Kerasでまた複数のバックエンドが使えるようになるらしい - Qiita
はじめに pythonの機械学習ライブラリであるKerasは、単体では動かず、2023年8月現在はTensorflowをバックエンドとして動くようになっています。ですが2023年秋リリース予定の3.0で、再びTensorflow以外のバックエンドを使えるようになるらしいです。 この記事の要約 Keras 3.0でバックエンドが選べるようになる Tensorflow、PyTorch、Jax、Numpyのいずれかを選択可能（デフォルトはTensorflow） Keras3.0で書いたコードは、（特定のバックエンドに依存するコードを書いてない限り）どのバックエンドに切り替えても動作する Kerasについて ここはKerasって何ぞやの方へ説明です。 KerasはGoogle社のFrançois Chollet氏を中心として開発されている機械学習ライブラリです。それまで複雑な処理の実装が必要であっ
Keras: Deep Learning for humans
Introducing Keras Core: Keras for TensorFlow, JAX, and PyTorch. We're excited to share with you a new library called Keras Core, a preview version of the future of Keras. In Fall 2023, this library will become Keras 3.0. Keras Core is a full rewrite of the Keras codebase that rebases it on top of a modular backend architecture. It makes it possible to run Keras workflows on top of arbitrary framew
TensorFlow Datasets
TensorFlow Datasets は、TensorFlow や他の Python ML フレームワーク（JAX など）で使用できるデータセットのコレクションです。 データセットはすべて tf.data.Datasets として公開され、使いやすく高性能な入力パイプラインを実現できます。 開始にあたっては、ガイドとデータセットのリストをご覧ください。 import tensorflow.compat.v2 as tf import tensorflow_datasets as tfds # Construct a tf.data.Dataset ds = tfds.load('mnist', split='train', shuffle_files=True) # Build your input pipeline ds = ds.shuffle(1024).batch(32).pre
TensorFlow Recommendersはいいぞってこと！ - Qiita
はじめに レコメンドシステムにはさまざまなアルゴリズムが存在します。 コンテンツベース 協調フィルタリング Matrix Factorization Factorization Machines ニューラルネットベースモデル 今回は、そのなかでもニューラルネットベースでのレコメンドシステム開発ライブラリ TensorFlow Recommenders の紹介をします。 TensorFlow Recommenders の使い方を公式のクイックスタートを自分の解釈で噛み砕いて説明します。 TensorFlow Recommenders なにしてるの？ レコメンドシステムのタスクとして大きく二つあります。 全商品の中から、ユーザに適している商品を抽出する(Retrieval) 抽出した商品にランキングをすることで並び替える(Ranking) TensorFlow Recommenders ではこ
MNISTをオートエンコーダで再構成 - Qiita
1. はじめに オートエンコーダ(Auto Encoder)をさわる機会があったので、MNISTを再構成できるかテストしてみました。以下のようにテストデータの再構成しました。 目次 1.はじめに 2.オートエンコーダとは 3.実行環境 4.実装コード説明 5.結果 6.オートエンコーダのコード全文 7.参考文献 2. オートエンコーダとは 半教師あり学習とよばれており、エンコーダとデコーダのアーキテクチャをもちます。エンコーダは入力を隠れベクトルに変換し、デコーダは隠れベクトルを入力と同様のデータに変換します。すなわち、学習データの入力と出力を同様の学習機構となっています。実際には特徴量抽出や次元圧縮が目的なので、エンコーダの出力値を応用して使用することが多いです。この隠れベクトルを分類、新たな学習データとして用いたりなどですかね。 アーキテクチャは以下のようなフィードフォワードニューラル
TensorFlow Quantum
Deploy ML on mobile, microcontrollers and other edge devices
Jetson NanoのNode-REDでTensorFlowモデルを利用する際にGPUリソースを使用するメモ (※TensorFlow 2.x, JetPack 4.4/4.5/4.6) - Qiita
Jetson NanoのNode-REDでTensorFlowモデルを利用する際にGPUリソースを使用するメモ (※TensorFlow 2.x, JetPack 4.4/4.5/4.6)node-redTensorFlowTensorFlow.jsJetsonNano はじめに Jetson Nano の Node-RED で TensorFlow モデルを試した際に GPU リソースを使用する手順をまとめておきます。 公式手順では、TensorFlow 1.x, JetPack 4.3を使用する必要がありますが、最新のTensorFlow 2.x, JetPack 4.4/4.5/4.6でも動作することを確認しました。(TensorFlow 2.3.1/2.4.0/2.4.1, JetPack 4.4/4.5/4.6を使用する手順をまとめておきます。) TensorFlow 1.x,
gcp上でTensorFlowをGPU実行 - Qiita
概要 画像系の機械学習のために、gcpでGPU環境を構築し、TensorFlowを実行しました。 今回はその備忘録です。 前提条件 gcpアカウントがあること プロジェクト作成されていること GPU割り当て申請がされていること ※ここは色々面倒だったので後述します。 GPUの割り当て申請 gcpでGPU使用するには初回のみ申請が必要です。 下記2つの申請が必要です。 グローバル GPU 割り当て 使用リージョンのGPUモデルに対する割り当て 自分の場合、 1回目に使用リージョンのGPUモデルに対する割り当て リージョン GPUモデル 2回目にグローバル GPU 割り当て GPUs (all regions) をそれぞれ出しています。 1度の申請でまとめて出すことも可能なようです。 申請方法ですが、既に詳細に説明されてる記事があったので、 そちらを紹介させて頂きます。 Google Clou
M1 Mac、「TensorFlow」の新Mac版でのトレーニングが従来の7倍速
米Appleは11月18日（現地時間）、Macに最適化した「TensorFlow 2.4」のmacOS向けフォークのプレリリース版をGitHubで公開したと発表した。 TensorFlowは米Googleが2015年にオープンソース（Apache License 2.0）で公開した機械学習プラットフォーム。ツール、ライブラリ、コミュニティリソースを備え、Linux、Windows、macOS、Android、iOSをサポートする。 これまでのMac版TensorFlowは、MacでのトレーニングでCPUのみを使っていたが、新バージョンは「ML Compute」を活用することで、CPUだけでなく、GPUも最大限に活用する。これはIntel Macだけでなく、M1搭載の最新モデルでも可能だ。 例えば、M1搭載の13インチMacBook Proでのトレーニングは、ベンチマークで従来の最大7倍高速
RTX-3090/3080＋MINT Linuxでtensorflow 1.15を使う - Qiita
ディープラーニング用にRTX-3090/3080を買ってみたものの、tensorflow 1.xが使えなくなって困っている人はいないでしょうか？ 背景 RTX-3090/3080をLinuxから認識するには、最新ドライバーのnvidia455が必要になります。 nvidia455をインストールすると、自動的にcuda 11.1がインストールされます。 しかし、tensorflow-gpuの1.x系はcuda 11に対応していないので、tensorflow 1.xでGPUが使えなくなってしまいます（tensorflow2.xやpytorchは現時点でnightlyビルドで対応、次リリースで正式対応なので心配ないです）。 解決方法 そんなこともあろうかと！NVidiaがNVidia NGCでDockerコンテナを公開してくれています。 新しいドライバーとcudaに対応したtensorflowを
TensorFlow Probability
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[:,
Tensorflow2.x + JupyterLab Docker環境を作る - Qiita
Abstract 通常、Tensorflowの開発環境はJupyter Notebookですが、最近はJupyter Labがデファクトスタンダードになりつつある感じが個人的にあります。 自分のリマインダーも兼ねて、Docker設定周りをまとめてみます。 （Docker/docker-composeの導入はご自分の環境に合わせて予め導入をお願いします） Results 希望するディレクトリに以下のDockerfileとdocker-compose.ymlを作成します。 Dockerfile # python3をベースにする FROM tensorflow/tensorflow:latest-devel-py3 RUN apt-get update && apt-get install -y \ curl \ git \ tree \ vim # RUN pip install --upgr
[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita
はじめに 時系列データを入力にとり、今の時刻の入力に加えて前の時刻の「状態」も使って出力を決めるニューラルネットワークの形態に RNN (Recurrent Neural Network) があります。LSTM（Long Short-Term Memory, 長・短期記憶）が有名でしょうか。 時系列データとは、動画やテキストといった、列全体として意味を持つようなデータです。普通のニューラルネットワークは画像や文字といった、形式の決まったある1つのデータを入力に取るわけですが、それらが並んだ動画やテキストを扱うときには、個々の画像（フレーム）や文字はもちろん、その並びにも大きな意味がありますね。このようなデータをうまく扱う構造がRNNというわけです。 ただ普通の全結合層などと違って正直とっつきにくいと思います。私もそうです。 というわけで、まずはRNNが何をするものかを理解して、次に前の時刻
![[TensorFlow/Keras] 好きな構造のRNNを組み立てるまでの道のり - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/d55023c27cd50e5b74c4a0f50487cf10ce56e0ce/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-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCVGVuc29yRmxvdyUyRktlcmFzJTVEJTIwJUU1JUE1JUJEJUUzJTgxJThEJUUzJTgxJUFBJUU2JUE3JThCJUU5JTgwJUEwJUUzJTgxJUFFUk5OJUUzJTgyJTkyJUU3JUI1JTg0JUUzJTgxJUJGJUU3JUFCJThCJUUzJTgxJUE2JUUzJTgyJThCJUUzJTgxJUJFJUUzJTgxJUE3JUUzJTgxJUFFJUU5JTgxJTkzJUUzJTgxJUFFJUUzJTgyJThBJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1jNGJiMTc0Njk1ODcxZWJjMzJlMjRmYzY2OTJhNzY5Mw%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBldmVyeWxpdHRsZSZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9ZTdlNGI5ZWVlNGVlYTNhOTRkMzVjMDkyZTViYThlN2I%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D29003779185177b4462b421404cacef8)
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
TensorFlow Hub
TensorFlow.js のデモ
GitHub - arogozhnikov/einops: Flexible and powerful tensor operations for readable and reliable code (for pytorch, jax, TF and others)
I can't install TensorFlow-macos a… | Apple Developer Forums
M1 MacとPoetryでTensorFlow環境構築 - Qiita
IBM Developer
アプリでまなぶNN：Kerasでテンソルフロープレイグラウンドを理解する - Qiita