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 - DMM inside
はじめに こんにちは、DMMで機械学習エンジニアをしている二見です。 2020年に新卒で入社し、普段は検索やレコメンドの改善に従事しています。 DMMでは50を超えるサービスを提供しており、様々なデジタルコンテンツを取り扱っています。 また、各サービスには多くのユーザーの膨大なデータが日々蓄積されてます。 我々のグループでは、それらのビックデータを活用した改善施策を行うことで、各事業部の成長に日々貢献しております。 本記事では、新たにディープニューラルネットワークベースの先端的なレコメンドシステムを構築し、サービスに導入した事例を紹介したいと思います。 レコメンドエンジンの導入を検討している方・ニューラルネットベースのレコメンドに興味がある方の参考になれば幸いです。 目次 はじめに 目次 DMMにおけるレコメンドへの取り組み 背景 Tensorflow Recommendersとは 1.
「AnimeGAN」を試してみる - Qiita
「AnimeGAN」とは TachibanaYoshinoさんが作成した、GANで画像をアニメ風に変換するソフトウェアです。詳細は以下リポジトリを参照ください。 TachibanaYoshino/AnimeGAN CartoonGAN-TensorflowやAnime-Sketch-Coloring-with-Swish-Gated-Residual-UNetがベースになっているようです。 学習済みモデルもあって簡単に動かせます。試してみたので動作メモと、結果の紹介です。 「AnimeGAN」動かし方 READMEに書いてある通りで動くのですが、手っ取り早く動かしたい人のために少しだけ詳しく書きます。 最初にPython環境、必要なライブラリをセットアップしましょう。初心者だとここが一番難しいかもしれませんね。以下ブログ記事をみて適当に（雑な説明）。 Pythonで機械学習をするための環境
Dive into Deep Learning — Dive into Deep Learning 1.0.3 documentation
Abasyn University, Islamabad Campus Alexandria University Amirkabir University of Technology Amity University Amrita Vishwa Vidyapeetham University Anna University Anna University Regional Campus Madurai Ateneo de Naga University Australian National University Bar-Ilan University Barnard College Beijing Foresty University Birla Institute of Technology and Science, Hyderabad Birla Institute of Tech
ローカルで機械学習モデル（データ作成から学習・推論まで）が5分で出来てしまう、Lobeが凄すぎる | DevelopersIO
1 はじめに CX事業本部の平内（SIN）です。 Lobeは、Microsoftによって無料で公開されている機械学習ツール（アプリ）です。Windows及び、Macで利用でき、学習から推論まで全てローカルで実行するようになっています。 https://lobe.ai/ ローカルで簡単に機械学習のモデルが作成できるという事で、早速やってみました。 アヒルとトマト羊を分類するモデルが、データ作成から学習、推論まで、5分程度で出来てしまいました。動画は、作成したモデルで推論している様子です。 2 テンプレート 現在、ベータ版ということで、「イメージ分類」だけとなってますが、Object DetectionとData ClassficationがCOMING SOONとなっていました。 3 作業環境 Macにも対応しているとの事ですが、私の手元では、Windowsの方が安定して利用できたので、今回
TensorFlow 2＋Keras（tf.keras）入門
機械学習の勉強はここから始めてみよう。ディープラーニングの基盤技術であるニューラルネットワーク（NN）を、知識ゼロの状態から概略を押さえつつ実装。さらにCNNやRNNも同様に学ぶ。これらの実装例を通して、TensorFlow 2とKerasにも習熟する連載。 第1回 初めてのニューラルネットワーク実装、まずは準備をしよう ― 仕組み理解×初実装（前編）（2019/09/19） ニューラルネットワークは難しくない ディープラーニングの大まかな流れ 1データ準備 ・Playgroundによる図解 ・Pythonコードでの実装例 2問題種別 ・Playgroundによる図解 ・Pythonコードでの実装例 3前処理 ・Playgroundによる図解 ・訓練用／精度検証用のデータ分割について ・ノイズについて ・Pythonコードでの実装例 第2回 ニューラルネットワーク最速入門 ― 仕組み理解×
TensorflowでCNNを作る際に使いそうな関数を列挙してみた - Qiita
はじめに Googleが作成したDeepLearningフレームワークのTensorflow いろいろ記事が上がっていて非常に面白いですが、実際にNNを組む際に使用する関数はどれ？というのを備忘としてまとめてみました なお筆者はDeeplearningを大学で学んだわけではなく自己学習しただけなので、間違いも多々あるかと思いますが、後学のため指摘いただけると幸いです 畳込み層で使用 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 畳込みを行う関数 他にはdepthwise_conv2d, separable_conv2dが存在する 第1引数: input インプットデータを、4次元([batch, in_height, in_width, in_channels])のテンソルを渡
TensorFlowのチュートリアルをやってみる（2） | mwSoft
TensorFlowのチュートリアルをやってみる（2） 概要 NN初心者がTensorFlowのチュートリアルの内容を寄り道しながらこなす企画のパート2。 今回はDeep MNIST for Expertsのところ。前回は単純なモデルで91%程度の精度だったけど、今回は畳み込みニューラルネットワーク（convolutional neural network）で99%以上の精度を達成するらしい。 バージョンは0.7.1でPython3.4、GPU版を利用。OSはUbuntu系。 @CretedDate 2016/03/21 @Versions python3.4.3 tensorflow0.7.1, CudaToolkit7.5 前回の復習 まずは前回の復習からスタートしている。 import tensorflow as tf # MNISTのデータ読み込み from tensorflow.
[TF]TensorflowのAPIについて - Qiita
Constant Value Tensors zeros numpyのzerosみたいなもの TensorのデータタイプとShapeを指定する import tensorflow as tf x = tf.zeros([1], dtype=tf.float32) with tf.Session() as sess: print(x.eval()) [ 0.] import tensorflow as tf x = tf.zeros([10], dtype=tf.float32) with tf.Session() as sess: print(x.eval()) [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
![[TF]TensorflowのAPIについて - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/250153c2bd5ad92fd22869cad281927f4ca757f4/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-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCVEYlNURUZW5zb3JmbG93JUUzJTgxJUFFQVBJJUUzJTgxJUFCJUUzJTgxJUE0JUUzJTgxJTg0JUUzJTgxJUE2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz03OGUwNDUzYTg0YmRhMDk1ZDYzY2I5ZWU1MDRiYjA3OA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBzdXBlcnNhaWFrdWppbiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NDM4YTY0ZDdkYWRmMTQxNDhkYTFiMzYzY2M5NjlkNjA%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D7f23583382eb362e5db855101d62458c)
TensorFlowチュートリアル - ML初心者のためのMNIST（翻訳） - Qiita
TensorFlowのチュートリアル（MNIST For ML Beginners） https://www.tensorflow.org/versions/master/tutorials/mnist/beginners の翻訳です。 翻訳の誤りなどあればご指摘お待ちしております。 このチュートリアルは、機械学習と TensorFlow に不慣れな読者を対象とします。MNIST が何であるか、ソフトマックス（多項ロジスティック）回帰が何であるかを知っている場合は、よりテンポの速いチュートリアルを好むかもしれません。チュートリアルを開始する前にTensorFlow をインストールしてください。 プログラミングを学ぶとき、最初に「Hello World.」をプリントするという伝統があります。 プログラミングには Hello World があるように、機械学習には MNIST があります。 M
TensorFlowをWindowsにインストール Python初心者でも簡単だった件 - Qiita
TensorFlow1.6をWindows10にインストールします。基本的には公式サイトを見ながらインストールしています。私は Pythonはほとんどやったことない人間ですが、そんな程度でもまるで問題なかったです。 当記事はAnacondaを使っていますが、Minicondaも使用ディスク容量が大幅に削減できておすすめです。Minicondaの場合は以下の2つの記事を参照ください。 WindowsにMinicondaインストール(2018年) WindowsでMinicondaを使ってTensorFlow環境構築(2018年) Windowsでの環境比較は、記事「Windows PCで機械学習環境を作る方法まとめ」に書きました。 UbuntuでのTensorFlow環境構築は記事「WSLのUbuntuにTensorFlowをインストール」を参照ください。 あと、Google Colabor
TensorFlowチュートリアル - 熟練者のためのディープMNIST（翻訳） - Qiita
TensorFlowのチュートリアル（Deep MNIST for Experts） http://www.tensorflow.org/tutorials/mnist/pros/index.html#deep-mnist-for-experts の翻訳です。 翻訳の誤りなどあればご指摘お待ちしております。 TensorFlowは大規模な数値計算を行うための強力なライブラリです。TensorFlowが優れているタスクの１つは、ディープ・ニューラルネットワークを実装し、訓練することです。このチュートリアルでは、深い畳み込みMNIST分類器を構築しながら、TensorFlowモデルの基本的なビルディング・ブロックを学びます。 このチュートリアルは、ニューラルネットワークとMNISTデータセットに精通していることを前提とします。それらのバックグラウンドを持っていない場合は、初心者のためのチュート
Amazon SageMaker Adds Batch Transform Feature and Pipe Input Mode for TensorFlow Containers | Amazon Web Services
AWS News Blog Amazon SageMaker Adds Batch Transform Feature and Pipe Input Mode for TensorFlow Containers At the New York Summit a few days ago we launched two new Amazon SageMaker features: a new batch inference feature called Batch Transform that allows customers to make predictions in non-real time scenarios across petabytes of data and Pipe Input Mode support for TensorFlow containers. SageMak
Kubernetesで機械学習を実現するKubeflowとは？
KubeCon＋CloudNativeConにおいて、Kubernetes上で機械学習を実現するKubeflowが紹介された。 Kubernetesを中心としたクラウドネイティブなソフトウェアのカンファレンスであるKubeCon＋CloudNativeCon、3日目のハイライトはなんと言ってもKubeflowだろう。朝9時から始まったキーノートの最初に登壇したGoogleのDavid Aronchick氏は、「KubeConには第1回から参加している」と語り、Kubernetesの盛り上がりに驚きを隠せないようだった。今回は、Kubernetesとともに今最も注目を集めている機械学習をクラウドネイティブにするという、Kubeflowを紹介するセッションとなった。 最初に紹介したのは、機械学習を使う効果だ。Googleのデータセンターの消費電力について、機械学習で制御を行った場合と、人手で制
中学生にも分かるTensorFlow入門 その4 プログラムの解説・フローチャート - Qiita
はじめに 前回、ネットワークやそのモデルについてお話ししましたが、いよいよ今回は「MNIST For ML Beginners」のプログラムについて解説します。このQiitaにもたくさんの記事がありますので特に参考にさせて頂いたものをいくつか挙げておきます TensorFlowチュートリアル - ML初心者のためのMNIST（翻訳） TensorFlow MNIST For ML Beginners チュートリアルの実施 また、解説に使うソースコードはGoogleがGitHubで公開しているソースコードmnist_softmax.pyを使います。これを使う際には、同じディレクトリにinput_data.pyを置いておく必要があるようですのでご注意下さい。 また、プログラムに書かれているいろいろなおまじないのことをAPI（Application Programming Interface ）
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がWindowsサポートしたのでインストールしてみた - デジタル・デザイン・ラボラトリーな日々
はじめに TensorFlow 0.12からWindowsをサポートするようになりました。これにより、VirtualBoxやDockerを使う必要がなくなります。 【追記 2017/03/02】 2017/02/16にTensorFlow 1.00がリリースされました、遅ればせながら今回TensorFlowをバージョンアップしました。 【追記 2017/11/25】 2017/11/08にTensorFlow 1.40がリリースされました、遅ればせながら今回TensorFlowをバージョンアップしました。 TensorFlow 1.4.0 リリースノート（翻訳） (tensorenv) C:\Users\(ユーザー)>pip install --ignore-installed --upgrade tensorflow (tensorenv) C:\Users\(ユーザー)>python
Sparkで利用できるDeep Learningフレームワークまとめ - Gunosyデータ分析ブログ
こんにちは、Gunosyデータ分析部に所属している森本です。 主な担当業務は記事配信アルゴリズムの改善、ログ基盤運用です。 最近良く聞く音楽はOne Direction - Live While We're Youngです。 本記事では、Sparkで利用できるDeep Learningフレームワークをまとめました。 GunosyではChainerで畳み込みニューラルネットワークを応用し、ユーザーのデモグラフィック推定を行っています。 WebDB Forum 2016 gunosy from Hiroaki Kudo Chainer以外にも多数のDeep LearningフレームワークがPythonを中心に数多く存在します。 TensorFlow, Keras, Caffe, Theanoなどなど。どのフレームワークが優れているかという回答は状況に応じて変わりますが、Pythonを使用する大
TensorFlowのチュートリアルを通して、人工知能の原理について学習する - Qiita
以下のことについて知りたい人向けの記事。 ①機械学習の利点と欠点、TensorFlowの利点と欠点 ②ニューラルネットワークの原理についての簡潔な説明 (オンライン書籍：http://nnadl-ja.github.io/nnadl_site_ja/index.html をまとめたもの) ③TensorFlowのチュートリアルに沿ってプログラム作成、その実行結果 以下、参考にしたサイト 1次関数の近似： https://www.tensorflow.org/versions/master/get_started/index.html http://qiita.com/MATS_ELB/items/fec7f54de2dd18b043ae n次関数の近似： http://msyksphinz.hatenablog.com/entry/2015/11/19/085852 手書き数字画像認識：
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
第1回 初めてのニューラルネットワーク実装、まずは準備をしよう ― 仕組み理解×初実装（前編）
Distributed Tensorflow入門 - Qiita