Loading article…
 TensorFlow ロゴ | |
| 開発者 | Google Brainチーム[1] |
|---|---|
| 初回リリース | 2015年11月9日 |
| リポジトリ | github.com/tensorflow/tensorflow |
| 書かれた | Python、C++、CUDA |
| プラットフォーム | Linux、macOS、Windows、Android、JavaScript [2] |
| タイプ | 機械学習 ライブラリ |
| ライセンス | アパッチ2.0 |
| Webサイト | テンソルフロー |
TensorFlowは、機械学習と人工知能のためのソフトウェアライブラリです。さまざまなタスクに使用できますが、主にニューラルネットワークのトレーニングと推論に使用されます。[3] [4] PyTorchやPaddlePaddleなどと並んで、最も人気のあるディープラーニングフレームワークの1つです。[5] [6] Apache License 2.0に基づいてリリースされた無料のオープンソースソフトウェアです。
これは、 Google Brainチームによって、 Googleの社内研究および生産目的で開発されました。 [7] [8] [9]最初のバージョンは、2015年にApache License 2.0の下でリリースされました。 [1] [10] Googleは、2019年9月に更新バージョンのTensorFlow 2.0をリリースしました。[11]
TensorFlowは、 Python、JavaScript、C++、Javaなど、さまざまなプログラミング言語で使用できるため、[12]多くの分野のさまざまなアプリケーションでの使用が容易になります。
歴史
不信感
2011年から、Google Brainはディープラーニングニューラルネットワークに基づく独自の 機械学習システムとしてDistBeliefを構築しました。その使用は、研究と商用アプリケーションの両方で、さまざまなAlphabet企業で急速に拡大しました。 [13] [14] Googleは、 Jeff Deanを含む複数のコンピューター科学者に、 DistBeliefのコードベースを簡素化およびリファクタリングして、より高速で堅牢なアプリケーショングレードのライブラリを作成し、TensorFlowを開発しました。 [15] 2009年には、 Geoffrey Hinton率いるチームが一般化バックプロパゲーションやその他の改善を実装し、大幅に精度の高いニューラルネットワークを生成できるようになりました。たとえば、音声認識のエラーが25％削減されました。[16]
テンソルフロー
TensorFlowはGoogle Brainの第2世代システムです。バージョン1.0.0は2017年2月11日にリリースされました。[17]リファレンス実装は単一のデバイスで実行されますが、TensorFlowは複数のCPUとGPUで実行できます（グラフィックス処理装置での汎用コンピューティング用のオプションのCUDAおよびSYCL拡張機能を使用）。[18] TensorFlowは、64ビットLinux、macOS、Windows 、およびAndroidやiOSを含むモバイルコンピューティングプラットフォームで利用できます。[要出典]
柔軟なアーキテクチャにより、さまざまなプラットフォーム (CPU、GPU、TPU )、デスクトップからサーバー クラスター、モバイル デバイス、エッジ デバイスまで、コンピューティングを簡単に展開できます。
TensorFlowの計算は、ステートフルな データフロー グラフとして表現されます。TensorFlowという名前は、このようなニューラルネットワークがテンソルと呼ばれる多次元データ配列に対して実行する演算に由来しています。[19] 2016年6月のGoogle I/Oカンファレンスで、ジェフ・ディーンは、GitHub上の1,500のリポジトリがTensorFlowに言及しており、そのうちGoogleのものは5つだけであると述べました。[20]
2018年3月、GoogleはJavaScriptでの機械学習用TensorFlow.jsバージョン1.0を発表しました。[21]
2019年1月、GoogleはTensorFlow 2.0を発表しました。[22] 2019年9月に正式に利用可能になりました。[11]
2019年5月、Googleはコンピュータグラフィックスにおけるディープラーニング用のTensorFlow Graphicsを発表しました。[23]
テンソル処理ユニット (TPU)
2016年5月、GoogleはTensorFlow向けに特別に構築された、機械学習専用に設計された特定用途向け集積回路（ASIC、ハードウェアチップ）であるTensor Processing Unit（TPU）を発表しました。TPUは、低精度演算（例：8ビット）の高スループットを提供するように設計されたプログラム可能なAIアクセラレータであり、モデルのトレーニングではなく、モデルの使用または実行に重点を置いています。Googleは、1年以上にわたってデータセンター内でTPUを運用しており、機械学習のワットあたりのパフォーマンスが桁違いに最適化されたことを発見したと発表しました。[24]
2017年5月、Googleは第2世代のTPUと、Google Compute EngineでのTPUの提供を発表しました。[25]第2世代TPUは最大180テラフロップスのパフォーマンスを提供し、64個のTPUのクラスターに編成すると最大11.5ペタフロップスを提供します。[要出典]
2018年5月、Googleは最大420テラフロップスのパフォーマンスと128GBの高帯域幅メモリ（HBM）を提供する第3世代TPUを発表しました。Cloud TPU v3 Podは100ペタフロップス以上のパフォーマンスと32TBのHBMを提供します。 [26]
2018年2月、GoogleはGoogle Cloud PlatformでTPUをベータ版として提供すると発表しました。[27]
エッジTPU
2018年7月、Edge TPUが発表されました。Edge TPUは、エッジコンピューティングと呼ばれるスマートフォン[28]などの小型クライアントコンピューティングデバイス上でTensorFlow Lite機械学習（ML）モデルを実行するために設計されたGoogleの専用ASICチップです。
テンソルフローライト
2017年5月、Googleはモバイル開発専用のソフトウェアスタックであるTensorFlow Liteを発表しました。[29] 2019年1月、TensorFlowチームは、AndroidデバイスではOpenGL ES 3.1 Compute Shaders、iOSデバイスではMetal Compute Shadersを搭載したモバイルGPU推論エンジンの開発者プレビューをリリースしました。[30] 2019年5月、GoogleはTensorFlow Lite Micro（マイクロコントローラ向けTensorFlow Liteとも呼ばれる）とARMのuTensorを統合することを発表しました。[31]
テンソルフロー2.0
研究論文におけるTensorFlowのシェアがPyTorchに有利に傾きつつあったため、[32] TensorFlowチームは2019年9月にライブラリの新しいメジャーバージョンのリリースを発表しました。TensorFlow 2.0では多くの変更が導入されましたが、最も重要なのはTensorFlow Eagerで、自動微分化スキームが静的計算グラフから、もともとChainer 、後にPyTorchによって普及した「Define-by-Run」スキームに変更されました。[32]その他の主要な変更には、古いライブラリの削除、異なるバージョンのTensorFlowでトレーニングされたモデル間の相互互換性、GPUでのパフォーマンスの大幅な改善が含まれます。[33]
特徴
自動微分化
自動微分化は、モデルのパラメータごとにモデルの勾配ベクトルを自動的に計算するプロセスです。この機能により、TensorFlowはモデル内のパラメータの勾配を自動的に計算できます。これは、パフォーマンスを最適化するために勾配を必要とするバックプロパゲーションなどのアルゴリズムに役立ちます。[34]これを行うには、フレームワークはモデル内の入力テンソルに対して行われた操作の順序を追跡し、適切なパラメータに関する勾配を計算する必要があります。[34]
熱心な実行
TensorFlowには「熱心な実行」モードが含まれています。これは、演算が計算グラフに追加されて後で実行されるのではなく、すぐに評価されることを意味します。[35]熱心な実行コードは、計算グラフの後ではなくコードの各行でデータが拡張されるため、デバッガーを使用してステップごとに調べることができます。[35]この実行パラダイムは、ステップごとの透明性のため、デバッグが容易であると考えられています。[35]
配布する
TensorFlowは、Eager実行とグラフ実行の両方において、さまざまな分散戦略を使用して複数のデバイスに計算を分散するためのAPIを提供します。[36]この分散コンピューティングは、 TensorFlowモデルのトレーニングと評価の実行を高速化できることが多く、AI分野では一般的な方法です。[36] [37]
損失
TensorFlowは、モデルのトレーニングと評価のために、損失関数（コスト関数とも呼ばれる）のセットを提供します。[38]一般的な例としては、平均二乗誤差（MSE）やバイナリクロスエントロピー（BCE）などがあります。[38]
メトリクス
機械学習モデルのパフォーマンスを評価するために、TensorFlowは一般的に使用されるメトリクスへのAPIアクセスを提供します。例としては、さまざまな精度メトリクス（バイナリ、カテゴリ、スパースカテゴリ）や、適合率、再現率、積和集合（IoU）などのメトリクスがあります。[39]
TF.nn
TensorFlow.nnは、モデルに対して基本的なニューラルネットワーク操作を実行するためのモジュールです。 [40]これらの操作には、畳み込みのバリエーション（1/2/3D、Atrous、深さ方向）、活性化関数（Softmax、RELU、GELU、Sigmoidなど）とそのバリエーション、その他の操作（max-pooling、bias-addなど）が含まれます。[40]
オプティマイザー
TensorFlowは、 ADAM、ADAGRAD、確率的勾配降下法（SGD）など、ニューラルネットワークのトレーニング用の一連の最適化ツールを提供しています。 [41]モデルをトレーニングする際、異なる最適化ツールは異なるパラメータ調整モードを提供し、モデルの収束とパフォーマンスに影響を与えることがよくあります。[42]
使用方法と拡張機能
テンソルフロー
TensorFlowは機械学習のコアプラットフォームおよびライブラリとして機能します。TensorFlowのAPIはKerasを使用して、ユーザーが独自の機械学習モデルを作成できるようにします。[33] [43]モデルの構築とトレーニングに加えて、TensorFlowはモデルをトレーニングするためのデータの読み込みと、TensorFlow Servingを使用したデプロイにも役立ちます。[44]
TensorFlowは安定したPython アプリケーションプログラムインターフェース（API）[45]と、 Javascript [46] 、C++ [47]、Java [48]用の後方互換性保証のないAPIを提供します。[12] C# [49] [ 50] Haskell [51] Julia [ 52 ] MATLAB [53] Object Pascal [ 54] R [ 55] Scala [56] Rust [ 57] OCaml [58] Crystal [59]用のサードパーティ言語バインディングパッケージも利用できます。現在アーカイブされサポートされていないバインディングには、Go [60]とSwift [61]があります。
テンソルフロー
TensorFlowにはJavaScriptの機械学習用ライブラリもあります。提供されているJavaScript APIを使用することで、TensorFlow.jsでは、Tensorflow.jsモデルまたはTensorFlowやTFLiteから変換されたモデルを使用し、指定されたモデルを再トレーニングしてWeb上で実行することができます。[44] [62]
TFLite
TensorFlow Liteには、モバイルアプリや組み込みデバイスでTensorFlowモデルを生成して展開するためのAPIがあります。[63]これらのモデルは、より効率的で小容量のデバイスでも高いパフォーマンスを発揮できるように圧縮および最適化されています。[64]
TensorFlow Liteは、標準のTensorFlowモデルで使用されるプロトコルバッファ形式を避け、ネットワークモデルのデータシリアル化形式としてFlatBuffersを使用します。 [64]
テフクス
TensorFlow Extended（略称TFX）は、エンドツーエンドの生産に必要なすべての操作を実行するための多数のコンポーネントを提供します。[65]コンポーネントには、データの読み込み、検証、変換、機械学習モデルの調整、トレーニング、評価、モデル自体の生産へのプッシュが含まれます。[44] [65]
統合
ナンピー
Numpyは最も人気のあるPythonデータライブラリの1つであり、TensorFlowはそのデータ構造との統合と互換性を提供しています。[66]ライブラリのネイティブデータ型であるNumpy NDarrayは、TF操作で自動的にTensorFlow Tensorに変換されます。逆も同様です。[66]これにより、ユーザーが明示的なデータ変換を記述する必要なく、2つのライブラリが連携して動作できるようになります。さらに、TF Tensorが可能な限りNumpy NDarrayの基礎となるメモリ表現を共有することで、統合はメモリの最適化にも拡張されます。[66]
拡張機能
TensorFlowは、使用されるモデルや手法を進化させ、拡張するためのさまざまなライブラリや拡張機能も提供しています。 [67]たとえば、TensorFlow RecommendersとTensorFlow Graphicsは、推奨システムとグラフィックスのそれぞれの機能のためのライブラリであり、TensorFlow Federatedは分散データ用のフレームワークを提供し、TensorFlow Cloudを使用すると、ユーザーはGoogle Cloudと直接対話して、ローカルコードをGoogle Cloudに統合できます。 [68]その他のアドオン、ライブラリ、フレームワークには、TensorFlow Model Optimization、TensorFlow Probability、TensorFlow Quantum、TensorFlow Decision Forestsなどがあります。[67] [68]
Google コラボ
Googleはまた、セットアップを必要としないTensorFlow Jupyterノートブック環境であるColaboratoryもリリースした。[69]これはGoogle Cloud上で実行され、ユーザーはGPUに無料でアクセスでき、 Google Driveにノートブックを保存して共有できる。[70]
Google ジャックス
Google JAXは数値関数を変換するための機械学習フレームワークです。 [71] [72] [73]これは、 autograd（関数の微分による勾配関数の自動取得）の修正版とTensorFlowのXLA（Accelerated Linear Algebra）を組み合わせたものと説明されています。NumPyの構造とワークフローに可能な限り忠実に従うように設計されており、TensorFlowだけでなくPyTorchなどの他のフレームワークでも動作します。JAXの主な機能は次のとおりです。[71]
- grad: 自動微分
- jit: コンパイル
- vmap: 自動ベクトル化
- pmap: SPMDプログラミング
アプリケーション
医学
GEヘルスケアはTensorFlowを使用して、 MRIで特定の身体部位を識別する速度と精度を向上させました。 [74] GoogleはTensorFlowを使用して、ユーザーが皮膚の写真を撮って潜在的な健康上の合併症を特定できる無料のモバイルアプリケーションDermAssistを作成しました。[75 ] Sinovation VenturesはTensorFlowを使用して、光干渉断層撮影（OCT）スキャンから眼疾患を特定および分類しました。 [75]
ソーシャルメディア
TwitterはTensorFlowを実装し、特定のユーザーにとっての重要度でツイートをランク付けし、このランク順にツイートを表示するようにプラットフォームを変更しました。[76]以前は、ツイートは単に逆時系列で表示されていました。[76]写真共有アプリVSCOは、写真のカスタムフィルターを提案するためにTensorFlowを使用しました。[75]
検索エンジン
Googleは2015年10月26日にTensorFlowをベースにしたRankBrainを正式にリリースした。 [77]
教育
仮想学習プラットフォームのInSpaceは、TensorFlowを使用して教室内の有害なチャットメッセージをフィルタリングしました。[78]オンライン英語学習プラットフォームのLiulishuoは、TensorFlowを使用して各生徒に適応したカリキュラムを作成しました。[79] TensorFlowは、生徒の現在の能力を正確に評価するために使用され、その能力に基づいて将来表示する最適なコンテンツを決定するのにも役立ちました。[79]
小売り
電子商取引プラットフォームのCarousellは、顧客にパーソナライズされた推奨事項を提供するためにTensorFlowを使用しました。[75]化粧品会社ModiFaceは、顧客が自分の顔にさまざまな色合いのメイクを試すことができる拡張現実体験を作成するためにTensorFlowを使用しました。[80]
2016 年のオリジナルの写真 (左) と TensorFlowニューラル スタイルを適用した写真 (右)の比較
研究
TensorFlowは自動画像キャプション作成ソフトウェアDeepDreamの基盤となっている。[81]
参照
.svg/500px-Free_and_open-source_software_logo_(2009).svg.png){kind=logo}
参考文献
- ^ ab "Credits". TensorFlow.org . 2015年11月17日時点のオリジナルよりアーカイブ。2015年11月10日閲覧。
- ^ “TensorFlow.js”. 2018年5月6日時点のオリジナルよりアーカイブ。2018年6月28日閲覧。
- ^ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: 大規模機械学習のためのシステム(PDF) . Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI '16). arXiv : 1605.08695 . 2020年12月12日時点のオリジナルよりアーカイブ(PDF) 。2020年10月26日閲覧。
- ^ TensorFlow: オープンソースの機械学習。Google。2015年。2021年11月11日時点のオリジナルよりアーカイブ。「これは、さまざまな知覚および言語理解タスクに使用されている機械学習ソフトウェアです」 – ジェフリー・ディーン、YouTube クリップの 0:47 / 2:17 分
- ^ 「トップ 30 オープンソース プロジェクト」。CNCFによるオープンソース プロジェクト ベロシティ。2023年10 月 12 日閲覧。
- ^ 「PaddlePaddle GitHub へようこそ」。PaddlePaddle公式 Github リポジトリ。2024年10 月 28 日閲覧。
- ^ TensorFlow 2015 に関する Google のビデオ クリップ、0:15/2:17 分
- ^ TensorFlow 2015 に関する Google のビデオ クリップ、0:26/2:17 分
- ^ ディーン他 2015、p.2
- ^ Metz, Cade (2015 年 11 月 9 日). 「Google が人工知能エンジン TensorFlow をオープンソース化」. Wired . 2015 年 11 月 9 日時点のオリジナルよりアーカイブ。2015 年11 月 10 日閲覧。
- ^ ab TensorFlow (2019年9月30日). 「TensorFlow 2.0 が利用可能になりました！」. Medium . 2019年10月7日時点のオリジナルよりアーカイブ。2019年11月24日閲覧。
- ^ ab “API Documentation”。2015年11月16日時点のオリジナルよりアーカイブ。2018年6月27日閲覧。、
- ^ Dean, Jeff ; Monga, Rajat; et al. (2015 年 11 月 9 日). 「TensorFlow: 異種システムでの大規模機械学習」(PDF) . TensorFlow.org . Google Research. 2015 年 11 月 20 日時点のオリジナルよりアーカイブ(PDF) . 2015 年11 月 10 日閲覧。
- ^ Perez, Sarah (2015 年 11 月 9 日). 「Google が Google フォト検索、スマート返信などの背後にある機械学習技術をオープンソース化」. TechCrunch . 2015 年 11 月 9 日時点のオリジナルよりアーカイブ。2015 年11 月 11 日閲覧。
- ^ Oremus, Will (2015 年 11 月 9 日)。「TensorFlow とは何か、そして Google がこれほど注目している理由は何か?」Slate。2015年 11 月 10 日時点のオリジナルよりアーカイブ。2015 年11 月 11 日閲覧。
- ^ Ward-Bailey, Jeff (2015年11月25日). 「Google会長：人工知能で『本当の進歩』を遂げている」CSMonitor。2015年9月16日時点のオリジナルよりアーカイブ。 2015年11月25日閲覧。
- ^ TensorFlow Developers (2022). 「Tensorflow Release 1.0.0」。GitHub。doi :10.5281/zenodo.4724125。2021年2月27日時点のオリジナルよりアーカイブ。 2017年7月24日閲覧。
- ^ Metz, Cade (2015 年 11 月 10 日)。「TensorFlow、Google のオープンソース AI、急速に変化するハードウェアの世界を示す」。Wired。2015年11 月 11 日時点のオリジナルよりアーカイブ。2015 年11 月 11 日閲覧。
- ^ “テンソル入門”. tensorflow.org. 2024年5月26日時点のオリジナルよりアーカイブ。2024年3月3日閲覧。
- ^ 機械学習: Google I/O 2016 Minute 07:30/44:44 。2016年12月21日アーカイブ、Wayback Machine。2016年6月5日閲覧。
- ^ TensorFlow (2018年3月30日). 「TensorFlow.jsの紹介: Javascriptでの機械学習」. Medium . 2018年3月30日時点のオリジナルよりアーカイブ。2019年5月24日閲覧。
- ^ TensorFlow (2019 年 1 月 14 日)。「TensorFlow 2.0 で何が実現するか」。Medium。2019年 1 月 14 日時点のオリジナルよりアーカイブ。2019年5 月 24 日閲覧。
- ^ TensorFlow (2019 年 5 月 9 日). 「TensorFlow Graphics の紹介: コンピューター グラフィックスとディープラーニングの融合」. Medium . 2019 年 5 月 9 日時点のオリジナルよりアーカイブ。2019 年5 月 24 日閲覧。
- ^ Jouppi, Norm . 「Google が TPU カスタム チップで機械学習タスクを強化」. Google Cloud Platform ブログ. 2016 年 5 月 18 日時点のオリジナルよりアーカイブ。2016年5 月 19 日閲覧。
- ^ 「新しい Google Cloud TPU で機械学習モデルを構築およびトレーニング」。Google 。2017年 5 月 17 日。2017 年 5 月 17 日時点のオリジナルよりアーカイブ。2017年5 月 18 日閲覧。
- ^ 「Cloud TPU」。Google Cloud。2017年5月17日時点のオリジナルよりアーカイブ。2019年5月24日閲覧。
- ^ 「Cloud TPU 機械学習アクセラレータがベータ版で利用可能に」。Google Cloud Platform ブログ。2018 年 2 月 12 日時点のオリジナルよりアーカイブ。2018 年2 月 12 日閲覧。
- ^ Kundu、Kishalaya（2018年7月26日）。「Google、Cloud Next 2018でEdge TPUとCloud IoT Edgeを発表」。Beebom。2024年5月26日時点のオリジナルよりアーカイブ。 2019年2月2日閲覧。
- ^ 「Google の新しい機械学習フレームワークにより、スマートフォンにさらに多くの AI が搭載される」。2017 年 5 月 17 日。2017 年 5 月 17 日時点のオリジナルよりアーカイブ。2017年5 月 19 日閲覧。
- ^ TensorFlow (2019 年 1 月 16 日). 「TensorFlow Lite がモバイル GPU でさらに高速化 (開発者プレビュー)」. Medium . 2019 年 1 月 16 日時点のオリジナルよりアーカイブ。2019 年5 月 24 日閲覧。
- ^ “uTensor and Tensor Flow Announcement | Mbed”. os.mbed.com . 2019年5月9日時点のオリジナルよりアーカイブ。2019年5月24日閲覧。
- ^ ab He, Horace (2019年10月10日). 「2019年の機械学習フレームワークの現状」. The Gradient. 2019年10月10日時点のオリジナルよりアーカイブ。2020年5月22日閲覧。
- ^ ab Ciaramella, Alberto ; Ciaramella, Marco (2024年7月)。人工知能入門: データ分析から生成AIまで。Intellisemantic Editions。ISBN 9788894787603。
- ^ ab 「勾配と自動微分化の紹介」。TensorFlow 。 2021年10月28日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ abc 「Eager 実行 | TensorFlow Core」。TensorFlow 。 2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab “Module: tf.distribute | TensorFlow Core v2.6.1”. TensorFlow . 2024年5月26日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ Sigeru., Omatu (2014). 分散コンピューティングと人工知能、第11回国際会議。Springer International Publishing。ISBN 978-3-319-07593-8. OCLC 980886715. 2024年5月26日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab “Module: tf.losses | TensorFlow Core v2.6.1”. TensorFlow . 2021年10月27日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ “Module: tf.metrics | TensorFlow Core v2.6.1”. TensorFlow . 2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab “Module: tf.nn | TensorFlow Core v2.7.0”. TensorFlow . 2024年5月26日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ “Module: tf.optimizers | TensorFlow Core v2.7.0”. TensorFlow . 2021年10月30日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ Dogo, EM; Afolabi, OJ; Nwulu, NI; Twala, B.; Aigbavboa, CO (2018 年 12 月)。「畳み込みニューラル ネットワークにおける勾配降下法に基づく最適化アルゴリズムの比較分析」。2018国際計算技術、エレクトロニクス、機械システム会議 (CTEMS)。pp. 92–99。doi :10.1109/ CTEMS.2018.8769211。ISBN 978-1-5386-7709-4. S2CID 198931032. 2024年5月26日時点のオリジナルよりアーカイブ。2023年7月25日閲覧。
- ^ “TensorFlow Core | 初心者と専門家のための機械学習”. TensorFlow . 2023年1月20日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ abc 「 TensorFlow入門」。TensorFlow 。2023年1月20日時点のオリジナルよりアーカイブ。2021年10月28日閲覧。
- ^ 「TensorFlow 2 のすべてのシンボル | TensorFlow Core v2.7.0」。TensorFlow。2021年11月6日時点のオリジナルよりアーカイブ。 2021年11月6日閲覧。
- ^ “TensorFlow.js”. js.tensorflow.org . 2024年5月26日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ 「TensorFlow C++ API リファレンス | TensorFlow Core v2.7.0」。TensorFlow 。 2023年1月20日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ “org.tensorflow | Java”. TensorFlow . 2021年11月6日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ Icaza, Miguel de (2018 年 2 月 17 日). 「TensorFlowSharp: .NET 言語用の TensorFlow API」. GitHub . 2017 年 7 月 24 日時点のオリジナルよりアーカイブ。 2018 年2 月 18 日閲覧。
- ^ Chen, Haiping (2018 年 12 月 11 日)。「TensorFlow.NET: TensorFlow の .NET Standard バインディング」。GitHub。2019年 7 月 12 日時点のオリジナルよりアーカイブ。2018年12 月 11 日閲覧。
- ^ 「haskell: TensorFlow の Haskell バインディング」。tensorflow。2018 年 2 月 17 日。2017 年 7 月 24 日時点のオリジナルよりアーカイブ。2018年2 月 18 日閲覧。
- ^ Malmaud, Jon (2019 年 8 月 12 日)。「TensorFlow 用の Julia ラッパー」。GitHub。2017年 7 月 24 日のオリジナルからアーカイブ。2019年8 月 14 日取得
。sin、* (行列乗算)、.* (要素ごとの乗算) などの演算 [..]。tf.matmul のような特殊な名前空間関数の学習が必要な Python と比較してください。
- ^ 「TensorFlow Core 用の MATLAB ラッパー」。GitHub。2019年 11 月 3 日。2020 年 9 月 14 日時点のオリジナルよりアーカイブ。2020年2 月 13 日閲覧。
- ^ “Use TensorFlow from Pascal (FreePascal, Lazarus, etc.)” GitHub . 2023年1月19日。2023年1月20日時点のオリジナルよりアーカイブ。 2023年1月20日閲覧。
- ^ 「tensorflow: TensorFlow for R」。RStudio。2018年2月17日。2017年1月4日時点のオリジナルよりアーカイブ。 2018年2月18日閲覧。
- ^ Platanios, Anthony (2018 年 2 月 17 日). 「tensorflow_scala: Scala プログラミング言語用の TensorFlow API」. GitHub . 2019 年 2 月 18 日時点のオリジナルよりアーカイブ。2018 年2 月 18 日閲覧。
- ^ 「rust: TensorFlow 用の Rust 言語バインディング」。tensorflow。2018 年 2 月 17 日。2017 年 7 月 24 日時点のオリジナルよりアーカイブ。2018年2 月 18 日閲覧。
- ^ Mazare, Laurent (2018 年 2 月 16 日). 「tensorflow-ocaml: OCaml バインディング for TensorFlow」. GitHub . 2018 年 6 月 11 日時点のオリジナルよりアーカイブ。 2018 年2 月 18 日閲覧。
- ^ "fazibear/tensorflow.cr". GitHub . 2018年6月27日時点のオリジナルよりアーカイブ。2018年10月10日閲覧。
- ^ “tensorflow package - github.com/tensorflow/tensorflow/tensorflow/go - pkg.go.dev”. pkg.go.dev . 2021年11月6日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ “Swift for TensorFlow (アーカイブモード)”。TensorFlow . 2021年11月6日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ “TensorFlow.js | JavaScript 開発者のための機械学習”. TensorFlow . 2021年11月4日時点のオリジナルよりアーカイブ。2021年10月28日閲覧。
- ^ “TensorFlow Lite | モバイルおよびエッジデバイス向けML”. TensorFlow . 2021年11月4日時点のオリジナルよりアーカイブ。2021年11月1日閲覧。
- ^ ab “TensorFlow Lite”. TensorFlow . 2021年11月2日時点のオリジナルよりアーカイブ。2021年11月1日閲覧。
- ^ ab “TensorFlow Extended (TFX) | ML Production Pipelines”. TensorFlow . 2021年11月4日時点のオリジナルよりアーカイブ。 2021年11月2日閲覧。
- ^ abc 「カスタマイズの基本: テンソルと演算 | TensorFlow Core」。TensorFlow。2021年11月6日時点のオリジナルよりアーカイブ。 2021年11月6日閲覧。
- ^ ab “ガイド | TensorFlow Core”. TensorFlow . 2019年7月17日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab “ライブラリと拡張機能”. TensorFlow . 2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ “Colaboratory – Google”. research.google.com . 2017年10月24日時点のオリジナルよりアーカイブ。2018年11月10日閲覧。
- ^ “Google Colaboratory”. colab.research.google.com . 2021年2月3日時点のオリジナルよりアーカイブ。2021年11月6日閲覧。
- ^ ab Bradbury, James; Frostig, Roy; Hawkins, Peter; Johnson, Matthew James; Leary, Chris; MacLaurin, Dougal; Necula, George; Paszke, Adam; Vanderplas, Jake; Wanderman-Milne, Skye; Zhang, Qiao (2022年6月18日)、「JAX: Autograd and XLA」、Astrophysics Source Code Library、Google、Bibcode :2021ascl.soft11002B、2022年6月18日時点のオリジナルよりアーカイブ、 2022年6月18日取得
- ^ 「JAXを使用して研究を加速する」www.deepmind.com。 2022年6月18日時点のオリジナルよりアーカイブ。 2022年6月18日閲覧。
- ^ 「なぜ Google の JAX はこんなに人気があるのか?」Analytics India Magazine . 2022 年 4 月 25 日。2022 年 6 月 18 日時点のオリジナルよりアーカイブ。2022年6 月 18 日閲覧。
- ^ “MRI向けディープラーニングを使用したインテリジェントスキャン”。2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ abcd 「ケーススタディと言及」。TensorFlow 。 2021年10月26日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab 「TensorFlow によるツイートのランキング」。2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ Davies, Dave (2020年9月2日). 「Google RankBrainアルゴリズムの完全ガイド」. Search Engine Journal . 2021年11月6日時点のオリジナルよりアーカイブ。 2024年10月15日閲覧。
- ^ 「InSpace: チャットの毒性フィルターに TensorFlow.js を使用する新しいビデオ会議プラットフォーム」。2021年11月4日時点のオリジナルよりアーカイブ。2021年11月4日閲覧。
- ^ ab シューリン。 「TensorFlow に基づく流利说の自己应系实実践」。Weixin公式アカウントプラットフォーム。 2021年11月6日のオリジナルからアーカイブ。2021 年11 月 4 日に取得。
- ^ “Modiface がブラウザでの AR メイクアップ試着に TensorFlow.js をどのように活用したか”. 2021 年 11 月 4 日時点のオリジナルよりアーカイブ。2021 年11 月 4 日閲覧。
- ^ Byrne, Michael (2015年11月11日). 「Googleが機械学習ライブラリ全体をオープンソースソフトウェアとして提供」. Vice . 2021年1月25日時点のオリジナルよりアーカイブ。2015年11月11日閲覧。
さらに読む
- モロニー、ローレンス（2020年10月1日）。コーダのためのAIと機械学習（第1版）。オライリーメディア。365ページ。ISBN 9781492078197. 2021年6月7日時点のオリジナルよりアーカイブ。2020年12月21日閲覧。
- ジェロン、オーレリアン（2019年10月15日）。『Scikit-Learn、Keras、TensorFlowによる実践機械学習（第2版）』O'Reilly Media。p.856。ISBN 9781492032632. 2021年5月1日時点のオリジナルよりアーカイブ。2019年11月25日閲覧。
- Ramsundar, Bharath、Zadeh, Reza Bosagh (2018 年 3 月 23 日)。TensorFlow for Deep Learning (第 1 版)。O'Reilly Media。p . 256。ISBN 9781491980446. 2021年6月7日時点のオリジナルよりアーカイブ。2019年11月25日閲覧。
- Hope, Tom; Resheff, Yehezkel S.; Lieder, Itay (2017 年 8 月 27 日)。『TensorFlow を学ぶ: ディープラーニング システム構築ガイド』(第 1 版)。O'Reilly Media。p . 242。ISBN 9781491978504. 2021年3月8日時点のオリジナルよりアーカイブ。2019年11月25日閲覧。
- Shukla, Nishant (2018 年 2 月 12 日)。TensorFlowによる機械学習(第 1 版)。Manning Publications。p . 272。ISBN 9781617293870。
外部リンク
- 公式サイト
- TensorFlow.js を学ぶ本 (英語)