models/README.md at master · tensorflow/models · GitHub
TFGAN Examples TFGAN is a lightweight library for training and evaluating Generative Adversarial Networks (GANs). GANs have been in a wide range of tasks including image translation, superresolution, and data augmentation. This directory contains fully-working examples that demonstrate the ease and flexibility of TFGAN. Each subdirectory contains a different working example. The sub-sections below
tensorflow/tensorflow/contrib/gan at master · tensorflow/tensorflow · GitHub
TensorFlow-GAN (TF-GAN) TF-GAN is a lightweight library for training and evaluating Generative Adversarial Networks (GANs). This technique allows you to train a network (called the 'generator') to sample from a distribution, without having to explicitly model the distribution and without writing an explicit loss. For example, the generator could learn to draw samples from the distribution of natur
Demos
A primary goal of the Magenta project is to demonstrate that machine learning can be used to enable and enhance the creative potential of all people. The demos and apps listed on this page illustrate the work of many people--both inside and outside of Google--to build fun toys, creative applications, research notebooks, and professional-grade tools that will benefit a wide range of users.
Serving a TensorFlow Model | TFX
This tutorial shows you how to use TensorFlow Serving components to export a trained TensorFlow model and use the standard tensorflow_model_server to serve it. If you are already familiar with TensorFlow Serving, and you want to know more about how the server internals work, see the TensorFlow Serving advanced tutorial. This tutorial uses a simple Softmax Regression model that classifies handwritt
TensorFlow.js - Webでも機械学習。JavaScript版TensorFlow MOONGIFT
TensorFlowと言えば機械学習を行うソフトウェアで、多くのサービスやソフトウェアの基盤に使われています。環境を整えるのは若干大変ですが、Dockerイメージもあります。GPUなどのハードウェアさえ用意できれば、利用するまでの敷居はずいぶん低くなっています。 そんなTensorFlowをWebブラウザベース、WebGLで使えるようにしたのがTensorFlow.jsです。 TensorFlow.jsの使い方 こちらはデモです。絵文字に合ったものを見つけてカメラに写すというゲームです。 例えばキーボードの絵文字の場合。認識精度は高いです。 トレーニング機能付きのパックマン。そもそも操作が難しかったりします。 3つのポージングに合わせて出力が変わるものです。サンプルはカメラから一気に取得します。 それぞれの状態に応じて認識率が変わっていくのが分かります。 できあがったモデルを使って動画を作
Feature tf.image : scale image and keep aspect/ratio · Issue #14213 · tensorflow/tensorflow
Hi, I'm working on a FCN (Fully Convolutional Network) and use Tensorflow for this work. I have a lot of images in input, and they have very different dimensions, like 2340x4160 or 512x512. So my input need to be dynamic. It's why I search a way to resize images for having the greater dimension to a specific value, with respect to the aspect/ratio. Unfortunatly, Tensorflow doesn't provide this fea
cleverhans/examples/nips17_adversarial_competition/eval_infra at master · tensorflow/cleverhans · GitHub
Evaluation infrastructure for adversarial competition About This directory contains code of the backend which was used to run evaluation of NIPS17 Adversarial Competition. This file describes how to run and use the code. For more details about the competition refer to our publication and to Kaggle competition page. NOTES AND DISCLAIMERS: This code is provided AS IS. At the time of publishing this
keras-and-fp.html
深層学習（ディープ・ラーニング）ってのは、つまるところ、バックプロパゲーション（逆誤差伝播法）が可能な計算グラフ（計算式）を作って、計算グラフ中のパラメーターに設定すべき値を大量データでキアイで学習させるだけ。しかも、色々と定石が定まってきている（たとえば「畳込みをするならバッチ・ノーマライゼーション→ReLU→畳込みの順にすると精度が上がるよ」とか「分類の場合、畳み込み結果を直接全結合層に入れるより画像全体で平均プーリングした方がパラメーター数が少なくなっていいよ」とか）なので、定石を組み合わせるだけでいろいろできちゃう。ライブラリが計算式をカプセル化してくれますから、計算グラフといっても実際は数式いらずだし。あと、ライブラリが自動でバックプロバゲーション可能な計算グラフを作ってくれるますから、バックプロバゲーションのことも全く考えなくてオッケー。 そして、論文には最新の計算グラフが数式
A Tutorial on Variational Autoencoders with a Concise Keras Implementation | Louis Tiao
Visualization of 2D manifold of MNIST digits (left) and the representation of digits in latent space colored according to their digit labels (right). Keras is awesome. It is a very well-designed library that clearly abides by its guiding principles of modularity and extensibility, enabling us to easily assemble powerful, complex models from primitive building blocks. This has been demonstrated in
【Python】kerasで保存したweightsをh5pyを使って取得する - ITの隊長のブログ
難しかった。（というかこのファイル構造よくわからん） $ ls model_weights.h5 # kerasで保存したファイル $ python # ... >>> import h5py >>> model_weights = h5py.File('./model_weights.h5', 'r') >>> model_weights.keys() KeysView(<Attributes of HDF5 object at 4383104920>) # (´・ω・｀)？ >>> model_weights.attrs.keys() KeysView(<Attributes of HDF5 object at 4383104920>) # (´；ω；｀)？ >>> list(model_weights.attrs.keys()) ['layer_names', 'backend',
Install TensorFlow Java | JVM
TensorFlow Java can run on any JVM for building, training and deploying machine learning models. It supports both CPU and GPU execution, in graph or eager mode, and presents a rich API for using TensorFlow in a JVM environment. Java and other JVM languages, like Scala and Kotlin, are frequently used in large and small enterprises all over the world, which makes TensorFlow Java a strategic choice f
Module: tf.keras.activations | TensorFlow v2.16.1
Deploy ML on mobile, microcontrollers and other edge devices
実践 Deep Learning
2000年代にニューラルネットワークの研究が再び活発になりました。現在、ディープラーニングは近代的な機械学習の道を切り開いている非常に活発な研究領域となっています。Google、Microsoft、Facebookなどの企業では、社内のディープラーニングチームが急成長しています。しかし、多くの人にとってディープラーニングはまだまだとても複雑で困難な課題です。本書ではサンプルのPython 3プログラムと簡潔な説明を通してこの複雑な分野の主要な概念を紹介します。微積分、行列演算、Pythonの基礎があれば誰でも本書を始めることができます。 監訳者まえがき まえがき 1章 ニューラルネットワーク 1.1 知的な機械を作るということ 1.2 従来のプログラムの限界 1.3 機械学習のしくみ 1.4 ニューロン 1.5 線形パーセプトロンをニューロンとして表現する 1.6 フィードフォワードニュー
scikit-learnとTensorFlowによる実践機械学習
TOPICS Data Science , Database , AI/LLM 発行年月日 2018年04月 PRINT LENGTH 568 ISBN 978-4-87311-834-5 原書 Hands-On Machine Learning with Scikit-Learn and TensorFlow FORMAT 本書はコードを動かしながら学び、機械学習が使えるようになることを目的とした書籍です。現実的な問題を出し、サンプルデータを示しながら、機械学習で問題を解決に導くまでの一連の手法を体系立てて解説します。 深層学習以外の機械学習にはscikit-learnを使い、機械学習プロジェクトの流れ、データからモデルを学習する方法、コスト関数の最適化、データの処理・クリーニングなどの基礎から、特徴量の選択や過学習、データの次元削減など応用までを学びます。 深層学習にはTensorFl
models/official/mnist at master · tensorflow/models · GitHub
MNIST in TensorFlow This directory builds a convolutional neural net to classify the MNIST dataset using the tf.data, tf.estimator.Estimator, and tf.layers APIs. Setup To begin, you'll simply need the latest version of TensorFlow installed. First make sure you've [added the models folder to your Python path]: Otherwise you may encounter an error like ImportError: No module named official.mnist. Th
models/research/textsum at master · tensorflow/models · GitHub
Sequence-to-Sequence with Attention Model for Text Summarization. Authors: Xin Pan Peter Liu (peterjliu@google.com, github:peterjliu) Introduction The core model is the traditional sequence-to-sequence model with attention. It is customized (mostly inputs/outputs) for the text summarization task. The model has been trained on Gigaword dataset and achieved state-of-the-art results (as of June 2016)
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Sign in - Google Accounts
models/tutorial.ipynb at master · tensorflow/models · GitHub
Find Pre-trained Models | Kaggle
models/research/delf at master · tensorflow/models
