Search Results TensorFlow

TensorFlow Recommendersを使用した暗黙のフィードバックからのレコメンダーシステム

「おすすめをすることは実際にはそれほど難しくありません顧客が製品をどのように評価したかを確認し、例えば1から5つ星を使って、それを基に回帰モデルを訓練するだけですねえ…」

GradientTapeを使用したTensorFlowモデルトレーニング

TensorFlowは、深層学習においておそらく最も人気のあるライブラリです私はこれまでにTensorFlowに関する数多くのチュートリアルを書きましたし、今でも継続していますTensorFlowは非常に整理されていて使いやすいパッケージであり、...

「オートエンコーダーメソッドを使用したTensorFlowとKerasにおける異常検知」

これまでに共有してきたTensorFlowとニューラルネットワークに関するすべてのチュートリアルは、教師あり学習についてでしたこのチュートリアルでは、教師なし学習の技術であるAutoencoderについて説明します...

「CassandraとTensorFlowを使用した株式データの予測」

「実際のシナリオを通じて、TensorFlowとApache Cassandra互換のデータベースがどのように動作し、統合されるかを学びます」

「TensorFlowを使用した異常検出のための変分オートエンコーダのトレーニング」

導入生成AIは、リアルワールドの例に非常に似たデータを作成する能力で、近年非常に人気があります。生成AIの中でも、変分オートエンコーダ（VAE）を使用した異常検知は、あまり探求されていないが非常に実用的なアプリケーションです。このガイドでは、TensorFlowを使用して異常検知のための変分オートエンコーダを構築してトレーニングする手法を提供します。このガイドから以下の学習目標があります： VAEを使用して異常検知タスクにどのように活用できるかを学びます。これには、ワンクラスとマルチクラスの異常検知シナリオの両方が含まれます。異常検知の概念とその現実世界での重要性をしっかりと理解します。正常と異常なデータポイントを区別し、異常検知に関連する課題を理解します。エンコーダとデコーダネットワークを含む変分オートエンコーダのアーキテクチャとコンポーネントを探索します。人気のある深層学習フレームワークであるTensorFlowを使用して、VAEモデルを構築およびトレーニングする実践的なスキルを開発します。この記事は、データサイエンスブログマラソンの一環として公開されました。変分オートエンコーダ（VAE）変分オートエンコーダ（VAE）は、生成モデリングと変分推論の要素を組み合わせた洗練されたニューラルネットワークアーキテクチャであり、非教示型の機械学習タスクで複雑なデータ分布を学習する能力で特に注目されています。VAEは、高次元データをコンパクトで連続的な潜在空間に捉え、イメージ生成、異常検知、データ圧縮などのアプリケーションで特に価値があります。 VAEの核となるのは、エンコーダとデコーダの2つの主要なコンポーネントです。これらのコンポーネントは連携して、入力データを潜在空間に変換し、それから再構築された形に戻します。以下にVAEの動作の概要を示します：エンコーダネットワーク：エンコーダは生の入力データを取り、それを低次元の潜在空間内の確率分布にマッピングします。このマッピングは、データの有意義な表現を捉えるために重要です。従来のオートエンコーダとは異なり、VAEは固定されたエンコーディングを生成せず、平均と分散のパラメータで特徴づけられる確率分布を生成します。潜在空間：潜在空間はVAEの魔法が起こる場所です。データポイントは特性に基づいて配置される連続的な低次元の表現です。重要なのは、この空間が通常ガウス分布とされる特定の確率分布に従うことです。これにより、この分布からサンプリングすることで新しいデータサンプルを生成することができます。デコーダネットワーク：デコーダは潜在空間内のポイントを取り、元のデータ空間にマッピングし直します。デコーダは、元の入力データを可能な限り正確に再構築する責任を持ちます。デコーダのアーキテクチャは通常、エンコーダと対称です。再構築損失：トレーニング中、VAEは再構築損失を最小化することを目指し、デコーダが潜在空間表現から元の入力を再作成できるかを評価します。この損失は、VAEがデータから有意義な特徴を学習することを促します。正則化損失：再構築損失に加えて、VAEには正則化損失が含まれており、潜在空間の分布を標準的なガウス分布に近づけます。この正則化は、潜在空間の連続性を強制し、データ生成と補間を容易にします。 VAEを使用した異常検知の理解異常検知の概要：異常検知は、金融における詐欺検知から製造における故障検知まで、さまざまなドメインで重要なタスクです。異常検知では、データセット内の予想されるまたは正常なパターンから大きく逸脱するデータポイントを特定することが求められます。VAEは、生成モデリングを活用することで、この問題に対するユニークなアプローチを提供します。 VAEの役割：変分オートエンコーダは、データを低次元の潜在空間に圧縮するだけでなく、入力分布に似たデータを生成することを学習するオートエンコーダのサブクラスです。異常検知では、VAEがデータを潜在空間にエンコードし、それをデコードします。再構築された出力と元の入力の相違を測定することで、異常を検出します。再構築が入力から大きく逸脱する場合、異常があることを示します。環境のセットアップ TensorFlowと依存関係のインストール: VAEの実装に入る前に、TensorFlowと必要な依存関係がインストールされていることを確認してください。pipを使用してTensorFlowやNumPy、Matplotlibなどのライブラリをインストールし、データの操作や可視化に役立てることができます。…

Google AIは、TPUを使用して流体の流れを計算するための新しいTensorFlowシミュレーションフレームワークを導入しました

流体力学では、数値技術とアルゴリズムを用いて流体の流れと熱伝達の挙動を調べ、解決する問題を計算流体力学（CFD）として知られています。これはさまざまな科学的および産業的な領域で使用されます。さまざまな学術的および産業的な領域で計算流体力学（CFD）が使用されています。エネルギーセクターでは、効率的な風力タービンや発電プラントの設計に、製造業では混合や化学プロセスに、環境科学では海洋学や天気予報に、土木工学では構造解析や洪水モデリングに、建築業界では省エネビルの設計に適用されます。また、航空宇宙および自動車工学においては、空力およびエンジン性能向上に応用されています。計算アルゴリズム、物理モデル構築、データ分析の卓越した進歩により、これらの機能が可能になりました。さらに、高性能コンピューティング（HPC）システムの利用可能性、速度、効率は、複雑な物理プロセスを考慮し、解像度を高めた高忠実度の流れシミュレーションを可能にしました。これらの現象をよりよく理解するために、乱流の研究は環境および工学の流体流れにおいて普遍的です。直接数値シミュレーション（DNS）は、近似や簡略化なしで不安定な三次元流れ場を正確に描写するために有用であり、これらの乱流流れを理解するのに役立ちます。魅力的ではありますが、このようなシミュレーションには、正確にさまざまな地理的スケールで流体流れのパターンを描写するための多くの処理能力が必要です。そこで、研究者たちはTPUで流体流れの計算を可能にするシミュレーション形式を開発しました。研究者たちは、TPUハードウェア設計とTensorFlowソフトウェアの最先端の進歩を活用して、このフレームワークを作り上げました。彼らは、このフレームワークが問題のサイズに適応する効率的なスケーラビリティを示し、ランタイムパフォーマンスを向上させることを強調しました。このフレームワークでは、グラフベースのTensorFlowをプログラミングパラダイムとして使用しています。このフレームワークの正確性とパフォーマンスは、TPUネイティブの単精度浮動小数点演算の影響に特に焦点を当てて、数値的および解析的に研究されています。アルゴリズムと実装は、典型的な2Dおよび3Dのテイラー・グリーン渦のシミュレーションで検証されています。 CFDソルバーの開発を通じて、理想化されたベンチマーク問題が頻繁に利用されてきましたが、その多くはこの研究に取り込まれています。乱流解析のための必要なベンチマークの1つは、均質等方性乱流です（統計的な性質、例えば運動エネルギーなどが座標軸の平行移動や回転に対して不変であるという特徴のある流れ）。研究者たちは、80億のポイントを持つ高解像度のグリッドを適用しました。研究者たちは、乱流流れのシミュレーション能力を調査しました。これを達成するために、2つの特定の構成についてシミュレーションを実施しました：減衰する均質等方性乱流および乱れた平面ジェット。研究者たちは、両方のシミュレーションがベンチマークの解答と強力な統計的合意を示すことを発見しました。研究者たちはまた、2Dおよび3Dのテイラー・グリーン渦流、減衰する均質等方性乱流、乱れた平面ジェットを含む4つの異なるテストシナリオを使用しました。シミュレーション結果は、丸め誤差が解に影響を与えないことを示し、2次精度のレベルであることを示しました。

KerasとTensorFlowでのSiamese Networkの実装

ニューラルネットワークはAI/MLの領域では素晴らしく、非常に人気がありますが、訓練にはあまりにも多くのデータが必要ですオブジェクト検出、署名検証、音声検証、処方箋などのタスクには…

Scikit-Learn vs TensorFlow どちらを選ぶべきですか？

機械学習と人工知能の領域は、モデルの作成と利用を再定義する強力なライブラリによって革命を遂げました。その中には、Scikit-LearnとTensorFlowがあり、それぞれ独自の特徴で広く受け入れられています。データサイエンスと機械学習の使用にもかかわらず、それぞれ異なる目的に対応しています。本記事では、Scikit-LearnとTensorFlowの比較分析について詳しく掘り下げ、それぞれのアプリケーション、利点、制限について調査します。それぞれの特性を検証することで、あなたが具体的な要件に最も適したライブラリを選ぶ際にお手伝いできることを目指しています。 TensorFlow vs Scikit-Learn – 概要詳細に入る前に、Scikit-LearnとTensorFlowを簡単に比較してみましょう：基準 Scikit-Learn TensorFlow 主な焦点伝統的な機械学習アルゴリズムディープラーニングとニューラルネットワークエコシステム包括的だがディープラーニングに特化していないディープラーニングに特化した豊富なエコシステム使いやすさ初心者にも親しみやすく、簡単に始めることができるディープラーニングの性質からより複雑柔軟性あまり柔軟ではなく、従来の機械学習タスクに適している非常に柔軟でカスタマイズ可能使用例小規模からVoAGIサイズのデータセットと伝統的な機械学習問題に適している…

ピクセルを説明的なラベルに変換する：TensorFlowを使ったマルチクラス画像分類のマスタリング

「今日のビジュアル中心のデジタル環境では、画像を正確に分類できる能力がますます重要になっています医療、eコマース、自動運転車など、どの分野においても…」

TensorFlowモデルのハイパーパラメータ調整にKeras Tunerを使用する

TensorFlowは非常に効率的であることができますが、適切なパラメータを見つけるプロセスは非常に疲れるし退屈になることがあります一方、適切なパラメータがなければそれほど素晴らしくはありません私の全ての…

Learn more about Search Results TensorFlow