最近のTensorFlowの話

Slide 1

Slide 1 text

最近のTensorFlowの話 By Norihiro Shimoda 1

Slide 2

Slide 2 text

⾃自⼰己紹介 • 下⽥田倫倫⼤大(@rindai87) • データ分析専業の企業のエンジニアマネージャー • TensorFlow User Group(TFUG)主催者 • 最近GDE(Google Developer Expert)のML Expertになりました

Slide 3

Slide 3 text

本⽇日のAgenda • TensorFlowのご紹介 • TFUG(TensorFlow User Group)のご紹介 • TF v1.0以降降の状況についてのご紹介 3

Slide 4

Slide 4 text

TensorFlow概要 by Norhiro Shimoda 4

Slide 5

Slide 5 text

TensorFlowとは？ • Googleによって2015年年11⽉月に公開されたオープンソース – Google内部で多数の使⽤用実績があるらしい Google Photo 画像の⾃自動分類 Google 翻訳翻訳の⾃自動学習 Gmail スパムフィルタ OK Google ⾳音声認識識 5

Slide 6

Slide 6 text

TensorFlowの歴史

Slide 7

Slide 7 text

Googleトレンドで⽐比較 7

Slide 8

Slide 8 text

TensorFlowのモデル 1. 学習モデルをグラフとして定義する 2. 学習を実際にどう⾏行行うかも定義する – 学習の評価⽅方法 – 最適化の⽅方法 – CPU or GPU – スタンドアロン or 分散 3. 定義に従って計算処理理をデバイス上で実⾏行行させる

Slide 9

Slide 9 text

いろんなデバイスで動きます 9 CPU GPU Android iOS RasberryPi etc…

Slide 10

Slide 10 text

TensorBoardなどのツール

Slide 11

Slide 11 text

11 きゅうりの規格の⾃自動仕分け From: http://workpiles.com/2016/02/tensorflow-‐cnn-‐cucumber/

Slide 12

Slide 12 text

アイドル顔の⾃自動⽣生成 12 From: http://memo.sugyan.com/entry/2016/10/12/084751

Slide 13

Slide 13 text

空撮写真からの⾞車車両カウント 13 From: http://www.brainpad.co.jp/news/2016/09/02/3454

Slide 14

Slide 14 text

技術的な部分での基本をもっと知りたいという⽅方は 14 From: https://goo.gl/7cgzwR

Slide 15

Slide 15 text

ここまでのまとめ • TensorFlowは全世界的に⼤大⼈人気 – Googleが使ってるものが使える！ – AlphaGOのインパクト！ • TensorFlowに関わる⼈人もいろいろ – 研究で使ってる学⽣生、先⽣生 – 趣味の延⻑⾧長で触っているWeb系開発者 – ディープラーニングを案件として扱う分析の会社 – Android/iOS等のモバイルアプリの開発者 – 組み込み系のハードウェア寄りの開発者 – etc… 15

Slide 16

Slide 16 text

TFUGのご紹介 by Norhiro Shimoda 16

Slide 17

Slide 17 text

What is TFUG ? • 分散機械学習フレームワークであるTensorFlow のコミュニティです。 • 2016年年10⽉月に⽴立立ち上がりました。

Slide 18

Slide 18 text

Meetup • ⽉月に⼀一度度程度度のペースでミートアップイベントを開催しています。

Slide 19

Slide 19 text

Number of our members 19

Slide 20

Slide 20 text

Regional TFUG • TFUG AIZU（2016年年末に始動） • TFUG Utsunomiya • TFUG KANSAI（5⽉月始動） • その他も増えるかも。。。？ 20

Slide 21

Slide 21 text

TFUGの分科会 • TFUGハード部 – ハードウェアを中⼼心に話す会。異異常に熱量量が⾼高い • NN論論⽂文を肴に酒を飲む会 – ⽂文字通り論論⽂文を肴にゆる〜～く論論⽂文を読んで共有する会 • TFUGモバイル部 – モバイル（主にAndroid）上でTFを動かす話を⾏行行う 21

Slide 22

Slide 22 text

How to join? グループ名：TensorFlow User Group Tokyo イベント情報を管理理しています。 https://tfug-‐‑‒tokyo.connpass.com/ グループ名：TensorFlow User Group 各種情報交換の場として利利⽤用されています。 https://www.facebook.com/groups/17855923 5921208/

Slide 23

Slide 23 text

TensorFlow v1.0の概要

Slide 24

Slide 24 text

V1.0を三⾏行行でまとめると… Fast Flexible Production-‐‑‒ready

Slide 25

Slide 25 text

三⾏行行まとめをもう少し詳しく • Fast – めっちゃパフォーマンス良良くなりました • Flexible – ⾼高レベルAPIが本格的に導⼊入されました • Production-‐‑‒ready – APIは安定させます • その他もいろいろあります – デバッガ（tfdbg）、多⾔言語対応など

Slide 26

Slide 26 text

Fast • パフォーマンスの⼤大幅な向上 – 64GPU上でのInception v3の処理理が58倍⾼高速になった！ • XLAの導⼊入 – Accelerated Linear Algebraの略略 – コンパイラ https://developers-‐‑‒jp.googleblog.com/2017/03/xla-‐‑‒tensorflow-‐‑‒compiled.html

Slide 27

Slide 27 text

Flexible • High Level APIの本格的な導⼊入 – この後詳細をお話します • Kerasとの統合 – 割と個⼈人的にはビッグニュース

Slide 28

Slide 28 text

Production Ready • APIの安定化 – V0.11, v0.12辺りの混乱が収束するはずJ – が、後⽅方互換性崩れてますL – が、移⾏行行ツールが提供されていますJ https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/compatibility

Slide 29

Slide 29 text

その他 • デバッガ（tfdbg） – 待望のデバッグツール – まだちゃんと触れていませんが期待⼤大 • 多⾔言語対応 – JavaとGoがExperimentalながら対応

Slide 30

Slide 30 text

High Level API / Keras

Slide 31

Slide 31 text

TensorFlowの超基本 1. ⼊入⼒力力⽤用にplaceholderを⽤用意 2. 重みやバイアス⽤用にVariableを⽤用意 3. 活性化関数を使って層を定義 4. ロス値を定義 5. 最適化の⽅方法を定義 6. セッションを定義して学習を実⾏行行

Slide 32

Slide 32 text

この後のサンプルコード • わかりやすくDNN – 隠れ層3層で全て全結合層 – ユニット数は10,20,10 • サンプルデータとしてはirisデータ – クラス数は3 – 特徴量量の次元数は4 • サンプルコード⾃自体はQiitaで解説付きで公開しています – http://qiita.com/rindai87/items/72651c702e926 5595047 http://qiita.com/rindai87/items/72651c702e9265595047

Slide 33

Slide 33 text

No content

Slide 34

Slide 34 text

No content

Slide 35

Slide 35 text

⽣生TensorFlow⾟辛い問題 • APIがけっこう低レベルなため、アルゴリズム構築に集中したい⼈人には⾮非常に敷居が⾼高い – TensorFlowのパラダイムへの理理解が必須 – そのため、学習コストが⾼高い • PlaceholderとかVariableとかSessionとか

Slide 36

Slide 36 text

従来の⽣生TF⾟辛い問題の解決法 • tf.contrib.learn – ⾼高レベルなAPI • Keras – TensorFlowのラッパー – 作者がGoogleの中の⼈人 • その他いろいろ – SlimとかTFLearnとか

Slide 37

Slide 37 text

tf.contrib.learn • V1.0以前から導⼊入されていた⾼高レベルAPI – 今も残っていて現役で使える • もともとはSkFlowという外部ライブラリ – scikit-‐‑‒learnライクにTF使いましょう、というコンセプト • V0.8からTF本体に取り込まれて TFLearn(tf.contrib.learn)となる

Slide 38

Slide 38 text

No content

Slide 39

Slide 39 text

Keras • TensorFlowとTheanoのラッパーライブラリ • ネットワークを直感的に記述できる – ⽣生TFのようにTensorFlowの流流儀を覚える必要がない • アルゴリズム側に集中したい⼈人にとっては良良い選択肢 • 全機能がラップされているわけではない

Slide 40

Slide 40 text

No content

Slide 41

Slide 41 text

V1.0で⾊色々整理理されはじめます • V1.0で混沌としていた⾼高レベルAPI周りの整理理とロードマップの提⽰示が⾏行行われました – Layers – Estimator • Kerasを正式にサポート – そもそもKerasの中の⼈人はGoogler

Slide 42

Slide 42 text

No content

Slide 43

Slide 43 text

Layers • モデル（ネットワーク）を定義するためのAPI 群 • Kerasのように直感的にモデルを記述していくことができる • Variableの概念念は登場しない – Layersのオブジェクトを直接触ることも可能なので、その場合はPlaceholderは登場する

Slide 44

Slide 44 text

Layersのイメージ Input (4dim) hidden1 hidden2 hidden3 Output (3classes) IrisデータをDNNでモデルを作る簡単な例例で⾒見見てみる・4次元データ・クラスは3 ・隠れ層は3層

Slide 45

Slide 45 text

Layersのイメージ input hidden1 hidden2 hidden3 output input_̲layer=tf.reshape(features, [-‐‑‒1, 4])

Slide 46

Slide 46 text

Layersのイメージ hidden1=tf.layers.dense( inputs=input_̲layers, units=10, activation=tf.nn.relu) input_̲layer=tf.reshape(features, [-‐‑‒1, 4]) input hidden1 hidden2 hidden3 output

Slide 47

Slide 47 text

Layersのイメージ hidden1=tf.layers.dense( inputs=input_̲layers, units=10, activation=tf.nn.relu) input_̲layer=tf.reshape(features, [-‐‑‒1, 4]) hidden2=tf.layers.dense(…) input hidden1 hidden2 hidden3 output

Slide 48

Slide 48 text

Slide 49

Slide 49 text

Layersのイメージ hidden1=tf.layers.dense( inputs=input_̲layers, units=10, activation=tf.nn.relu) input_̲layer=tf.reshape(features, [-‐‑‒1, 4]) output_̲layer=tf.layers.dense( inputs=hidden3, units=3) hidden2=tf.layers.dense(…) hidden3=tf.layers.dense(…) input hidden1 hidden2 hidden3 output

Slide 50

Slide 50 text

Estimator • モデルを使った学習、評価、推論論のタスクを記述するための標準的なインターフェイスを提供するAPI群 • Scikit-‐‑‒learn経験者にはおなじみにインターフェース+α – fit()：学習 – evaluate()：評価 – predict()：推論論 – etc…

Slide 51

Slide 51 text

Estimatorのイメージ input Model output 実際はこれだけではなくて

Slide 52

Slide 52 text

Estimatorのイメージ input Model Training 記述したモデルを使って学習、（学習モデルの）評価、推定を⾏行行う Evaluation Prediction

Slide 53

Slide 53 text

Estimatorのイメージ input Model Training 学習、評価、推定に関わるタスクは全てEstimator内に隠蔽して標準的なインターフェースを提供 TensorFlowの種々の概念念もEstimator内に内包 Evaluation Prediction fit() evaluate() predict() session graph etc… Estimator

Slide 54

Slide 54 text

Estimator導⼊入の良良さ • アルゴリズム実装者視点 – インターフェースが統⼀一されたため、実装の際の指針になる • アルゴリズム利利⽤用者視点 – インターフェースが統⼀一されたため、APIを読み込まなくても利利⽤用⽅方法が類推できる – 様々なアルゴリズム（Estimator）を基本的には同じデータで呼び出し⽅方を変えるだけで使える（はず） 54

Slide 55

Slide 55 text

Canned Estimator • Layers, Estimatorのお陰で、モデルに対して標準的なインターフェースが提供されている状態になる • これを利利⽤用して、様々なEstimator（つまりアルゴリズム）を提供していく – インターフェースが共通化されているので、同⼀一データに対して様々なアルゴリズムを簡単に試せるようになる • 要は、今後たくさんのアルゴリズムが TensorFlow上で実装、提供されてきます、ということです – おっとこれはscikit-‐‑‒learnな感じですね、と思ったあなた、正解です

Slide 56

Slide 56 text

Kerasの正式サポート • LayersをKerasの層を定義するレイヤー(Dense など)と互換性のあるものとする • EstimatorとKerasでの互換性を担保する設計 • これまで通りTFをラップしたKeras • tf.kerasの導⼊入により、TF内部でkerasのコードが動くようになる？ → なります

Slide 57

Slide 57 text

Slide 58

Slide 58 text

Keras正式サポートの恩恵 • 今までKerasから使えていなかった各種TFの機能が使えるようになる – 分散処理理による学習 – CloudMLでの実⾏行行 • これまではCloudMLのプロビジョニングの段階で Kerasをpip installするというハックで解決していた • なお、この解決⽅方法を使ってもKerasからはGCSに置いているデータを読みにいけないという問題が残っている – TensorFlow Serving – etc…