デジタル トランスフォーメーションを加速 お客様がデジタル トランスフォーメーションに乗り出したばかりでも、あるいはすでに進めている場合でも、Google Cloud は困難な課題の解決を支援します。
こんにちは、次世代システム研究室のA.Zです。 現在、関わっている機械学習プロジェクトは開発開始から4年ぐらいに経ちました。当時サービスを立ち上がったときに、機械学習のツールやフレームワークが今のような充実していませんでした。最初に機械学習サービスを立ち上げたときに、ほとんどSparkとBigqueryをメインで、機械学習ワークフローを作成されました。サービスが規模が大きくなり、かつ様々な機能が追加されたため、全体的なシステムが複雑になり、運用やトラブルシューティングが大変になってきました。 この数年間で、機械学習は研究だけではなく、たくさんの企業が実際のサービスに応用しています。その結果、実サービスに大規模な機械学習システムの運用のベストプラクティスやライブラリも増えています。 特に大手企業のGoogleが自分のサービスでも利用されているend-to-end機械学習ライブラリー(Tens
この記事では機械学習パイプラインを本番環境にデプロイするためのエンドツーエンドなプラットフォームの提供を目指す、TFXについて述べます。 TL;DR The TFX User Guide が一番詳しいのでこれを読みましょう。 TFX とは TensorFlow Extended (TFX) は次の3つのうちのいずれかを指します。 機械学習パイプラインの設計思想 設計思想に基づいて機械学習パイプラインを実装するためのフレームワーク フレームワークの各コンポーネントで用いられるライブラリ 以降ではまず、設計思想としての TFX に触れ概略を紹介します。次に、設計思想に基づき、コンポーネントを機械学習パイプラインとしてまとめ上げ、構築を行うライブラリについて紹介します。最後に、各コンポーネントで用いられるライブラリを見ることで、それぞれのライブラリが提供する機能について紹介します。 設計思想とし
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×
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
Intel Movidius(Movidius Neural Compute Stick NCS)とは Intelが出したAIに特化したプロセッサです。これをつければ、Raspberry Piでもサクサクとディープラーニングでの画像認識が動くという優れものです。「欲しいなぁ」と思い悩んでいたら、ディープラーニングおじさんがポイっとくれたので、早速夜中に家でゴソゴソ試してみました。 Movidius Neural Compute Stick - NCS ニューラル ディープラーニング USB スティック 出版社/メーカー: Intelメディア: Personal Computersこの商品を含むブログを見る また、カメラは、Open CVから呼び出しやすいUSBのWebカメラを使います。私が使ったのは、以下ですが多分どの機種でも大丈夫だと思います。 【2012年モデル】ELECOM WEBカ
こんにちは、GMOアドマーケティングのMHです。 実際に機械学習をプロダクトに取り込む場合には大量のデータをどうやって扱うのか、大規模な学習を行うために必要なリソースは、、など考えることが色々と出てきます。 そのため、オンプレミスで大規模な機械学習環境を構築するのは中々ハードルが高いですが、Google Cloud Machine LearningやAmazon Machine Learning、Azure Machine Learning などをクラウド環境を利用することで手軽にスケール可能な機械学習環境を構築することが可能です。 今回は、Google Cloud Machine Learningを使ってクラウド上で機械学習を行ってみたいと思います。 Google Cloud Machine Learningとは データ量に関係なくあらゆるデータの機械学習モデルを簡単に構築できるマネージ
はじめに Unityで強化学習がしたい...と嘆いていたところ,なんとUnity公式が機械学習のライブラリを公開してくれました. Introducing:Unity Machine Learning Agents GitHub:Unity ML Agents 以下,簡単にUnity blogを和訳しました. 私たちは,Unityというゲームエンジンをゲーム制作だけでなく機械学習にも使えるよう取り組んでいます. 開発の第一歩として,Unity Machine Learning Agentsを紹介します. 少し前まではエージェントの行動は人間が手作業でコードを書苦ことで実装するのが普通でしたが, 現在では機械学習を用いることで,学習環境とのインタラクションを通じて振る舞いを学習することができます. 学習において,訓練環境の質は訓練結果に大きな影響を及ぼすため,非常に重要な問題です. 私たちは,
TensorFlow によるニューラルネットワークと scikit-learn の各種分類器について 線形分離ができないデータセットについて決定境界を描画して視覚的に比較してみました。 scikit-learn については代表的な分類器を、TensorFlow については基本的な MLP を活性化関数を変えて試しています。 データセットは以前にも使った sklearn.datasets.make_moons で、データポイント数は 500 ノイズは 0.1 です。 プロットすると以下のような図になります : scikit-learn の分類器 scikit-learn の代表的な分類器をデフォルト・パラメータで順繰りに試してみました : Gaussian NB, K-近傍法, 決定木, Random Forest, 線形 SVM, SVM, Gaussian Process, AdaBoo
オンライン講座のUdacityが提供する自動運転エンジニアコースのTerm1を修了したので,その感想を書こうと思います. Udacityとは UdacityとはCourseraやedX等のオンライン講座MOOCの一つであり,自動運転エンジニアコース,AIコース,フルスタックエンジニアコースなど様々なコースがあります.他のMOOCとの違いは,Coursera等はどちらかといえば知識ベースであるのに対し,Udacityはプロジェクトベースであるという点です.また自動運転コースの講義はMercedes-Benz等からも提供されており,最先端の技術を学ぶことができます. 自動運転エンジニアコースとは Udacityが2016年11月ごろからスタートしたプログラムであり,9ヶ月で自動運転エンジニアになるために必要な技術を身に付けることができるコースとなっています.Term1からTerm3の3つのター
mizti さんの AWS Step FunctionsとLambdaでディープラーニングの訓練を全自動化する を自分の求めるものに従って微修正したものです。 背景 AWS の高性能 GPU マシン、 p2 インスタンスで DeepLearning (TensorFlow) の学習を回したい でも p2 は高い!! スポットインスタンスを使うと安い! しかしスポットインスタンスは実行中に入札額によって強制シャットダウンされる 学習中データを定期的に S3 にアップロードしたい スポットインスタンスを立ち上げて学習開始するのを自動化したい 学習完了時に勝手にインスタンスをシャットダウンしたい 仕様 学習開始の Slack 通知 データ格納先の S3 のチェック bucket は存在するか? 既に学習結果格納ディレクトリが無いか?(上書きしないようチェック) スポットインスタンスへの入札と、結
dot DeepLearning部での発表に使う資料です。 これまでの焼き直しですが、いろいろ分かりやすくなっています。 TensorFlow の概要が分かる資料などが追加されてたりします。
Setting up TensorFlow 0.9 with Python 3.5 on AWS GPU-instance 18 Jun 2016 This guide will show you how to: setup an AWS account on your linux machine launch a gpu-powered ec2 instance (g2.2xlarge) from the command line ssh to the launched instance set up tensorFlow 0.9 In case you know to setup the aws instance, checkout this bash script for installing tensorflow and its dependencies automatically
Jupyter Notebookとは Jupyter NotebookはPythonによるデータ分析処理を対話式で行えるノートブックです。Jupyterのもっともな特徴は、このデータ処理をすべてWebブラウザー上で行える点です。つまり、Webブラウザー上でプログラムを作成し、実行し、結果を同じ画面に記録しながら分析作業を進めることができます。ターミナルやコマンドプロンプトよりも遥かにユーザーインターフェースがよく、いちいち画面の切り替えをする手間も省けます。なお、読み方は「ジュパイターノートブック」もしくは「ジュピターノートブック」のどちらでもよいそうです。 インストール DockerとTensorflowのインストールについては過去に記事を書いているので、ここでは省きます。以下に参考URLを貼り付けておきます。 http://qiita.com/Yuichi801/items/de6d3
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
処理を実行中です
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