はてなブックマーク

言語理解のためのTransformerモデル 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。 このチュートリアルでは、ポルトガル語を英語に翻訳するTransformerモデルを訓練します。これは上級編のサンプルで、テキスト生成やアテンション（注意機構）の知識を前提としています。 Transformerモデルの背後にある中心的なアイデアはセルフアテンション（自己注意）、 つまり、シーケンスの表現を計算するために入力シーケンスの異なる位置に注意を払うことができることにあります。 Transformerモデルは、RNNsやCNNsの代わりに セルフアテンション・レイヤーを重ねたものを使って、可変長の入力を扱います。この一般的なアーキテクチャにはいくつもの利点があります。 データの中の時間的／空間的な関係を前提にしません。これは、オブジェクトの集合（例えば、Sta

Deploy ML on mobile, microcontrollers and other edge devices

Congratulations to everybody who passed the TensorFlow Developer Certificate exam. Your credentials are valid for 3 years from the date that you passed the exam. While we evaluate the next step in our certificate program, we have closed the TensorFlow Certificate exam. �$ RV �� RV

以下の学習教材を開始する前に、次のことを確認してください。 HTML、CSS、JavaScript を使用したブラウザ上でのプログラミングに慣れていること コマンドラインを使用して Node.js スクリプトを実行する方法を熟知していること このカリキュラムは、次のような目標を持つ方を対象としています。 JavaScript で ML モデルを作成する JavaScript を実行できる任意の場所で既存のモデルを実行する ML モデルをウェブブラウザにデプロイする TensorFlow.js を使用すると、JavaScript で ML モデルを開発または実行できます。また、ブラウザのクライアント側、Node.js を介したサーバー側、React Native を介したモバイル ネイティブ、Electron を介したデスクトップ ネイティブ、さらには Raspberry Pi 上の Nod

pip を使用して TensorFlow をインストールする 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。 このガイドは、TensorFlow の最新の安定バージョンを対象としています。プレビュー ビルド(夜間)の場合は、 tf-nightlyという名前の pip パッケージを使用します。古い TensorFlow バージョンの要件については、これらの表を参照してください。 CPU のみのビルドの場合は、 tensorflow-cpuという名前の pip パッケージを使用します。 インストール コマンドのクイック バージョンを次に示します。下にスクロールすると、詳しい手順が表示されます。 Linuxpython3 -m pip install tensorflow[and-cuda] # Verify the installation: python3

import tensorflow as tf import tensorflow_probability as tfp # Pretend to load synthetic data set. features = tfp.distributions.Normal(loc=0., scale=1.).sample(int(100e3)) labels = tfp.distributions.Bernoulli(logits=1.618 * features).sample() # Specify model. model = tfp.glm.Bernoulli() # Fit model given data. coeffs, linear_response, is_converged, num_iter = tfp.glm.fit( model_matrix=features[:,

過学習と学習不足について知る 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。 いつものように、この例のプログラムは tf.keras APIを使用します。詳しくは TensorFlow の Keras ガイドを参照してください。 これまでの例、つまり、映画レビューの分類と燃費の推定では、検証用データでのモデルの精度が、数エポックでピークを迎え、その後低下するという現象が見られました。 言い換えると、モデルがトレーニング用データを過学習したと考えられます。過学習への対処の仕方を学ぶことは重要です。トレーニング用データセットで高い精度を達成することは難しくありませんが、（これまで見たこともない）テスト用データに汎化したモデルを開発したいのです。 過学習の反対語は学習不足（underfitting）です。学習不足は、モデルがテストデータに対してまだ改善の余地があ

ソースからビルドする 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。 TensorFlow pipパッケージをソースからビルドし、Ubuntu Linux および macOS にインストールします。この手順は他のシステムでも機能する可能性がありますが、Ubuntu と macOS でのみテストおよびサポートされています。 Linux および macOS のセットアップ次のビルド ツールをインストールして、開発環境を構成します。 Python と TensorFlow パッケージの依存関係をインストールする Ubuntu sudo apt install python3-dev python3-pip macOS Xcode 9.2以降が必要です。 Homebrewパッケージ マネージャーを使用してインストールします。 brew install python

エキスパートのための TensorFlow 2 クイックスタート 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。 これは Google Colaboratory のノートブックファイルです。Python プログラムはブラウザ上で直接実行されるため、TensorFlow を学んで使用するのに最適です。このチュートリアルを進めるには、このページの上部にあるボタンをクリックして Google Colab でノートブックを実行してください。 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「すべてのセルを実行」を選択します。 TensorFlow 2 をダウンロードしてインストールします。TensorFlow をプログラムにインポートします。 注意: pip をアップグレ

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

This short introduction uses Keras to: Load a prebuilt dataset. Build a neural network machine learning model that classifies images. Train this neural network. Evaluate the accuracy of the model. This tutorial is a Google Colaboratory notebook. Python programs are run directly in the browser—a great way to learn and use TensorFlow. To follow this tutorial, run the notebook in Google Colab by clic

回帰：燃費を予測する 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。 回帰問題では、価格や確率といった連続的な値の出力を予測することが目的となります。これは、分類問題の目的が、（たとえば、写真にリンゴが写っているかオレンジが写っているかといった）離散的なラベルを予測することであるのとは対照的です。 このノートブックでは、古典的な Auto MPG データセットを使用し、1970 年代後半から 1980 年台初めの自動車の燃費を予測するモデルを構築します。この目的のため、モデルにはこの時期の多数の自動車の仕様を読み込ませます。仕様には、気筒数、排気量、馬力、重量などが含まれています。 このサンプルではtf.keras APIを使用しています。詳細はこのガイドを参照してください。 # Use seaborn for pairplot. pip install

In a regression problem, the aim is to predict the output of a continuous value, like a price or a probability. Contrast this with a classification problem, where the aim is to select a class from a list of classes (for example, where a picture contains an apple or an orange, recognizing which fruit is in the picture). This tutorial uses the classic Auto MPG dataset and demonstrates how to build m

This tutorial focuses on the task of image segmentation, using a modified U-Net. What is image segmentation? In an image classification task, the network assigns a label (or class) to each input image. However, suppose you want to know the shape of that object, which pixel belongs to which object, etc. In this case, you need to assign a class to each pixel of the image—this task is known as segmen

Build a TensorFlow pip package from the source and install it on Windows. Setup for Windows Install the following build tools to configure your Windows development environment. Install Python and the TensorFlow package dependencies Install a Python 3.9+ 64-bit release for Windows. Select pip as an optional feature and add it to your %PATH% environmental variable. Install the TensorFlow pip package

This tutorial demonstrates how to create and train a sequence-to-sequence Transformer model to translate Portuguese into English. The Transformer was originally proposed in "Attention is all you need" by Vaswani et al. (2017). Transformers are deep neural networks that replace CNNs and RNNs with self-attention. Self-attention allows Transformers to easily transmit information across the input sequ

画像はそれぞれ単一のラベルに分類されます。データセットには上記のクラス名が含まれていないため、後ほど画像を出力するときのために、クラス名を保存しておきます。 class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] データの観察 モデルのトレーニングを行う前に、データセットの形式を見てみましょう。下記のように、トレーニング用データセットには 28 × 28 ピクセルの画像が 60,000 含まれています。 train_images.shape (60000, 28, 28) 同様に、トレーニング用データセットには 60,000 のラベルが含まれています。 len(train_labels) 60000 ラベル

単語埋め込み (Word embeddings) 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。 このチュートリアルでは、単語埋め込みを紹介します。このチュートリアルには、小さいデータセットを使って単語埋め込みを最初から学習させ、その埋め込みベクトルを Embedding Projector （下図参照）を使って可視化するためのプログラムがすべて含まれています。 テキストを数値で表す 機械学習モデルは、ベクトル（数値の配列）を入力として受け取ります。テキストを扱う際、最初に決めなければならないのは、文字列を機械学習モデルに入力する前に、数値に変換する（あるいはテキストを「ベクトル化」する）ための戦略です。このセクションでは、これを行う3つの戦略を見てみます。 ワンホット・エンコーディング 最初のアイデアとして、ボキャブラリの中の単語それぞれを「ワンホット」

エンドツーエンドの機械学習プラットフォーム ワークフローの各段階で、機械学習タスクを高速化するソリューションを見つけましょう。