取引のためのONNXの学習 - ページ 2

[MetaQuotes]

深層学習における課題 |チュートリアル-2 |ニューラル ネットワーク エクスチェンジを開く | ONNX

深層学習における課題 |チュートリアル-2 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このビデオ セグメントでは、推論中にさまざまなディープ ラーニング フレームワークとハードウェア アクセラレータを使用する際の課題について説明します。 ONNX は、さまざまなディープ ラーニング フレームワークおよびハードウェア アクセラレータと互換性のある中間モデル タイプとして提示され、それらの間でモデルをシームレスに転送できます。必要に応じて ONNX モデルを特定のフレームワークに変換すると、トレーニング済みのモデルをさまざまなシステムで使用する際の柔軟性が向上します。これらの課題と解決策を理解することは、ディープ ラーニングを扱うための効果的なパイプラインを作成するのに役立ちます。

• 00:00:00 ビデオのこのセクションでは、ディープ ラーニングの課題について説明します。ディープ ラーニングで使用されるさまざまな一般的なフレームワークには、Cafe、TensorFlow、Keras、MXNet などがあります。高い計算能力を得るには、NVIDIA GPU、Intel GPU、Google TPU などのディープ ラーニング ソリューション用に最適化されたハードウェア アクセラレータが必要です。推論には、効率を確保するために最適化されたモデルも必要です。また、NVIDIA T4、CPU、Google Coral、Raspberry Pi、Jetson VR などの S デバイスなど、さまざまな推論ハードウェア オプションが利用可能です。ディープ ラーニング用のデバイスを選択する際には、ソフトウェアとハードウェアの要素を考慮することが重要です。 ONNX は、さまざまなディープ ラーニング フレームワークやハードウェア アクセラレータとの互換性が高く、それらの間でモデルをシームレスに転送できるため、好まれています。
  
  
• 00:05:00 このセクションでは、スピーカーは、推論段階で異なるフレームワークまたはハードウェアでトレーニング済みモデルを使用することの課題について説明します。この問題は、さまざまなハードウェアやフレームワークで使用できる中間モデル タイプである Open Neural Network Exchange (ONNX) で対処できます。 ONNX モデルは、必要に応じて特定のフレームワークに変換できます。このソリューションにより、トレーニング済みのモデルをさまざまなシステムで使用する際の柔軟性が向上します。スピーカーは、これらの問題と解決策を理解することは、パイプラインを作成し、ディープ ラーニングを効果的に使用するのに役立つと述べて締めくくります。

[MetaQuotes]

ONNX のすべて |チュートリアル-3 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX のすべて |チュートリアル-3 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このビデオでは、モデルをさまざまなフレームワーク モデル タイプに変換し、最適化機能を提供する中間機械学習フレームワークである ONNX について説明します。 2017 年に AWS、Microsoft、Facebook によって最初に導入された ONNX は、IBM、Intel、Huawei などの他の企業から人気と貢献を得ています。現在、多くの企業が ONNX エコシステムへの取り組みに専念しています。

[MetaQuotes]

設計原則 |チュートリアル-4 |ニューラル ネットワーク エクスチェンジを開く | ONNX

設計原則 |チュートリアル-4 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このビデオでは、講演者が Open Neural Network Exchange (ONNX) の設計原則について説明します。最初はディープ ラーニング用に開発されたエコシステムが、従来の機械学習もサポートするように拡張されました。 ONNX は、他のフレームワークからの更新に適応でき、実用的なアプリケーションから明確に定義された操作で標準化され、モデルを簡単にエクスポート/インポートできます。これらの機能により、柔軟で効率的なソリューションを探しているエンド ユーザーにとって便利な選択肢となります。

[MetaQuotes]

ONNX ファイル形式 |チュートリアル-5 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX ファイル形式 |チュートリアル-5 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このチュートリアル ビデオでは、機械学習モデルの ONNX ファイル形式について説明します。これには、入力リストと出力リスト、計算ノードと演算子、および演算子パラメーターと、モデルのメタデータとバージョンが含まれています。 ONNX ファイル形式はブラック ボックスではなく、視覚化できます。スピーカーは、ReLU や PReLU などの演算子の例を示し、ディープ ラーニング モデルのグラフを示し、それを ONNX ファイル形式のグラフと比較します。カスタム オペレーターは、ONNX を使用してマップすることもでき、その柔軟性と機能性により、ニューラル ネットワークの一般的な選択肢となっています。

• 00:00:00 このセクションでは、講演者は機械学習モデルの ONNX ファイル形式について説明します。これはブラック ボックスではなく、視覚化できます。 ONNX ファイル形式には、入力と出力のリスト、計算ノードと演算子のリスト、演算子パラメーター、モデルのメタデータとバージョンが含まれています。講演者は、一連の計算ノードであるディープ ラーニング モデル グラフを実演し、それを ONNX ファイル形式のグラフと比較します。 ONNX ファイル形式には、Keras、TensorFlow、PyTorch などのフレームワークからオペレーターをマップするオペレーター スキーマが含まれています。スピーカーは、ReLU や PReLU などのオペレーターの例を示します。
  
  
• 00:05:00 このセクションでは、スピーカーは、実際のモデルを ONNX ファイル形式に変換するときに、フレームワークが演算子をモデルにマッピングする方法について説明します。カスタム オペレータは、ONNX を使用して作成およびマッピングすることもできます。 ONNX は、多くの機能を提供する柔軟なプラットフォームであるため、ニューラル ネットワークの分野で人気を博しています。

[MetaQuotes]

ONNX データ型 |チュートリアル-6 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX データ型 |チュートリアル-6 |ニューラル ネットワーク エクスチェンジを開く | ONNX

動画では、ONNX にはディープ ニューラル ネットワークと機械学習の 2 種類の仕様があることが説明されています。前者は、Python や TensorFlow でも使用される整数、浮動小数点、ブール値、文字列、複合型などのテンソル データ型を使用します。一方、後者は、通常はテンソルを使用しない統計ベースの学習により、シーケンスやマップなどの非テンソル データ型を使用します。

[MetaQuotes]

機械学習の例 |チュートリアル-7 |ニューラル ネットワーク エクスチェンジを開く | ONNX

機械学習の例 |チュートリアル-7 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このビデオ チュートリアルでは、 pickle形式で保存されたモデルを Open Neural Network Exchange (ONNX) モデル ファイル形式に変換する方法について説明し、ONNX を使用した機械学習の実践的な例を示します。ビデオは、必要なパッケージを指定する要件ファイルを提供し、スピーカーは、skl2onnx パッケージを使用して ONNX 形式に変換する前に、データのインポート、分割、およびモデルのトレーニングを行うための簡単なコードを提供します。変換スクリプトが提供され、結果のグラフを Netron ツールで視覚化し、ONNX モデルで推論を実行するための手順が共有されます。スピーカーは、ONNX 形式の移植性と最適化を強調し、変換プロセスの練習を奨励します。

• 00:00:00 このセクションのビデオでは、ONNX を使用した機械学習の実際の例について説明します。この例では、モデルをトレーニングして pickle 形式で保存し、次にそれを ONNX モデル ファイル形式に変換します。このビデオでは、sklearn やコンバーターである skl2onnx など、すべての要件パッケージが指定されているrequirement.txt ファイルが提供されています。ビデオでは、データセットをインポートし、トレーニングとテストの分割を実行し、モデルをトレーニングする簡単なコードを示します。最後に、保存されたモデルを skl2onnx パッケージを使用して ONNX 形式に変換するための変換スクリプトが提供されます。
  
  
• 00:05:00 このセクションでは、スピーカーは簡単なスクリプトを使用して pickle モデルを ONNX モデルに変換する方法を説明します。このスクリプトには、モデルを ONNX ファイルとして保存する前に、pickle モデルの読み込み、データ型の定義、convert_scalar 関数の呼び出し、およびクラス オブジェクトの受け渡しが含まれます。スピーカーは、Netron ツールを使用して結果のグラフを視覚化し、サンプル入力を渡すことで ONNX モデルを使用して推論を実行する方法も示します。 ONNX 形式は、任意の ONNX エコシステムで使用できるため、pickle 形式よりも移植性が高く、最適化されていると説明されています。話者は、変換プロセスを効果的に行う方法を覚えるために、変換プロセスを練習することをお勧めします。

[MetaQuotes]

ONNX ランタイム |チュートリアル-8 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX ランタイム |チュートリアル-8 |ニューラル ネットワーク エクスチェンジを開く | ONNX

講演者は、ONNX ランタイムとディープ ラーニングにおけるその重要性について説明します。 ONNX ランタイムは、Microsoft によって設立された、高速で高性能なエンジンです。これは、オープン ソースであり、Windows 10 に同梱されている拡張可能なモジュラー フレームワークです。Microsoft は、遅れる可能性がある既定のランタイムとは異なり、ディープ ラーニングに高速で効率的なため、このランタイムを好みます。さらに、ONNX ランタイム ダイアグラムは、ONNX ランタイムを使用して既存のモデルを ONNX ファイル形式に変換し、次に ONNX ランタイムを使用してハードウェアやフレームワークを気にせずにモデルを実行する方法を示しています。講演者は、聴衆が ONNX の公式 GitHub で ONNX ランタイムを深く掘り下げることができることを示唆しています。

[MetaQuotes]

ONNX モデル動物園 |チュートリアル-9 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX モデル動物園 |チュートリアル-9 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX Model Zoo は、画像分類、物体検出、音声および音声処理などのさまざまなタスク用の事前トレーニング済みモデルのコレクションです。事前トレーニング済みのモデルは ONNX ファイルとしてダウンロードでき、任意のフレームワークまたは推論用の ONNX ランタイムで使用できます。さらに、Azure ML などのクラウド プラットフォームは、ユーザーが独自のデータをアップロードし、モデルをトレーニングして ONNX ファイルとしてダウンロードできる同様の機能を提供します。次のビデオでは、手書き数字認識のために ONNX Model Zoo の事前トレーニング済みモデルを使用する方法を紹介します。

[MetaQuotes]

ONNX Model Zoo デモ |チュートリアル-10 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ONNX Model Zoo デモ |チュートリアル-10 |ニューラル ネットワーク エクスチェンジを開く | ONNX

このビデオ チュートリアルでは、ONNX Model Zooを使用して、ONNX ランタイムを使用して ONNX モデルで推論を実行する方法を紹介しています。プレゼンターは、仮想環境の作成、必要なパッケージのインストール、ONNX Model Zoo からの MNIST 手書きモデルのダウンロード、および推論用の Python スクリプトの作成のプロセスを視聴者に案内します。このデモは、予測時間が速いことを示しており、ユーザーが ONNX Model Zoo から直接モデルをダウンロードすることを奨励しています。このビデオでは、Python モデルを TensorFlow に変換する方法を説明する次のチュートリアルを紹介しています。

• 00:00:00 このセクションでは、プレゼンターが ONNX Model Zoo から MNIST 手書きモデルをダウンロードし、ONNX ランタイム上で推論を実行する方法を示します。ユーザーは仮想環境を作成し、ONNX ランタイム、OpenCV、NumPy などの必要なパッケージをインストールする必要があります。次に、プレゼンターは、モデルを ONNX Model Zoo から直接ダウンロードする方法、または CNTK.ai Web サイトへのリンクをコピーする方法を示します。モデルがダウンロードされると、プレゼンターは、ONNX モデルの読み込み、画像の前処理、セッションを実行して出力を取得するなど、推論用の Python スクリプトを作成する方法を説明します。最後に、プレゼンターは argmax 操作に基づいて結果を描画することで予測を表示します。
  
  
• 00:05:00 このセクションでは、スピーカーは ONNX ランタイムを使用した ONNX モデルによる推論について説明します。彼らは、事前トレーニング済みの ONNX モデルを使用して手書きの数字を予測し、予測時間が非常に高速であることを示しています。また、スピーカーは、ユーザーが ONNX Model Zoo からモデルをダウンロードして、モデルを変換することなく推論を開始できることにも言及しています。次のビデオでは、Python モデルを TensorFlow に変換することを計画しており、ユーザーがモデル変換のプロセスをより深く理解できるようにしています。

[MetaQuotes]

PyTorch から TensorFlow へのデモ |チュートリアル-11 |ニューラル ネットワーク エクスチェンジを開く | ONNX

PyTorch から TensorFlow へのデモ |チュートリアル-11 |ニューラル ネットワーク エクスチェンジを開く | ONNX

ビデオは、ONNX を使用して PyTorch モデルを TensorFlow 形式に変換する方法を示しています。このプロセスでは、モデルを PyTorch でトレーニングし、.pth 形式で保存してから、ONNX 形式に変換してから、最終的に TensorFlow 形式に変換します。変換プロセスは、MNIST データセットを使用した手書きの数字分類モデルを使用して詳細に示され、結果の TensorFlow モデルはサンプル画像でテストされます。このビデオでは、Caffe2 から ONNX へのモデルの変換についても簡単に触れており、ユーザーが ONNX をさらに探索することを提案しています。

• 00:00:00 ビデオのこのセクションでは、講演者が ONNX を使用して Python モデルを TensorFlow に変換する方法を実演します。彼らは、モデルを変換するときに従う必要がある 2 つの手順があると説明しています。まず、目的のフレームワークでモデルをトレーニングし、次にそれを ONNX ファイル形式に変換します。そこから、TensorFlow や PyTorch などの目的の形式に変換できます。次にスピーカーは、MNIST データセットを使用して、ONNX および TensorFlow パッケージを使用して、手書きの数字分類モデルを PyTorch から TensorFlow に変換する方法を示します。必要なパッケージのインストール、ライブラリのインポート、モデルの定義、トレーニングとテストの作成など、プロセスの各ステップについて説明します。
  機能。ノートブックのコードは、ユーザーが従うためのリソース セクションで提供されます。
  
  
• 00:05:00 ビデオのこのセクションでは、プレゼンターが PyTorch モデルをトレーニングし、.pth ファイル形式で保存します。次に、モデルが読み込まれ、ONNX ファイル形式に変換されます。変換された ONNX モデルは TensorFlow に読み込まれ、three.png および Seven.png 画像でその機能をテストします。モデルは、両方の画像の正しい値を予測します。最後に、ONNX モデルは TensorFlow モデルに変換され、さらなる予測に使用できる .pb ファイル形式で保存されます。全体として、プレゼンターは ONNX を利用して PyTorch モデルを TensorFlow モデルに変換する方法を示します。
  
  
• 00:10:00 ビデオのこのセクションでは、モデルを caffe2 モデルから ONNX に変換する方法について講演者が説明します。スピーカーは、コードが既に記述されており、必要なすべてのパッケージが利用可能なノートブックへのリンクを提供しています。講演者は、PyTorch から ONNX、PyTorch から Caffe2、TensorFlow から ONNX など、可能なすべての変換がノートブックで利用できると説明しています。講演者は視聴者に、より良い学習体験のために ONNX をさらに調べ、リアルタイムの例を試すようアドバイスします。最後に、スピーカーはビデオを終了し、シリーズを視聴してくれた視聴者に感謝します。