TensorBoard を使う 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。 機械学習では、何かを改善するには、それを測定できる必要があります。TensorBoard は機械学習ワークフローの際に必要な測定値と視覚化を提供するツールです。損失や精度などの実験メトリックのトラッキング、モデルグラフの視覚化、低次元空間への埋め込みの投影など、さまざまなことを行えます。 このクイックスタートでは、TensorBoard を素早く使用し始める方法を示します。このウェブサイトの他のガイドでは、ここには含まれていない具体的な機能について、より詳しく説明します。 # Load the TensorBoard notebook extension %load_ext tensorboard import tensorflow as tf import datetime
TensorBoard で画像データを表示する 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。 概要 TensorFlow Image Summary API を使用すると、テンソルと任意の画像のログと TensorBoard での表示を簡単に行えるようになります。入力データをサンプリングして調べる場合や、レイヤーの重みや生成されたテンソルを視覚化する場合に非常に有用です。また、診断データを画像としてログすることもできるため、モデル開発時に役立ちます。 このチュートリアルでは、Image Summary API を使用してテンソルを画像として視覚化する方法を学習します。また、任意の画像からテンソルに変換し、それを TensorBoard で視覚化する方法も学習します。モデルのパフォーマンスを理解しやすいように、Image Summary を使用する単純な実
フィードバックを送信 Vertex AI TensorBoard の概要 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。 Vertex AI TensorBoard は、オープンソース TensorBoard（TB）のエンタープライズ対応のマネージド バージョンです。これは、機械学習テストを可視化するための Google オープンソース プロジェクトです。 Vertex AI TensorBoard を使用すると、ML テストの追跡、可視化、比較を行い、これらの情報をチームと共有できます。 Vertex AI TensorBoard には、次のようなさまざまな可視化機能があります。 時間経過に伴う損失や精度などの指標の追跡と可視化 モデル計算グラフ（演算とレイヤ）の可視化 重み、バイアス、その他のテンソルの時間経過に伴う変化のヒストグラムの表示 下位次元空
フィードバックを送信 テスト実行にデータを自動的に記録する 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。 自動ロギングは、モデル トレーニングの実行から Vertex AI Experiments に自動的にパラメータと指標をロギングする、Vertex AI SDK の機能です。このデータを手動でロギングする必要がなくなるため、時間と労力を節約できます。現在、自動ロギングはパラメータと指標の記録のみをサポートしています。 データの自動ログ Vertex AI Experiments にデータを自動ロギングする方法は 2 つあります。 Vertex AI SDK によって自動的に ExperimentRun リソースが作成されるようにする。 自動ロギングされたパラメータと指標を書き込む ExperimentRun リソースを指定する。 自動作成 Exper
フィードバックを送信 グラウンディングの概要 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。 生成 AI において、グラウンディングとは、モデルの出力を検証可能な情報源に紐付ける仕組みを指します。特定のデータソースにアクセスできるモデルを用意することで、グラウンディングによってその出力を特定のデータに紐づけ、コンテンツの創作の余地を減らすことができます。これは、精度と信頼性が重要な状況で特に重要です。 グラウンディングには次の利点があります。 モデルのハルシネーション（モデルが事実に基づいていないコンテンツを生成すること）を削減します。 モデルのレスポンスを特定の情報と関連付けます。 生成されたコンテンツの信頼性と適用可能性が高まります。 Vertex AI では、サポートされているモデルの出力を次の 2 つの方法でグラウンディングできます。 Google
Send feedback Vertex AI APIs for building search and RAG experiences Stay organized with collections Save and categorize content based on your preferences. Vertex AI offers a suite of APIs to help you build your own Retrieval Augmented Generation (RAG) applications or to build your own Search engine. This page introduces those APIs. Retrieval and generation RAG is a methodology that enables Large
※この投稿は米国時間 2023 年 7 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。 生成 AI の開発は猛烈な勢いで続いており、この破壊的技術を活かせるようなエンタープライズ向け機能を利用できるかどうかがかつてなく重要となっています。 Google の数十年に及ぶ調査とイノベーション、そして AI への投資を活用することで、Google Cloud は常に、セキュリティとデータ ガバナンス、そして全体的なスケーラビリティが用意されている状態で生成 AI を利用できるようにしています。 この目的のため、先月 Google は Vertex AI での生成 AI サポートの一般提供を発表しました。これにより Google Research から優れた基盤モデルにアクセス可能となり、これらのモデルをカスタマイズして利用するためのツールも利用できるようになりま
Ivan CheungDeveloper Programs Engineer, Google Cloud ※この投稿は米国時間 2023 年 5 月 26 日に、Google Cloud blog に投稿されたものの抄訳です。 いま多くの人々が、ジェネレーティブ AI や大規模言語モデル（LLM）を実運用サービスにどのように導入すればよいか検討を始めています。しかし、例えば「既存の IT システムやデータベース、ビジネスデータと LLM や AI チャットボットをどのように統合すればいいだろうか」、「数千もの製品を LLM に正確に覚えさせるにはどうすれば良いだろうか」、あるいは「信頼性のあるサービスを構築するためにハルシネーションの問題をどのように扱えば良いか」といった課題と直面することになります。 これらの課題に対するシンプルな解決策となるのが、エンべディング（embeddings）と
※この投稿は米国時間 2021 年 8 月 18 日に、Google Cloud blog に投稿されたものの抄訳です。 強化学習（RL）は機械学習の形態の 1 つであり、エージェントが環境に対する行動を選択しながら、その一連の選択を通じて得られる目標（報酬）を最大化する方法を学習していくというものです。RL のアプリケーションの例として、学習ベースのロボット工学、自律走行車、コンテンツ配信などがあります。基本的な RL システムには、多くの状態、対応する行動、それらの行動に対する報酬が含まれています。これを映画のレコメンデーション システムで考えてみましょう。「状態」はユーザー、「行動」はユーザーにおすすめする映画、「報酬」は映画に対するユーザー評価に当てはめることができます。Applied ML Summit 2021 の基調講演 で Spotify が述べていたように、RL は ML
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
