tf.kerasが終了 Keras 3がTensorFlowから独立し、マルチバックエンド復活！：TensorFlow 2＋Keras（tf.keras）入門 TensorFlow＋Kerasの最新情報として、Keras 3.0のリリースに伴い、TensorFlowから独立し、TensorFlow 2.16以降でKeras 3がデフォルトとなったことについて紹介します。また、Keras 3（TensorFlowバックエンド）での書き方や、今後のディープラーニングライブラリの選び方についても私見を示します。 連載目次 もう4年も前になりますが、2020年5月に「マルチバックエンドKerasの終焉（しゅうえん）、tf.kerasに一本化」という記事を書きました。しかしその後、逆の動きが起きています。本稿では、前回の記事をフォローアップする目的も兼ねて、最新の状況をお伝えします。 そもそもKer
バックボーンのフレームワークを、従来のTensorFlowから、デファクトスタンダードになりつつあるPyTorchと、実行効率に優れたJAXも選べるようになったKeras3.0が公開されていたので、さっそくバックボーンをPyTorchやJAXに設定して、手書きアルファベット画像のクラス分け課題のMNISTを試してみました。 23.11.29追記 公式の紹介ページも公開されていました。 https://keras.io/keras_3/ Keras3のインストール、インポート今回はGoogle Colabで試してみます。Keras3は現時点ではPyPI上では、プレビューリリースとしてkeras-coreの名前でインストールできます。 !pip install keras-coreバックエンドの設定(torch, jax, tensorflow) import os os.environ["K
JAXとは JAXは、NumPyの構文を使って機械学習モデルを記述でき、自動微分、JIT コンパイル、モデル並列化などの機能を提供するフレームワークです。GPUやTPUを利用した高速な計算が可能で、特に大規模モデルの学習に適しています。 Keras 3.0のメリット Keras 3.0を使うことで、以下のようなメリットが得られます。 最高のパフォーマンスを常に得られる: バックエンドを動的に選択することで、モデルに応じて最適なパフォーマンスを発揮できます。 エコシステムの選択肢が広がる: Keras 3モデルは、PyTorch、TensorFlow、JAXのエコシステムパッケージと組み合わせて使用できます。 JAXによる大規模なモデル並列化とデータ並列化: keras.distributionを使って、モデル並列化とデータ並列化を簡単に実現できます。 オープンソースモデルのリリースの影響力
Windows のパソコンとIntelのGPUしか持ってない人がGPUで深層学習するにはどうしたらよいか【MATLABからTensorFlow/Kerasへ移行したい人必見】｜17ec084 平田智剛
Windows のパソコンとIntelのGPUしか持ってない人がGPUで深層学習するにはどうしたらよいか【MATLABからTensorFlow/Kerasへ移行したい人必見】 matlabのdeep learning toolboxを使って機械学習を始めてみたはいいが、 単一CPUで学習させるとどうしても時間がかかる。 具体的には、Inter(R) Core(TM) i5-10210U CPU @ 1.60GHzにてvgg16モデルを利用したCAEに、240x240x3の24bit bmp画像8枚分を学習させるのに1分弱かかる) 大学の先生に相談したところ、GPUを利用するとかしないと卒論間に合わないんじゃないの？ってことになったので、そのための道筋を考えてみた。 1. GPUとはCPUとは別の、画像処理に特化した演算装置。深層学習も画像処理も共に行列演算であるから、GPUは深層学習に相性
[モデル構築編] ロイター通信のデータセットを用いて、ニュースをトピックに分類するモデル(MLP)をkerasで作る（TensorFlow 2系） - Qiita
前回の前処理編！ この記事は[前処理編]に続く続編です。 [前処理編] ロイター通信のデータセットを用いて、ニュースをトピックに分類するモデル(MLP)をkerasで作る（TensorFlow 2系） 動作環境についても前処理編をご参照ください。 モデルの学習 前処理をしたニュース記事のテキストx_trainとニュースのラベルy_trainを使ってモデルを作ります。 今回は単純なモデルとして、2層のMLP（マルチレイヤーパーセプトロン）とします。 Layer (type) Output Shape Param # ================================================================= dense_1 (Dense) (None, 512) 512512 _______________________________________
![[モデル構築編] ロイター通信のデータセットを用いて、ニュースをトピックに分類するモデル(MLP)をkerasで作る（TensorFlow 2系） - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/667be9cdaa709a469c7479e3f3c4f5c538e80e71/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwZnRuZXh0JnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz02NDg4MDU5YTgyOTJjZTgwNWQwZmVmMDlkNjAzZWRlZQ%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D705ec23ed2e3a37f299e31908b7ac5e7)
概要 三菱総研ＤＣＳのIoT・AIエンジニアの日野です。 Keras（Python）上で作成したディープラーニングモデルをWebブラウザ上でも動かしてみたくなり、以前から気になっていたTensorFlow.jsを触ってみました。本記事では、KerasからTensorFlow.jsで使えるモデルに変換する際に苦労したポイントをまとめます。 Keras：TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリ （出典元：Keras公式ドキュメント） 目次 TensorFlow.jsとは 使用モデルについて モデル変換時に必要な作業 評価 まとめ TensorFlow.jsとは TensorFlow.jsとは、2018年4月にGoogleによって公開された、Webブラウザ上でディープラーニングモデルの構築や学習、学習済みモデルの実行が可能になるJav
画像分類 EfficientNet ファインチューニング・転移学習 サンプルコードを初心者向けに解説。tensorflow keras
画像分類の中でも、安定の精度をたたき出してくれる、EfficientNetのサンプルコードを初心者の方向けに解説します。あまり深入りはしないので、動作させることを目的に読んでください！ はじめに EfficientNetは、画像分類をメモリ効率よく高い精度を発揮できるモデルです。７種類提供されています。B7だと、なんと600pixまで対応できているのです。それだけ、メモリも消費するので、高価なGPUが必要になりますが。。。 B0 : 入力画像 224×224pix B1：入力画像 240×240pix B2：入力画像 260×260pix B3：入力画像 300×300pix B4 : 入力画像 380×380pix B5： 入力画像 456×456pix B6： 入力画像 528×528pix B7： 入力画像 600×600pix こちらが、サンプルコードです。↓↓↓ そのまま実行でき
WaveNetの解説とkeras実装 - Qiita
はじめに 今更WaveNetの解説？と思われる方もいると思いますが、個人的に得られる知見が多かったディープラーニングのモデルだったので、実装した当時のメモや記憶を頼りにアウトプットしていきたいと思います。 ソースコードはgithubで公開しています。 https://github.com/kshina76/keras_wavenet 環境 python3.7.3 Anaconda3 keras2.2.4 tensorflow1.13.1 WaveNetとは CNN(畳み込みニューラルネットワーク)を何層にもわたって構築されたネットワーク。論文が発表された当初、とても流暢な英語や日本語を発声させることができるとして話題になった技術でした。論文が発表される以前の音声合成では、機械に発声させるとロボットのような声でとても人間とは程遠い発声でしたが、WaveNetの登場により、人間の声なのか機械が
JVNTA#95942420 TensorFlowベースのKerasモデルに含まれるLambdaレイヤにコードインジェクションが発生する問題 Keras 2.13より前のバージョンで作成されたTensorFlowベースのKerasモデルにおいて、モデルに含まれるLambdaレイヤの安全性を確認できない問題が指摘されています。 TensorFlowベースのKerasモデルをロードして利用する際、load_modelメソッドの引数であるsafe_modeをTrueに設定することにより、Keras v3保存形式のモデルにLambdaレイヤが含まれる場合に例外が発生し、レイヤ内でコードがデシリアライズされることを防ぐことができます。しかし、Keras 2.13より前のバージョンにおいてはこのチェック機構が存在しません。そのため、悪意のあるコードがデシリアライズされるLambdaレイヤがモデルに含ま
KerasでQ学習 - Qiita
KerasでQ学習してみました。今回は畳み込みをしない全結合のニューラル・ネットワークを利用して学習しています。こんな感じ。 Ｑ学習を手軽に試すことの出来るレポジトリが公開されています。 farizrahman4u/qlearning4k - GitHub こちらを一部改変してみました。ゲームのグリッドサイズを8x8サイズに変更し、学習モデルを保存・再生出来るようにしています。ゲームの実行画面はmatplotlibのアニメーションメソッドを利用して可視化出来るようにしてみました。 サンプルは以下のレポジトリにあります。 PonDad/qgakusyuu4k - GitHub train_catch.pyで学習後play_catch.pyで実行することが出来ます。さて、中身をみていきます。 環境 Python 3.5.2 tensorflow(0.12.0) GPU keras(1.2.1)
ニューラルネットワークには様々なライブラリがリリースされており、これを使うと、大規模なニューラルネットワークが比較的短いコードで実装でき、さらに高速に動かすことができる。ここではKerasというライブラリを使っていく。 2層フィードフォワードニューラルネット まずは3分類問題を解く2層フィードフォワードニューラルネットワークを作り動かす。 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from scipy.optimize import minimize import time import keras.optimizers from keras.models import Sequential from keras.layers import Dense
SAM(Sharpness-Aware Minimization)をKerasで実装して評価してみた - Qiita
#はじめに 2020年に発表された最適化手法であるSAMに注目している人はそれなりに多いはずだが、まだQiitaには使用レポート的な記事はないようなので、評価を行い記事にする。評価には自作のtf.keras移植版を使うので、そちらのコードも掲載し、簡単な説明も加える。 #SAMとはなにか 発表論文はこちら。 Sharpness-Aware Minimization for Efficiently Improving Generalization 下記記事に詳しい解説あり。 SoTAを総なめ！衝撃のオプティマイザー「SAM」爆誕&解説！ 簡単に手順を解説すると以下の通り。 勾配を計算 勾配のノルムを計算(全レイヤーまとめてスカラー値にする) 勾配の逆方向に重みをずらす(ずらす量は2で計算したスカラー値に反比例させる) ずらした重みで勾配を再計算 ずらした重みを元に戻す ４で計算した勾配を使っ
Keras と MultiWorkerMirroredStrategy を使用したカスタムトレーニングループ | TensorFlow Core
Keras と MultiWorkerMirroredStrategy を使用したカスタムトレーニングループ コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 概要 このチュートリアルでは、tf.distribute.Strategy API を使用して、Keras モデルとカスタムトレーニングループでマルチワーカー分散トレーニングを実行する方法を実演します。トレーニングループは tf.distribute.MultiWorkerMirroredStrategy を介して分散され、単一のワーカーで実行するように設計された tf.keras モデルが、最小限のコード変更で複数のワーカーでシームレスに機能します。カスタムトレーニングループは、モデルのデバッグを容易にするでけでなく、柔軟なトレーニングとより優れた制御を提供します。詳細については、基本的なトレーニン
はじめに keras に含まれている 7 つのデータセットについて紹介します。 それぞれのデータセットについて、データ数や種類についてまとめました。 機械学習をする際の参考にしてください。 keras とは？ keras とは、深層学習フレームワークの 1 つです。 keras を使用することで、数学的な難しい部分をゼロから開発することなく、比較的短いソースコードで人工知能を作ることができます。 keras は、Google の深層学習フレームワーク「tensorflow」をインストールすることで使えるようになります。tensorflow の中に keras が同梱されています。ここから使うのが一般的です。
今回はKerasで作成した機械学習のモデルを保存、読み込みする方法について解説したいと思います。 モデルをファイル出力することで、学習環境以外の場所でも活用できるようになります。 本記事は「Kerasでディープラーニング！Pythonで始める機械学習入」シリーズの手順を解説するページです。シリーズの一覧は以下をご覧ください。
Matrix FactorizationとDeep Matrix Factorization（Keras）でのレコメンド - statsuのblog
レコメンドの手法であるMatrix Factorizationについて勉強したのでその記録です。 以下の検証に関するコードはgithubにあげてあります。 github.com 1. 本記事の概要 レコメンドの手法であるMatrix Factorizationについての概要 Matrix FactorizationのNeural Network形式の表現とKerasでの実装 Deep Matrix Factorizationの表現とKerasでの実装 MovieLensでの精度検証 2. Matrix Factorizationの概要 ざっくりと。 Matrix Factorizationはレコメンドの手法のひとつ。 レコメンドの参考サイト レコメンドつれづれ ～1-1. 協調フィルタリングのコンセプトを知る～ - Platinum Data Blog by BrainPad レコメンドつ
強化学習 keras-rl2からstable-baselins3への乗り換え - Qiita
はじめに 久々にkeras-rl2を使用して強化学習を行ったのですが昔作成したプログラムが動かなくなっていました。tensorflowのバージョンアップが原因のようです。とりあえず動くようには修正したのですが、keras-rl2は2年くらいメンテナンスされておらず、これを機にstable baselinesに移行することにしました。 私の環境は下記のとおりです。 macOS: 14.0（23A344） Python: 3.11.5 gym: 0.26.2 tensorflow: 2.14.0 keras: 2.14.0 keras-rl2: 1.0.5 1. 確認のために使用したプログラム 下記で使用した拙作のプログラムを使用します。少し変更しているので再掲します。 環境 import time import numpy as np import gym class MovingEnv(g
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
tf.kerasが終了 Keras 3がTensorFlowから独立し、マルチバックエンド復活！
PyTorchとJAXに対応したKeras3でMNISTを試す｜はまち
Keras 3.0とJAXを使ったgemmaのファインチューニング - Sun wood AI labs.2
Kerasで作成したディープラーニングモデルをブラウザ上で動かしてみた | DCS blog
JVNTA#95942420: TensorFlowベースのKerasモデルに含まれるLambdaレイヤにコードインジェクションが発生する問題
Kerasでニューラルネットワークモデル - Qiita
【図解】kerasのサンプルデータセット7選まとめ
Kerasで作成した機械学習のモデルを保存、読み込みする方法 | Murasan Lab