TensorFlow DevSummitを概観する
1 like370 views
2017年3月18日にGDG京都主催の機械学習勉強会での、TensorFlow DevSummitに関する発表資料です。
![2017.03.18 GDG京都 機械学習勉強会（２）資料
mnist sample in Keras（一番単純なやつ）
# データセットの用意
mnist = datasets.fetch_mldata('MNIST original')
X = mnist.data.astype(float)
X /= 255
y = preprocessing.LabelBinarizer().fit_transform(mnist.target)
# 訓練用とテスト用にデータを分割
train_size = 60000
X_train, X_test = np.split(X, [train_size])
y_train, y_test = np.split(y, [train_size])
model = Sequential()
model.add(Dense(10, input_shape=(784,), init='zero'))
model.add(Activation("softmax"))
# モデルをコンパイル
model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.01))
model.fit(X_train, y_train, nb_epoch=10, batch_size=100)
https://github.com/amacbee/jupyter-notebooks/tree/master/introduction-keras](https://image.slidesharecdn.com/tf-devsummit-170321144614/85/TensorFlow-DevSummit-37-320.jpg)
TensorFlow DevSummitを概観する
- 1. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Tensor Flow DevSummit を概観する おち （GDG京都） 2017.03.18 GDG京都機械学習勉強会（２）資料
- 2. 2017.03.18 GDG京都 機械学習勉強会（２）資料 自己紹介 ?GDG京都 Co-Manager ?GWT使い ?GASにも最近手を出している ?TensorFlowは最初のコードを触ったくら い おち
- 3. 2017.03.18 GDG京都 機械学習勉強会（２）資料 □ February 15th, 2017 ? Mountain View, CA にて開催 □ どうやら12月中旬にアナウンスはあった模様 □ 1月下旬にExtended（ライブビュー）をしないかという話がGDGへ → GDG京都としては開催に動くも 場所の確保の問題やスタッフの都合もあり取りやめ このたび、1か月遅れで関連イベント開催
- 4. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TensorFlow Dev Summitとは Keynoteを含めて19件の発表 全てネットでビデオが見れます https://events.withgoogle.com/tensorflow-dev-summit/
- 5. 2017.03.18 GDG京都 機械学習勉強会（２）資料 本日の発表内容 TensorFlow Devsummit ?Keynote（35分相当） ?TensorFlow High-Level APIs: Models in a Box（15分相当） ?Integrating Keras & TensorFlow: The Keras workflow, expanded（25分相当） ?ML Toolkit（15分相当） 上記３つの内容を一部ミックスして報告します。
- 6. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Tensorflow：機械学習を全ての人に。。 ● 全ての人にオープンソースの 機械学習プラットフォームを ● 速く、柔軟で、実用性がある ● 研究から製品まで使える
- 7. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TensorFlowが出る前は、、、 ● DistBekief：Googleの最初のMLシステム Googleの各サービスで利用 しかし、、、 ● CPU、GPUに制約 ● RNNや強化学習への対応が不十分
- 8. 2017.03.18 GDG京都 機械学習勉強会（２）資料 なぜTensorflowを開発したのか？ 幅を広げる より、研究的、実験的、一般的な利用へ ML for Everyone の意味
- 10. 2017.03.18 GDG京都 機械学習勉強会（２）資料 様々なプラットフォームをサポート 最近のトピック IBM PowerAI distribution対応 Movidius Myriad acceleraror対応 Qualcomm Hexagon DSP対応
- 12. 2017.03.18 GDG京都 機械学習勉強会（２）資料 開発言語も多数サポート ● GCEのVM上でTFを動かす ● CloudMLサービスを利用する
- 13. 2017.03.18 GDG京都 機械学習勉強会（２）資料 開発者にも大人気！ ● Githubスターの数が ダントツで1位 ● Contributorも多い ● StackoverFlowでも話題 ● Slackのチームも多い ちなみに、日本製chainerのスター数は2282でした。
- 14. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TFのバージョンの遷移 ２~３ヶ月に１回は マイナーリリースをしています Feb ‘17 v1.0がリリース！
- 15. 2017.03.18 GDG京都 機械学習勉強会（２）資料 XLA:An Experimental TF Compiler ちょっと理解できなかったのでパス！
- 17. 2017.03.18 GDG京都 機械学習勉強会（２）資料 ● ５８倍速く （64GPUでInception v3を利用した画像認識で） ● High Level API （より使いやすく） ● Stable API （実用性アップ）
- 18. 2017.03.18 GDG京都 機械学習勉強会（２）資料 High-Level APIの概要 ● とりあえずPython上に実装 （今後は他の言語でも） ● Layerによるモデルの用意 ● kerasとの統合 ● Estimator（予測モデル）の用意
- 21. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Layerの特徴 ● Iterationが速い ● Best practice スコープの設定、可変バッチサイズ ● Kerasと互換
- 22. 2017.03.18 GDG京都 機械学習勉強会（２）資料 High-performance broad ML ~ML Toolkit ~ ● Linear/ Logistic 回帰 ● KMeansクラスタリング ● 混合ガウスモデル （GMM） ● SVM ● Random Forest ● Stochastic Dual Coordinate Ascent ● WALS Matrix Factorization（次元削減手法）
- 27. 2017.03.18 GDG京都 機械学習勉強会（２）資料 1.0 Layers （Estimator,Canned Estimators ） 1.1 Layers,Estimator （Canned Estimators ） 1.2 Layers,Estimator,Canned Estimators （More Canned Estimators ）
- 30. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TensorFlow Serving ● gRPCでクライアントと通信 ● MLモデルのアップデート管理 リリースは Feb ’16
- 31. 2017.03.18 GDG京都 機械学習勉強会（２）資料 日本のきゅうり農家の話 Rasbery pi +TensorFlowで きゅうりの診断をする
- 33. 2017.03.18 GDG京都 機械学習勉強会（２）資料 医療画像診断の話（２） ● 皮膚の病変をクラスタリング ● 病変のレベルを診断 ● TensorFlowを利用 ● 90%以上の精度
- 34. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Integrating Keras & TensorFlow
- 35. 2017.03.18 GDG京都 機械学習勉強会（２）資料 What is happening ● Keras互換モジュールが導入 （tf.kerasパッケージ） ● TensorFlowのLayerとKerasのLayerが同一 ● Kerasのモデルが利用できる
- 37. 2017.03.18 GDG京都 機械学習勉強会（２）資料 mnist sample in Keras（一番単純なやつ） # データセットの用意 mnist = datasets.fetch_mldata('MNIST original') X = mnist.data.astype(float) X /= 255 y = preprocessing.LabelBinarizer().fit_transform(mnist.target) # 訓練用とテスト用にデータを分割 train_size = 60000 X_train, X_test = np.split(X, [train_size]) y_train, y_test = np.split(y, [train_size]) model = Sequential() model.add(Dense(10, input_shape=(784,), init='zero')) model.add(Activation("softmax")) # モデルをコンパイル model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.01)) model.fit(X_train, y_train, nb_epoch=10, batch_size=100) https://github.com/amacbee/jupyter-notebooks/tree/master/introduction-keras
- 38. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Kerasユーザにとって何を意味するか？ ● それぞれの機能を簡単に組み合わ せられる ● TensorFlowの持つ機能を利用でき る 分散トレーニングができる Cloud MLが使える ハイパーパラメータのチューニング
- 40. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Video QA 問題 ビデオの女性は何をしている？ → 梱包をしている と応えられるようにするには？ 動画 ＝フレームの集合 スライドの動画 ４０フレーム（１０秒間） １フレームで学習させるのではない フレームの集合として学習させる → 面倒です TF とKerasを利用すれば簡単！
- 42. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TF+Kerasでこうなる 動画は5D （= batch + time + 3D） Inception V3を利用して変換
- 43. 2017.03.18 GDG京都 機械学習勉強会（２）資料 ソースコードはこんな感じ ● KerasのLSTMは優秀 （勝手にチューニングするユニットサ イズぐらい気にすればいい） ● questionは最大100語を想定 ● Embedded Layerでサイズ調整
- 44. 2017.03.18 GDG京都 機械学習勉強会（２）資料 TFのトレーニングの全ての機能を利用できる 分散トレーニング Cloud ML Training Hyperperemeter のチューニング
- 45. 2017.03.18 GDG京都 機械学習勉強会（２）資料 Keras & TensorFlowのまとめ ● TFユーザは、Kerasの高レベルAPIやモデル を簡単に利用できる ● Kerasユーザは TFのパワフルな環境を利用 できる（従来のコードも使える） ● tf.contrib.keras by TF1.1（３月中旬） ● tf.keras by TF1.2