M1のMACのtensorflowでzsh illegal hardwareが出る話 2020/12 - Qiita
はじめに M1のMACでAppleが最適化したtensorflow環境を利用せず、Rosettaでターミナルを起動した状態でtensorflowを利用したい（普通にpip install tensorflowでインストールしたい）場合、import tensorflowを実行するとzsh illegal hardwareと怒られてインタプリンタが落ちます。 理由は分かりません・・・ 解決策 Rosettaでターミナルを起動 Anaconda経由でtensorflowをインストール conda install tensorflow 何でApple謹製のtensorflowを使わないのかというと、opencvも使いたいからです。 前の記事でも書きましたが、opencvとtensorflowを同時に使おうとするとどうしてもAnacondaを経由するしか私には解決できませんでした。
Apple Silicon M1 でtensorflow-macosを実行したらめちゃくちゃ速かった。 - Qiita
Apple Silicon M1 でtensorflow-macosを実行したらめちゃくちゃ速かった。MacDeepLearningAppleTensorFlowAppleSilicon はじめに Macbook Air (AppleSilicon, M1)を購入しました。 Appleが設計したM1は下馬評以上の性能を叩き出し、とても盛り上がっていますね。 M1のハードウェアとしての魅力はもちろんすごいですが、M1に合わせた各種ソフトウェアの最適化も魅力的です。 AppleがTensorflowをフォークしてM1で最高のパフォーマンスを発揮するように最適化したコード(tensorflow-macos)を公開しています。 https://github.com/apple/tensorflow_macos#requirements tensorflowのブログ記事でパフォーマンスが比較されてい
TensorFlowをAWS Lambdaで使って競艇予想APIを爆誕させました！！ - Qiita
はじめに この記事は以前作成した競艇予想のモデルをAWS Lambda上で使用し、 競艇予想APIを作成したときのお話です。 やっていることは単純ですが、これを実現するために私の夏休みをすべて費やしました(泣) ですので、私のようにAWS Lambdaで自身が作成した機械学習モデルを使用したいと 考えている方の助けとなれるように記事を書きました。 アジェンダ 1.使用したライブラリ、実行環境について 2.処理内容について 3.アーキテクチャ図について 4.競艇予想APIを作る上で困った点について 5.Serverlessについて 6.ServerlessによるAWS Lambdaのデプロイ方法について 7.競艇予想APIのつくり方について 8.最後に 1.使用したライブラリ、実行環境について ・Python 3.6 ・TensorFlow 1.14.0 ・Numpy 1.15.4, 1.1
TensorFlowで学習したモデルを使ってiOS/Swiftで実行する - Qiita
最近 Qoncept では TensorFlow を使った案件が続いており、その中で TensorFlow を iOS 上で使いたいことがありました。 ぱっと浮かんだ選択肢は次の二つでした。 TensorFlow を iOS 用にビルドして C++ の API を Swift から叩く 学習は TensorFlow / Python で行って、テンソルの計算だけを iOS / Swift でシミュレーションする しかし、前者ついては、まだ TensorFlow を iOS 用にビルドできなさそうでしたしできるようになりました（コメント参照）、たとえできたとしても C++ の API を Swift から叩くのは辛そうです。 TensorFlow がありがたいのは学習時の自動微分等の機能であって、学習済みのモデルを利用するときはただテンソルの計算をしてるだけです。別に学習を iOS 上でやり
特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説 - Qiita
特にプログラマーでもデータサイエンティストでも�ないけど、Tensorflowを1ヶ月触ったので超分かりやすく解説Python機械学習DeepLearningTensorFlow これ書くだけで土日２日間まるまる潰れてしまった。 学んだ内容に沿っているので、順に読み進めるに従ってコードの話になっていきます。 Tensorflow触ってみたい/みたけど、いろいろまだ理解できてない！という方向けに書きました。 ※2018年10月4日追記 大分古い記事なのでリンク切れや公式ドキュメントが大分変更されている可能性が高いです。 この記事のTensorflowは ver0.4~0.7くらいだった気がするので ver2.0~となりそうな現在は文章の大半が何を参考にしているのか分からないかもしれません。 1: Deep Learningってそもそも何してるの? 専門の人からはご指摘入りそうですが、要は回帰
Distributed TensorFlowの話 - Qiita
Hadoop Conference Japan 2016 もともとは2月8日に開催されるHadoop Conference Japan 2016のセッションとしてこの話を応募したのですが、あえなく落選しました……（;_;) しかし、ありがたいことに復活戦のLightning Talkの投票では5位に選んでいただき、ランチタイムA会場でお話することになりました。ありがとうございます！ 今回のスライドはここで公開しています。 とはいえ、5分のLTではこの内容をしっかりと伝えられる自信がないので、以下でスライド内容の詳しい解説をしたいと思います。また、2/13にGoogle東京オフィスで開かれるRejected HCJ 2016では、以下の内容をゆっくり普通のセッションとして発表する予定ですので、ご興味ある方はぜひどうぞ。 引用元 今回の元ネタはこちら。より詳しく知りたい方はこちらをごらんくださ
TensorFlowを算数で理解する - Qiita
TensorFlowは主に機械学習、特に多層ニューラルネットワーク(ディープラーニング)を実装するためのライブラリになりますが、その基本的な仕組みを理解するのにそうした難しい話は特に必要ありません。 本記事では、TensorFlowの仕組みを、算数程度の簡単な計算をベースに紐解いていきたいと思います。 TensorFlowの特徴 初めに、TensorFlowの特徴についてまとめておきたいと思います。 TensorFlowは、その名前の通りTensor(多次元配列、行列などに相当)のFlow(計算処理)を記述するためのツールです。その特徴としては、以下のような点が挙げられます。 スケーラビリティ PC、サーバー、はてはモバイル端末まで、各マシンのリソースに応じてスケールする。つまり、低スペックなものでもそれなりに動くし、GPUを積んだハイスペックなサーバーであればそのリソースをフルに活用した
TensorFlowとTensorBoardでニューラルネットワークを可視化 - Qiita
$ python fully_connected_feed.py Succesfully downloaded train-images-idx3-ubyte.gz 9912422 bytes. Extracting data/train-images-idx3-ubyte.gz Succesfully downloaded train-labels-idx1-ubyte.gz 28881 bytes. Extracting data/train-labels-idx1-ubyte.gz Succesfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes. Extracting data/t10k-images-idx3-ubyte.gz Succesfully downloaded t10k-labels-idx1-ubyte.g
TensorFlow 畳み込みニューラルネットワークで手書き認識率99.2%の分類器を構築 - Qiita
TensorFlowとは2015/11/9にオープンソース化されたGoogleの機械学習ライブラリです。この記事ではディープラーニングと言われる多層構造のニューラルネットワークをTensorFlowを利用して構築しています。 TensorFlowはPythonから操作できますがバックエンドではC++で高速に計算しています。macのPython2.7系環境でTensorFlowの上級者用チュートリアルを行い、手書き認識率99.2%の多層構造の畳み込みニューラルネットワークモデルの分類器を構築したときの作業メモです。特別な設定なしにCPU使用率270%メモリ600MByteとちゃんと並列計算してくれました。MNISTランキングを見ると認識率99.2%は上位のモデルとなるようです。 TensorFlowチュートリアル TensorFlowの初心者用と上級者用チュートリアル2つに取り組んでみました
1
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
