Content-Length: 286719 | pFad | http://b.hatena.ne.jp/site/www.tensorflow.org/
サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
iPhone 16e
www.tensorflow.org
Deploy ML on mobile, microcontrollers and other edge devices
Image classification 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、tf.keras.Sequential モデルを使用して花の画像を分類し、tf.keras.utils.image_dataset_from_directory を使用してデータを読み込む方法を示します。このチュートリアルでは、次の概念を実際に見ていきます。 ディスク上のデータセットを効率的に読み込みます。 過学習を識別し、データ拡張やドロップアウトなどテクニックを使用して過学習を防ぎます。 このチュートリアルは、基本的な機械学習のワークフローに従います。 データの調査及び理解 入力パイプラインの構築 モデルの構築 モデルの学習 モデルのテスト モデルの改善とプロセスの繰り返し さらに、このノートブックは、保存されたモデルを、モバイルデバイス、
機械学習は初めてですか?ビデオ コースを視聴して、Web テクノロジーを使用した ML の実践的な知識を習得しますシリーズを見る
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
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. � 4��U ��A��U
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。 Linux python3 -m pip install 'tensorflow[and-cuda]' # Verify the installation: pytho
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[:,
TensorFlow Lite for Microcontrollers 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 Lite for Microcontrollers は、メモリが数キロバイトしかないマイクロコントローラなどのデバイス上で機械学習モデルを実行するように設計されています。コアランタイムは Arm Cortex M3 で 16 KB に収まり、さまざまな基本的モデルを実行できます。オペレーティング システムのサポート、標準の C / C++ ライブラリ、動的メモリ割り当ては必要ありません。 マイクロコントローラが重要な理由 マイクロコントローラは通常、小型で低電力のコンピューティング デバイスであり、基本的な計算を必要とするハードウェアに埋め込まれています。小さなマイクロコントローラに機械学習を行わせることで、家電や
!pip install --upgrade tensorflow_hub import tensorflow_hub as hub model = hub.KerasLayer("https://tfhub.dev/google/nnlm-en-dim128/2") embeddings = model(["The rain in Spain.", "falls", "mainly", "In the plain!"]) print(embeddings.shape) #(4,128)
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
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。 Colab で、Python ランタイムに接続します。メニューバーの右上にある CONNECT を選択してください。 ノートブックのコードセルをすべて実行します。Runtime > Run all を選択してください。 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 をアップグレードして TensorFlow 2 をインストールします。詳細は、インストールガイドをご覧ください。 Ten
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。 ノートブックのすべてのコードを実行するには、Runtime > Run all を選択します。コードセルを 1 つずつ実行するには、セルにマウスポインタ―を合わせて Run cell アイコンを選択
/tmpfs/src/tf_docs_env/lib/python3.9/site-packages/keras/src/layers/reshaping/flatten.py:37: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead. super().__init__(**kwargs) WARNING: All log messages before absl::InitializeLog() is called are written to STDERR I0000 00:
import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns # Make NumPy printouts easier to read. np.set_printoptions(precision=3, suppress=True) 2022-08-09 01:44:03.878370: E tensorflow/stream_executor/cuda/cuda_blas.cc:2981] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered 2022-08-09 01:44:0
WARNING: All log messages before absl::InitializeLog() is called are written to STDERR I0000 00:00:1723777894.956816 128784 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:17
このガイドでは、スニーカーやシャツなど、身に着けるものの画像を分類するニューラルネットワークのモデルをトレーニングします。すべての詳細を理解できなくても問題ありません。ここでは、完全な TensorFlow プログラムについて概説し、細かいところはその過程において見ていきます。 このガイドでは、TensorFlowのモデルを構築し訓練するためのハイレベルのAPIである tf.kerasを使用します。 # TensorFlow and tf.keras import tensorflow as tf # Helper libraries import numpy as np import matplotlib.pyplot as plt print(tf.__version__) 2022-12-15 00:31:21.895161: W tensorflow/compiler/xla/st
TensorFlow pip install tensorflow Modules audio module: Public API for tf.audio namespace. autograph module: Conversion of plain Python into TensorFlow graph code. bitwise module: Operations for manipulating the binary representations of integers. compat module: Functions for Python 2 vs. 3 compatibility. config module: Public API for tf.config namespace. data module: tf.data.Dataset API for input
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」
TensorFlow のチュートリアルは、Jupyter ノートブックとして作成されており、セットアップを必要としないホスト型ノートブック環境である Google Colab で直接実行されます。[Google Colab で実行] ボタンをクリックします。 入門者向け まずは、利用しやすい Keras Sequential API の使用をおすすめします。構成要素をつなぎ合わせてモデルを構築します。チュートリアルの後で、Keras ガイドをご覧ください。
TensorFlow を使用すると、あらゆる環境で実行できる ML モデルを簡単に作成できます。 インタラクティブなコードサンプルを使用して、直感的な API の使用方法を学習しましょう。 import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.lay
次のページ
このページを最初にブックマークしてみませんか？
『Home — TensorFlow』の新着エントリーを見る
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
Fetched URL: http://b.hatena.ne.jp/site/www.tensorflow.org/
Alternative Proxies:
Alternative Proxy
pFad Proxy
pFad v3 Proxy
pFad v4 Proxy
