TensorFlow推奨フォーマット「TFRecord」の作成と読み込み方法 | MISO
Googleが開発した機械学習のためのオープンソースソフトウェア、TensorFlow。 TensorFlowで学習するデータをインプットさせる場合、CSVやNumpyなどで用意したデータをそのまま利用することもできますが、TensorFlowが推奨フォーマットとして提供しているTFRecordもあります。 TFRecordは、「メモリに収まらないような大きなデータを処理できるようにしたもので、シンプルなレコード指向のバイナリのフォーマット」ということです。 （参考：TensorFlow Programmer’s Guide – Importing Data – Consuming TFRecord data） 少量のデータで処理する場合は、事前にデータをメモリ上に乗せてしまえばいいですが、ディープラーニングのように大量のデータを扱う場合は、それが出来ないこともあるので、TFRecordを
50歳じじい初心者がGPU搭載windows10のマシンにtnesorflowのGPU版を環境設定するときに苦労したこと（2018/7/31更新） - Qiita
【本当の初心者向け】ニューラルネットとTensorFlow入門のためのオリジナルチュートリアル１ - HELLO CYBERNETICS
はじめに TensorFlowを理解する 計算グラフに対する理解 実践的なTensorFlowの理解 写像とは？ 写像をTensorFlowのコードと合わせて見る プレースホルダーという概念 写像をメモリに乗せる メモリに載せた写像のプレースホルダーに値を与える ニューラルネットのアフィン層設計 数式おさらい コードで見る ニューラルネットの設計 2層のニューラルネットワーク 活性化関数 TensorFlow APIの活性化関数 ニューラルネットの順伝播 TensorFlowの実際 tf.InteractiveSession() 順伝播を試してみる 最後に 今回の記事に関する補足 ニューラルネットを理解するための関連記事 続きの記事 はじめに TensorFlowを本格的に活用し始めて感じていることがいくつかあります。 モジュールが異様に豊富で、どれを使えばいいか分からない プログラミング
Googleの人工知能ライブラリ「TensorFlow」を始めよう（翻訳）
Learn TensorFlow and deep learning, without a Ph.D. | Google Cloud Blog
This 3-hour course (video + slides) offers developers a quick introduction to deep-learning fundamentals, with some TensorFlow thrown into the bargain. ">This 3-hour course (video + slides) offers developers a quick introduction to deep-learning fundamentals, with some TensorFlow thrown into the bargain. Deep learning (aka neural networks) is a popular approach to building machine-learning models
Hello, TensorFlow!
Building and training your first TensorFlow graph from the ground up. The TensorFlow project is bigger than you might realize. The fact that it’s a library for deep learning, and its connection to Google, has helped TensorFlow attract a lot of attention. But beyond the hype, there are unique elements to the project that are worthy of closer inspection: The core library is suited to a broad family
ディープラーニング対応の機械学習ライブラリ「TensorFlow」、分散コンピューティングでスケールアウト可能に。ニューラルネットワークの内容を可視化するツールも公開
ディープラーニング対応の機械学習ライブラリ「TensorFlow」、分散コンピューティングでスケールアウト可能に。ニューラルネットワークの内容を可視化するツールも公開 Googleはディープラーニングに対応した機械学習ライブラリの最新バージョン「TensorFlow 0.8」を公開しました。 これまでTensorFlowは1台のマシンでしか実行できませんでしたが、新バージョンからは分散コンピューティングをサポートし、何百台ものコンピュータを使って並列実行することで学習処理を高速化できるようになりました。 このTensorFlow 0.8を用いて、Inceptionモデルに対応した機会学習を分散コンピューティングで実現するのが「Distributed TensorFlow」です。 分散コンピューティングを用いて100台のGPUを投入することで、学習の速度が56倍向上したとのこと。 また、Te
TensorFlowのコード分割の考え方 - Qiita
import tensorflow as tf input = [ [1., 0., 0.], [0., 1., 0.], [0., 0., 1.] ] winning_hands = [ [0., 1., 0.], [0., 0., 1.], [1., 0., 0.] ] x = tf.placeholder("float", [None, 3]) W = tf.Variable(tf.zeros([3, 3])) b = tf.Variable(tf.zeros([3])) y = tf.nn.softmax(tf.matmul(x, W) + b) y_ = tf.placeholder("float", [None, 3]) cross_entropy = -tf.reduce_sum(y_ * tf.log(y)) train_step = tf.train.GradientDe
1
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
