論文の概要: TensorX: Extensible API for Neural Network Model Design and Deployment
- arxiv url: http://arxiv.org/abs/2012.14539v2
- Date: Sat, 2 Jan 2021 23:35:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 20:34:26.601342
- Title: TensorX: Extensible API for Neural Network Model Design and Deployment
- Title（参考訳）: TensorX: ニューラルネットワークモデルの設計とデプロイのための拡張可能なAPI
- Authors: Davide Nunes and Luis Antunes
- Abstract要約: TensorFlowXは、計算における複雑なニューラルネットワークモデルのプロトタイピング、設計、デプロイのためのPythonライブラリである。
使いやすさ、パフォーマンス、APIの一貫性に特に重点を置いています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: TensorX is a Python library for prototyping, design, and deployment of
complex neural network models in TensorFlow. A special emphasis is put on ease
of use, performance, and API consistency. It aims to make available high-level
components like neural network layers that are, in effect, stateful functions,
easy to compose and reuse. Its architecture allows for the expression of
patterns commonly found when building neural network models either on research
or industrial settings. Incorporating ideas from several other deep learning
libraries, it makes it easy to use components commonly found in
state-of-the-art models. The library design mixes functional dataflow
computation graphs with object-oriented neural network building blocks. TensorX
combines the dynamic nature of Python with the high-performance GPU-enabled
operations of TensorFlow.
This library has minimal core dependencies (TensorFlow and NumPy) and is
distributed under Apache License 2.0 licence, encouraging its use in both an
academic and commercial settings. Full documentation, source code, and binaries
can be found in https://tensorx.org/.
- Abstract（参考訳）: TensorXは、TensorFlowで複雑なニューラルネットワークモデルをプロトタイピング、設計、デプロイするためのPythonライブラリである。
使いやすさ、パフォーマンス、APIの一貫性に特に重点を置いている。
ニューラルネットワーク層のような、ステートフルな機能や構成や再利用が容易な高レベルなコンポーネントを提供することを目指している。
そのアーキテクチャは、研究または産業の設定でニューラルネットワークモデルを構築する際によく見られるパターンを表現することができる。
他のディープラーニングライブラリからのアイデアを取り入れることで、最先端のモデルでよく見られるコンポーネントを簡単に利用できる。
ライブラリ設計は、関数型データフロー計算グラフとオブジェクト指向ニューラルネットワークビルディングブロックを混合する。
TensorXはPythonの動的性質とTensorFlowの高性能GPU対応操作を組み合わせる。
このライブラリは、最小限のコア依存関係(TensorFlowとNumPy)を持ち、Apache License 2.0ライセンス下で配布されており、学術的および商業的な設定での使用を奨励している。
完全なドキュメント、ソースコード、バイナリはhttps://tensorx.org/にある。
関連論文リスト
- Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。
Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。
要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
論文 参考訳（メタデータ） (2024-07-31T14:57:23Z) - KHNNs: hypercomplex neural networks computations via Keras using TensorFlow and PyTorch [0.0]
本稿では,DenseとPyTorch内で計算を行うKerasと統合したライブラリアプリケーションを提案する。
DenseとConvolutional 1D、2D、3Dレイヤアーキテクチャを提供する。
論文 参考訳（メタデータ） (2024-06-29T14:36:37Z) - KerasCV and KerasNLP: Vision and Language Power-Ups [9.395199188271254]
KerasCVとKerasNLPはコンピュータビジョンと自然言語処理のためのKeras APIの拡張である。
これらのドメインパッケージは、使いやすさとパフォーマンスを重視した高速な実験を可能にするように設計されている。
ライブラリは完全にオープンソース(Apache 2.0ライセンス)で、GitHubから入手できる。
論文 参考訳（メタデータ） (2024-05-30T16:58:34Z) - TensorKrowch: Smooth integration of tensor networks in machine learning [46.0920431279359]
PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。
ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
論文 参考訳（メタデータ） (2023-06-14T15:55:19Z) - torchgfn: A PyTorch GFlowNet library [56.071033896777784]
torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。
環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
論文 参考訳（メタデータ） (2023-05-24T00:20:59Z) - DeepLab2: A TensorFlow Library for Deep Labeling [118.95446843615049]
DeepLab2は、コンピュータビジョンにおける一般的な高密度ピクセル予測問題に対するディープラベリングのためのライブラリである。
DeepLab2には、トレーニング済みのチェックポイントとモデルトレーニングと評価コードを備えた、最近開発したDeepLabモデルのバリエーションがすべて含まれています。
DeepLab2の有効性を示すために、Axial-SWideRNetをネットワークバックボーンとして使用したPanoptic-DeepLabは、Cityscaspes検証セット上で68.0% PQまたは83.5% mIoUを達成した。
論文 参考訳（メタデータ） (2021-06-17T18:04:53Z) - TensorFlow ManOpt: a library for optimization on Riemannian manifolds [0.3655021726150367]
ニューラルネットワークの採用と非ユークリッドドメインでのディープラーニングは、スケーラブルで効率的な学習フレームワークの欠如によって、最近まで妨げられていた。
我々は、機械学習モデルの観点からRiemannianを最適化するPythonライブラリであるManOptを提案し、このギャップを埋めようとしている。
このライブラリはエコシステムとのシームレスな統合を目的として設計されており、研究だけでなく、プロダクション機械学習パイプラインの合理化も目標としている。
論文 参考訳（メタデータ） (2021-05-27T10:42:09Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。
このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。
分類モデルと非分類モデルの両方に使用できる。
論文 参考訳（メタデータ） (2020-09-16T18:57:57Z) - fastai: A Layered API for Deep Learning [1.7223564681760164]
fastaiは、実践者に高度なコンポーネントを提供するディープラーニングライブラリである。
これは研究者に、新しいアプローチを構築するために混在し、マッチできる低レベルのコンポーネントを提供する。
論文 参考訳（メタデータ） (2020-02-11T21:16:48Z) - On the distance between two neural networks and the stability of
learning [59.62047284234815]
本稿では, パラメータ距離と勾配分解を, 幅広い非線形構成関数のクラスに関連付ける。
この分析により、ニューラルネットワークの深い相対信頼と降下補題と呼ばれる新しい距離関数が導かれる。
論文 参考訳（メタデータ） (2020-02-09T19:18:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。