化される方向に進んでいるようです。 [詳細] (04/05/2017)

 

TensorFlow : Extend : 他の言語での TensorFlow

このドキュメントは他のプログラミング言語で TensorFlow 機能を作成または開発することに興味のある人たちへのガイドとなることを意図しています。TensorFlow の特徴と同じ事を他のプログラミング言語で利用可能にするための推奨されるステップについて記述します。

Python は TensorFlow でサポートされた最初のクライアント言語で現在では多くの特徴をサポートしています。それらの機能は段々と (C++ で実装された) TensorFlow コアに移されてきて C API 経由で公開されてきています。クライアント言語は TensorFlow 機能を提供するために C API を活用するためには言語の foreign function interface (FFI) を使用するべきです。 [詳細] (04/04/2017)

 

TensorFlow : Extend : TensorFlow アーキテクチャ

TensorFlow はラージ・スケール分散トレーニングと推論のために設計されましたが、新しい機械学習モデルとシステムレベルの最適化の実験をサポートするためにも十分に柔軟です。

このドキュメントはスケールと柔軟性の組み合わせを可能にするシステム・アーキテクチャについて説明します。計算グラフ、演算、そしてセッションのような TensorFlow プログラミング・コンセプトについて基本的な知識があることを仮定しています。分散 TensorFlow についての幾らかの知識もまた手助けとなります。

このドキュメントは、現在の API ではサポートされていない何某かの方法で TensorFlow を拡張することを望む開発者、TensorFlow のために最適化することを望むハードウェア技術者、スケーリングと分散で動作する機械学習システムの実装者、あるいは TensorFlow 内部を見ることを望む任意の人のためのものです。
読後にはコア TensorFlow コードを読んで変更するに十分なほど TensorFlow アーキテクチャを良く理解できているはずです。 [詳細] (04/01/2017)

 


 

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