ディープラーニング実践ガイド
本書では、ディープラーニングの研究で受賞歴のある3人の著者が、アイデアを現実世界の人々が使用できるものに変換するプロセスをステップバイステップで丁寧に解説します。構築するのは、クラウド、モバイル、ブラウザ、エッジデバイス向けの実用的なディープラーニングアプリケーションです。一部の章ではその章で扱うトピックの専門家をゲスト執筆者に迎えてさまざまな手法を解説しているので、読者のニーズにマッチするアプリケーションがきっと見つかるでしょう。対象読者は、ディープラーニングの世界にこれから参入したいソフトウェアエンジニアやベテランのデータサイエンティストから、AIを搭載した独自のアプリを作りたいけれど何から始めればいいのかわからないホビーストまで。 賞賛の声 監訳者まえがき まえがき 1章 人工知能の概観 1.1 おわび 1.2 ここからが本当のイントロダクション 1.3 AIとは 1.3.1 きっか
Pytorch+Tensorflowのちゃんぽんコードのすゝめ（tfdsでpytorchをブーストさせる話） - Qiita
この記事は、 『Pytorchユーザーが実験速度で悩んでるときに、Tensorflowを部分的に使ってみるの割とアリでは説』 をちょっと検証してみたという内容になります とどのつまり(編集 2020/07/20) ちゃんぽんの方が純粋pytorchより速かったりもしますが、いやでもやっぱ普通はフレームワーク統一した方がいいですたぶん。(可読性、コードの再利用性的に) 背景(ちょっとポエムを…本題は『やったこと』からです) Pytorch v.s. Tensorflow 先日こんなツイートを見かけました(引用失礼します) TensorFlowが書きにくいというのはどういうことだろう．インターフェイスとして書きにくいというのであれば，それはないと思う，というかどのツールも正直大して変わらない．エラーの出処が深すぎて（あとデコレータでスタック改造していたりするので）デバッグできないというのは分か
TPUとKaggle
はじめに この記事は、Kaggle Advent Calendar 2021の13日目の記事です。 昨日はtattakaさんによる鳥コンペ三部作を振り返る、でした。明日はymd_さんによる時系列のCross Validationについて、です。 この記事では、最近Kaggleでもよく用いられるようになってきたTPUについてまとめていこうと思います。 想定読者は TPUをまだ使ったことがない人 Kaggleをやってみたいが、安く使える計算リソースがなく困っている人 です。 TPUとは TPUに関する一般的な話はGoogleのTPU紹介を視聴した方が良いので、少し触れるのみにします。 TPUはGoogleが開発した、行列計算に特化した計算デバイスです。機械学習、その中でも特にDeep Learningは行列計算が数多く登場しますが、従来はこれをCPUやGPUなどの汎用性の高い計算デバイスで行っ
Google AI コミュニティによる、クラウドを使用した生物医学研究者の支援 | Google Cloud 公式ブログ
※この投稿は米国時間 2020 年 6 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。 世界的なパンデミックに対応すべく、ホワイトハウスと研究グループの連合体は、世界最大のオンライン データ サイエンス コミュニティ、Kaggle に CORD19 データセットを公開しました。新型コロナウイルスや他の疾患についての理解を深めるという目標は、医療政策、研究、医学界において多くの注目を集めました。Nature の記事によると、Kaggle チャレンジは 3 月中旬に開始されて以来、約 200 万ページビューを獲得しています。 研究者や一般ユーザーが自由に利用できるデータセットには、150,000 以上の学術論文が含まれており、COVID-19（新型コロナウイルス感染症）関連だけで何千にも及びます。そのため、最新の文献の中から、常に最新情報を入手するのは容易では
GitHub - IBM/japan-technology: IBM Related Japanese technical documents - Code Patterns, Learning Path, Tutorials, etc.
IBM Related Japanese technical documents - Code Patterns, Learning Path, Tutorials, etc. Please open new issue/pull requests in either English or Japanese if you would have any feedback or you would like to contribute this repo. We provide mainly "Japanese contents" by markdown text. IBM Developerの最新情報は https://developer.ibm.com/ にアクセスし、英語のコンテンツを参照してください。 このリポジトリは、IBM Developer Japan Webサイトで公開していた
はじめに Tensorflow Recommenders (TFRS) は Tensorflow による推薦システム構築のためのライブラリです。特に大規模サービスへの応用が念頭に置かれており、two-tower アーキテクチャの推薦モデルの構築と、近似近傍探索による高速な推論を可能にしてくれます。 公式のチュートリアルで基本的な使い方を学ぶことができます。また以下のようなブログ記事も参考になるでしょう。 TensorFlow Recommenderで映画のレコメンダーシステムを構築 TensorFlow Recommendersの紹介 大規模サービスで効率よくレコメンドを提供するためにTensorflow Recommendersを活用する 今回この記事を書こうと思ったのは、公式のチュートリアルなどではTFRSを使う上で重要な精度面に関する情報が不足していると思ったからです。この後実演する
https://blog.tensorflow.org/2019/05/transformer-chatbot-tutorial-with-tensorflow-2.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjubJSdXkMwulhxB3g5tOEJ8Iihc7BMxsdEtJicdRWon1GZi8mhkpN-gN8heS8ZyJT4R7JZ_mLm_gqorKAvETrAKq1P3Msn7x9M7gU2iPkl0BBKevmuiyjMJRu3u186jem5yXEdIJ5mC1I/s1600/transformer.png May 23, 2019 — A guest article by Bryan M. Li, FOR.ai The use of artificial neural networ
株式会社ミクシィ：Advanced Solutions Lab で最先端の AI・機械学習技術を学び、全社的な AI 活用をさらに加速 | Google Cloud 公式ブログ
株式会社ミクシィ：Advanced Solutions Lab で最先端の AI・機械学習技術を学び、全社的な AI 活用をさらに加速 国内最初期の SNS『mixi』やスマホアプリ『モンスターストライク（モンスト）』など、数々の大ヒットサービスを生み出してきた株式会社ミクシィ。現在もエンターテインメント事業からライフスタイル事業まで、幅広いジャンルで活躍しています。そんな同社が、AI・機械学習技術をさらに活用していくために、Google が国内（東京・渋谷）に開設したばかりの Advanced Solutions Lab（ASL）を受講。その成果について、トレーニングを受けた 5 人のエンジニアに聞いてきました。 利用している Google Cloud サービス：Advanced Solutions Lab など 問題解決のソリューションとしてAIをもっと当たり前のものにしたい株式会社ミ
TensorFlow 2.0でTPUを利用する
こんにちは、GMOアドマーケティングのS.Rです。 TPUとはディープラーニングを高速化するために、Googleが開発したプロセッサーです。TPUの利用により、ディープラーニングのモデルのトレーニング時間を20倍以上改良する事が可能です。 TensorFlow 1.xでTPUを利用するAPIを提供していますが、TensorFlow 2.0ではこのAPIの利用方法が変更されました。 今回はTensorFlow 2.0でTPUを利用する方法を皆さんへご紹介します。 利用する環境 Googleが無料で提供している機械学習目的の研究用ツール【Colab】を利用します。 1 Colabのインスタンスを作る Colabを利用するために必要な最初のStepは、Colabのファイルを作る事です。 Google Driveの管理画面へ遷移し、新しいColabのファイルを作ります。 2 TPUを設定する 作成
Tensorflow Object Detection APIで学習させたMobilenetV2のモデルをNVIDIA JetsonのDeepStream SDKで動かしてみた - Qiita
Tensorflow Object Detection APIで学習させたMobilenetV2のモデルをNVIDIA JetsonのDeepStream SDKで動かしてみたTensorFlowJetsonObjectDetectionAPI はじめに この記事では、NVIDIA JetsonのDeepStream SDKで自分で用意したデータで学習した物体検出モデルを利用する手順について記述しています。データのアノテーションと学習は以下の図にあるように、Cloud AnnotationsとGoogle colabを使って行います。どちらも無料で使えます。 以下はメガネを検出できるように学習させたモデルをJetsonのDeepStream SDKで動かしている様子です。平均で18FPSぐらいでています。よく考えてみるとコーディングらしいコーディングをすることなく（構成ファイルやパラメータ
はじめに 今は2020年8月なのですが、コロナ禍だし、暑いし、経済状況最悪で暇だし、良いことないですね。 暇になったので、1年ぶりにkaggleをやってみました。 Landmark Retrievalという建物の画像検索コンペに出たところ、そのコンペの提出形式がTensorFlowのSavedModel形式でした。 私はTensorFlow案件をけっこうやってきたので抵抗はなかったのですが、この制約が原因となったのか、あまりこのコンペの参加者は多くなかったようです。 kaggleの提出形式としては賛否両論あると思いますが、実務ではとても便利な形式だと私は思っています。 それなのにもし実務でも敬遠されているとしたらもったいないと思い、この記事ではSavedModelの便利さについて紹介してみます。 ちゃんとした使い方は公式リファレンスを当たってもらうとして、概念やsaved_model_cl
TensorFlow Liteを活用したエッジAI導入事例 〜 Yahoo!知恵袋アプリの不適切投稿を削減
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは、ヤフーでエンジニアをしている玉城です。 以前、iOS版Yahoo!知恵袋アプリへエッジAIを導入した事例の紹介をしましたが、今回はAndroid版への導入事例をご紹介します。 ここでいうエッジAIとは、スマートフォンアプリにバンドルまたはダウンロードなどをした学習モデルを実行することで、サーバーサイドではなくモバイルデバイス上で推論結果を得ることを指しています。学習モデルの詳しい内容ではなく、用意した学習モデルをAndroidエンジニアがアプリに組み込むという視点で書いております。この記事を通して、導入する上で実施したこと、注意した点、工夫した点などをお伝えすることで導入を検討している方の何かのお役に立てればと思います
TensorFlow models are programs. これは、著名な機械学習プラットフォームであるGoogle TensorFlowの「Using TensorFlow Securely」の冒頭に記載されている文言です。 TensorFlowには、学習済みの機械学習モデル（以下、分類器）をファイルに書き出す、または、学習済み分類器をファイルから読み込む機能が備わっています。これにより、一度学習して作成した分類器の再利用や、分類器の第三者への配布を可能にしています。しかし、もし第三者から提供された学習済み分類器が悪意を持って作られていたらどうでしょうか？ TensorFlowの学習済み分類器には、学習済みの重みやバイアス、Optimizerなどを含めることができるほか、Lambdaレイヤを使用することで任意の関数をも含めることができます。当然ながら、任意の関数には任意のコードを記述
3D Pose Detection with MediaPipe BlazePose GHUM and TensorFlow.js
https://blog.tensorflow.org/2021/08/3d-pose-detection-with-mediapipe-blazepose-ghum-tfjs.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEju5BNMgQYeE9f8fTIExf2qW4JTveDA2sfk5HmAQOZamLVBOPUKcVKkObW_6TfgTTr08usiwi4y1gvVhQfrkAzOhQeuHRa41IN9MvfIOXGqPIsbqsFAxL1USY3o21xOSvhyphenhyphenYHGSaXe8mbA/s0/TF+image+2.gif August 30, 2021 — Posted by Ivan Grishchenko, Valentin Bazarevsky, Eduard Gab
凜ちゃんが可愛すぎて死ぬ。 今や嫁すらも自動生成される時代ですが、やはり作者が丹精込めて描いた画像には、今のところは全然敵いませんね。 と冒頭からの極めて自然な流れで画像認識やら自動生成がどうのこうのいう話に進んでいこうと思っていたのですが、よく考えたらそもそもそのあたりの技術がさっぱりわからなかったので、とりあえず学習コースを見て学んでみようと思います。 以下はjavinpaulによる10 of the Best Tensorflow Courses to Learn Machine Learning from Coursera and Udemyという記事の日本語訳です。 10 of the Best Tensorflow Courses to Learn Machine Learning from Coursera and Udemy 人工知能、データサイエンス、機械学習などに興味を
はじめに 最近では、Deep LearningのライブラリとしてPyTorchが利用される機会が多くなっています。私自身も以前はTensorflow/Kerasを利用していましたが、現状はPyTorchを使うことがほとんどです。 しかし、PyTorchは実装がしやすいものの、モバイルやエッジデバイスへのデプロイを考える上では不安な点が残ります。今回は、PyTorchを様々なプラットフォーム上で利用することを考えたときにどのような方法があるかを整理します。 モバイル 選択肢の整理 現在、モバイル (iOS/Android)へのデプロイを考えるときにメジャーな選択肢が3つあります。 Core ML (Apple) PyTorchをonnxに変換し、onnxをcoreMLに変換する Tensorflow Lite (Google) PyTorchをonnxに変換し、Tensorflow/Kera
(Part 1) tensorflow2でhuggingfaceのtransformersを使ってBERTを文書分類モデルに転移学習する - メモ帳
現在、NLPの分野でも転移学習やfine-tuningで高い精度がでる時代になっています。 おそらく最も名高いであろうBERTをはじめとして、競ってモデルが開発されています。 BERTは公式のtensorflow実装は公開されてありますが、画像分野の転移学習モデルに比べると不便さが際立ちます。 BERTに限らず、公式のtensorflow実装は難解で、tf.kerasの学習済みモデルに関してもほとんど画像のモデルしかないです。 ただし、pytorch用のライブラリにpytorch-transformersという有用なものがありまして、 BERT, GPT-2, RoBERTa, DistilBert, XLNetなどの多言語学習済みモデルが利用可能で、カスタマイズもしやすいということで有名でした。 このライブラリが名前をかえてtensorflow2に対応してくれました。 Transform
TensorFlow Recommenders と Vertex AI Matching Engine によるディープ リトリーブのスケーリング | Google Cloud 公式ブログ
TensorFlow Recommenders と Vertex AI Matching Engine によるディープ リトリーブのスケーリング ※この投稿は米国時間 2023 年 4 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。 以前のブログ投稿で、Google Cloud でレコメンデーション システムを実装する方法として、（1）Recommendations AI によるフルマネージド ソリューション、（2）BigQuery ML での行列分解、（3）Two-Tower エンコーダと Vertex AI Matching Engine を使用したカスタムのディープ リトリーブ手法の 3 つを紹介しました。このブログ投稿では、3 つ目の選択肢について詳しく説明し、プレイリストのレコメンデーション システムを構築するために Vertex AI でエンド
Amazon SageMaker JumpStart で事前構築済みモデルと機械学習ソリューションへのアクセスを簡素化する | Amazon Web Services
Amazon Web Services ブログ Amazon SageMaker JumpStart で事前構築済みモデルと機械学習ソリューションへのアクセスを簡素化する 本日、Amazon SageMaker の新機能である Amazon SageMaker JumpStart の提供を開始したことを発表します。人気の高いモデルのコレクション (別名「モデルズー」) および一般的なユースケースを解決するエンドツーエンドのソリューションに、ワンクリックでアクセスして機械学習ワークフローを高速化することができます。 近年、機械学習はビジネスプロセスの改善と自動化に役立つ技術であることが証明されています。実際、過去データでトレーニングされたモデルは、金融サービス、小売、製造、通信、ライフサイエンスといった幅広い業界において結果を高精度に予測できます。しかし、これらのモデルの使用には、データセッ
初心者のための TensorFlow 2.0 入門 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。 このガイドでは簡単な導入として、Keras を使って次のことを行います。 画像を分類するニューラルネットワークを構築する。 そのニューラルネットワークをトレーニングする。 最後に、モデルの精度を評価する。 モデルの精度を評価します。 このファイルは Google Colaboratory の notebook ファイルです。 Python プログラムはブラウザ上で直接実行されます。TensorFlow を学んだり使ったりするには最良の方法です。Google Colab のnotebook の実行方法は以下のとおりです。 Pythonランタイムへの接続：メニューバーの右上で「接続」を選択します。 ノートブックのコードセルをすべて実行：「ランタイム」メニューから
はじめに [2021/4/20 更新] 以前書いたものよりいい感じに書けたものがこちらです。 このリポジトリは、Kerasによる学習とMlflow RegistoryとFastAPIを組み合わせたものになっています。 普段Flaskをよく使いますが、「FastAPIはいいぞ！」と知人に進められたので簡単な画像認識APIを作って見ようと思いました。 しかし、あまりFastAPIとMLの日本語記事を見かけなかったので、メモ代わりに本記事を作成することにしました！ 本記事では、開発環境を整えた後、APIサーバとフロントエンドの簡単な説明を記載しております。 今回使用したコードはすべてGithubに公開しています。 （以下実装のフォルダ構成などはGithubを前提に記載しています。サンプルモデルのダウンロードについてもREADME.mdに記載しています。） FastAPIとは？ Flaskのような
NvidiaドライバとCUDAとcuDNNとTensorflow-gpuとPythonのバージョンの対応 - Qiita
Nvidiaドライバ，CUDA，cuDNN，tensorflow-gpu，Pythonのバージョンの対応はとても重要らしい。 NvidiaドライバはCUDAのバージョンに合わせて，CUDAとcuDNNとPythonはtensorflowのバージョンに合わせる。 合っていないと，ログインループに陥ったり，The system is running in low-graphics modeになったりした。 とにかく最新をダウンロードするのではなく，バージョンの対応を事前に確認する必要があったもよう。 例：確認環境 Ubuntu 16.04 GeForce RTX 2080 ti 確認①Nvidiaドライバ 自分のGPUに対応するドライバのチェック➡https://www.nvidia.co.jp/Download/index.aspx?lang=jp 検索を押すと， こんな感じで出てくる。 な
Kerasの使い方をざっくりと
ホーム < ゲームつくろー！ < IKD備忘録 VisualStudio + Pythonでディープラーニング Kerasの使い方をざっくりと (2018. 11. 21) 前章でPythonによるディープラーニングの開発環境を整えました。本章では根幹ライブラリの一つである「Keras」について見ていこうと思います。非常に使いやすいライブラリですが、ディープラーニングの奥深さをそのまま反映しているので、この章では「兎に角なんか雰囲気掴みたい！」という目的でKerasをざっくり触ってみる事にします。 ① Kerasとは？ KerasはPythonで書かれたニューラルネットワーク学習ライブラリです。ニューラルというのは「脳神経」の事、そしてネットワークは「網」の意味です。つまりニューラルネットワークとは脳神経の網状構造の事で、それをプログラム上で模倣して脳神経のような働きをさせてしまおうという
https://blog.tensorflow.org/2022/09/announcing-tensorflow-official-build-collaborators.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgwYbl0yCfhpq9TY7E-8Pnn1c3a8dm_K5z7JPm56Hz3RpzQ2spN4rIkiTQiZzSEF8ZgS6wjtpplVuBmyHbk7CCXi843sO7jl5DpxIaT4Jt5pSTLsAVWB7LFaPDjCYjuUDEJqC2uInko31ft2ap-uKt5PjQ0LM6TTrX7-phltjU4GYxpwqan-4rws9t0/s1600/tensorflow-content-moderation-using-machine-learning-a-d
この記事は ユニークビジョン株式会社 Advent Calendar 2020 の7日目の記事です。 1. はじめに この記事ではAWS re:Invent 2020で発表された AWS Lambda の新機能 – コンテナイメージのサポート についてまとめます。 従来、AWS Lambdaの関数を作成するためには関数の実行に必要なものをZIP形式でパッケージ化する必要がありました。 個人的にはローカルで動作確認をする構成とZIP形式のパッケージを作る手順が存在しているのは好みではありませんでしたが、この新機能によって開発時・本番運用時の両方とも同じコンテナイメージを使用することが出来るようになりました。 また、従来のZIP形式ではデプロイパッケージのサイズが250MBに制限されており、例えばTensorFlowなどを使用した推論処理のためにAWS Lambdaを使用するのは困難でした。そ
SmallTrain
さあ、はじめよう！ ダウンロード SmallTrainは、Geek Guildが開発したオープンソースのディープラーニングフレームワークです。大量のデータを取得せず少量のデータでも、精度を損なうことなく、ディープニューラルネットワークを迅速に開発できます。 SmallTrainは... - 主にPythonで記述されており、Tensorflowのラッパーです。将来はKerasやPyTorchのラッパーともなり、Tensorflow、Keras、PyTorchユーザーのかけはしとなることを掲げています。 - エンジニアやデータサイエンティストに馴染み深いアーキテクチャとして、Pythonモジュールの形式を採用しています。KerasやPyTorchと同じような使い方なので、使い方の学習にかかる時間が短縮され、モデルの構築により多くの時間を費やすことができます。 - データサイエンスの概念に関す
2 for 1 FLASH SALE! Buy 2 Business passes for the price of 1 for TNW Conference 2023 now → Religious wars have been a cornerstone in tech. Whether it’s debating about the pros and cons of different operating systems, cloud providers, or deep learning frameworks — a few beers in, the facts slide aside and people start fighting for their technology like it’s the holy grail. Just think about the endl
facemeshを使ってGoogle Meetで自分の顔に画像を上書きするchrome extensionsを作る | DevelopersIO
はじめに COVID-19の影響により、リモート勤務が常識となって、それに伴いWeb会議も増えました。 弊社ではWeb会議のツールの１つとしてGoogle meetを使用しているのですが、 meetだと、カメラはONにして顔だけかくすことってできないのかなあ・・とか思ってました。 以前はmeetでどうやって映像をフックして加工するのかよくわからなかったので挫折。 先日こことかここを見かけて、なんとなくできそうな気がしたのでリトライ。 extentionを使った実際のmeet画面は↓みたいなかんじ。 meet画面の左上にトグルスイッチを置いて、ONのときにカメラ表示すると顔が隠れる。 すでにこういうextentionがどこかにあるかもしれませんが、 「顔を隠す」という用途のものがみつからなかったので、 いろいろ試行錯誤しながらやってみました。 どうやって実装するか chrome extens
GitHub - jasonmayes/Real-Time-Person-Removal: Removing people from complex backgrounds in real time using TensorFlow.js in the web browser
Removing people from complex backgrounds in real time using TensorFlow.js in the web browser License
Predict missing values (Tutorial) — SimpleML for Sheets documentation
Note This is the Predict missing values tutorial. The Predict missing values documentation is available here. With Simple ML for Sheets, also referred to as Simple ML, everyone can use Machine Learning (ML) in Google Sheets without knowing ML, without coding, and without sharing data with third parties. This tutorial takes you through the steps of using Simple ML for Sheets to predict missing valu
Google is quietly replacing the backbone of its AI product strategy after its last big push for dominance got overshadowed by Meta
Google was a trailblazer in machine learning, releasing one of the first general-use frameworks. TensorFlow has since lost the hearts and minds of developers to Meta's AI framework, PyTorch. Google is now betting on a new AI project internally to replace TensorFlow called JAX. Google, in 2015, essentially created the modern-day machine learning ecosystem when it open sourced a small research proje
TensorFlow・PyTorchによる分散学習
深層学習モデルの学習は、学習データの一部を抽出・勾配を計算するミニバッチ学習によって行われることが一般的です。勾配のばらつきを抑えるためには、ある程度のバッチサイズを保持する必要があります。一方で、バッチサイズの上限は利用するマシン（GPUやTPU）のメモリによって制約を受けるため、大規模なモデルや高解像度画像などを用いる際には、バッチサイズを小さくせざるを得ない場合があります。 これに対して複数のGPUや計算ノードを利用できる場合には、並列化によって単一GPUの時よりも大規模な学習を行うことができます。複数の計算機を用いた並列学習（分散学習）には大きく分けてデータ並列とモデル並列が存在しており、合わせて利用することもできます。 データ並列（Data Parallel）：ミニバッチを複数の計算機に分散する方法 モデル並列（Model Parallel）：一つのモデルを複数の計算機に分散する
Cloud AI Platform Pipelines now available in beta | Google Cloud Blog
When you're just prototyping a machine learning (ML) model in a notebook, it can seem fairly straightforward. But when you need to start paying attention to the other pieces required to make a ML workflow sustainable and scalable, things become more complex. A machine learning workflow can involve many steps with dependencies on each other, from data preparation and analysis, to training, to evalu
ML Study Jams “Road to TF Certificate 2020” のご案内
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #DevFest23 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads
Deploy ML on mobile, microcontrollers and other edge devices
AWS Lambda + Docker + TensorFlowを使ってサクッと推論APIをつくる - aptpod Tech Blog
みなさま、こんにちは。研究開発グループと製品開発グループ に兼務で所属しております、きしだです。aptpod Advent Calendar 2020 11日目を担当します。今回は機械学習に関わるエンジニア向けに、最近AWSがリリースしたAWS Lambdaの新機能を利用して、サクッと推論APIを作るネタをご紹介します。 aws.amazon.com 推論をすばやくAPI化する意義 その前に、推論箇所をAPIとしてすばやく用意できる必要性について簡単に触れたいと思います。 機械学習関係の案件では、お客様側も理解できるKPIを立てることが非常に重要視されています。例えば「モデルの正解率を〜にしたい」や「モデルの動く速さを〜にしたい」などですね。これらの具体的な数値はお客様と議論を重ね、お互いにしっくりくる数値に落とし込む必要があるのですが、これがとてもむずかしいのです。なぜでしょうか。 お客
【2020年版】NVIDIA Jetson Nano、Jetson Xavier NXの便利スクリプト (Jetsonの面倒な初期設定やミドルウェアのインストールを bashスクリプトの実行だけで簡単にできます)
・2020/06/27 【2020年】Jetson Xavier NX 開発者キットが安かったので衝動買いした件、標準販売価格５万円が４万４千円！ 【ザビエル元年】Jetson Xavier NX 開発者キットを最安値で購入で、しかも国内在庫で注文から翌日で到着、ザビエル開封レビュー ・2019/03/20 NVIDIA Jetson Nano 開発者キットを買ってみた。メモリ容量 4GB LPDDR4 RAM Jetson Nanoで TensorFlow PyTorch Caffe/Caffe2 Keras MXNet等を GPUパワーで超高速で動かす！ ● Jetson Nano、Jetson Xavier NXの便利スクリプト 対応環境 Jetson Nano Jetson Xavier NX 2021/02 JetPack 4.5.1 PR Production Release
先日TensorFlow2.1がリリースされました。大きな変更点の1つとして「CPU版とGPU版の統合」があります。今までは環境に応じてinstall tensorflowとinstall tensorflow-gpuを使い分けていたのですが、全てtensorflowで一括管理されるようになりました。これは嬉しい！ というわけなので、早速私の環境にもTensorFlow2.1を入れてみました。conda install tensorflow=2.1を実行し、GPUを確認してみましょう^^ >from tensorflow.python.client import device_lib >device_lib.list_local_devices()[name: “/device:CPU:0” device_type: “CPU” memory_limit: 268435456 locali
TensorFlow 2.1.0がリリースされていた。最近はなぜか組込み向けでDeep Learningをする話がやってくる事があって、TensorFlow Liteを使ったりしている。 TF Liteを使ってみたことがある人は分かるだろうけど、TensorFlowのHP・ドキュメントにある通りにやっても基本的にビルドできない、サンプルが動かない、ドキュメントのリンク先は404 not foundという「一体これは何だ？動くのか？」という思いが最初に来ると思う。さらにはLayerの制限で、このモデルを作ったはいいけど、TF Lite上で動かしたらエラーで動かん…とか罠が満載で快感すら覚えてしまう。 自分もバージョンが変わる事に起きるドラスティックな変更で、これはどうすれば動くんだ？というので頭を抱えてしまう。 サクサク動いてめちゃ便利なんだけど、動かすまでが大変な沼にハマる…ということで、
https://blog.tensorflow.org/2020/04/tfrt-new-tensorflow-runtime.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhjEwP7k7mM3L8q4tIwqNJSYw4TpNiNYr15ctGvyXozJD_cZW5-0YDCSg-dPMwN0jJeXoVN6xohn8M0jdnUprk-p6qWJrOY10-YX3CuokeJkhB5GQcOMtv_E4k5PBjyk3gfXz1fnZzKnVo/s1600/tfrtroleingraph.png April 29, 2020 — Posted by Eric Johnson, TFRT Product Manager and Mingsheng Hong, TFRT Tech Lead/Manager
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
Tensorflow Recommendersの精度を上げるためのテクニック
A Transformer Chatbot Tutorial with TensorFlow 2.0
TensorFlowのSavedModelの便利さを紹介する - 生き抜くぜ21世紀
細工した分類器を利用した任意のコード実行 | 技術者ブログ | 三井物産セキュアディレクション株式会社
機械学習を習得するためのTensorflow学習コース、ベスト10 - Qiita
PyTorchモデルをモバイルやエッジで利用するための方法の整理 - ほろ酔い開発日誌
初心者のための TensorFlow 2.0 入門 | TensorFlow Core
FastAPIとTensorflowで簡単な画像認識APIを作ってみた - Qiita
Announcing TensorFlow Official Build Collaborators
コンテナイメージを使用してAWS Lambda関数を作成する - Qiita
Why TensorFlow for Python is dying a slow death
wiki40b | TensorFlow Datasets
TensorFlow2.1でCuda10.1なのにGPUが認識されない問題の解決法
TensorFlow Lite 2.1 on STM32F | Natural Days
TFRT: A new TensorFlow runtime
best-aga.com
www.inquiry-history.com
www.fighters.co.jp
news.yahoo.co.jp
buffa-channel.com
murmurtyun.hatenablog.com