ファンレスではないがほぼ無音で運用できる NUC7i3BNH の新品の入手が難しくなって 困っていたが、ついにその代わりとなるファンレスの MiniPC が AUSU から出る、 ということで、発売と同時に入手したのですが、しばらくお蔵入りでした。

入手してすぐ作動確認も兼ねて Windows11 のセットアップだけはしていました。 もともと Ubutu Desktop または Ubuntu Server として使うつもりだったのですが、 Ubuntuをインストールするには、TPM とか Secure Boot関連の問題が起きそう、 問題が起きた場合に備えて時間と心に余裕があるときに・・・などと 先延ばししているうちに１ヶ月以上も時間が過ぎてしまいました。 もったいない。

以前のエントリーで PyTorch と Diffusers ライブラリを使って Stable Diffusion を使いました。 TensorFlow でも Stable Diffusion できる ことがわかったので、備忘録として書き残します。 tensorflow-metal を使うことで TensorFlow を M1 macbook air などの Apple silicon 搭載マシンの GPU を使って実行できます。

こちらの方法 Conda なしで Stable Diffusion する（Diffusers ライブラリを使用）M1 mac と Linux + CUDA でも、Apple silicon の GPU を活かして Stable Diffusion を動かすことができますが、 コードをそれように変更する必要がありました。 一方で、tensorflow-metal では Tensorflow にプラグインする形なので、 コード変更が不要です。 単に tensorflow-metal のモジュールをインストールしておきさえすれば、GPU 対応になり処理が速くなる、という仕組みです。

手描きの線画から Stable Diffiusion とその周辺ツールを使って絵を作るワークフローのまとめです。 全体像はこんな感じ。

H2 Database Engineを kotlin から使う方法を調べた備忘録です。

ずいぶん以前にUbuntu で pbcopy, pbpaste, openというエントリーを書いた。 今回は、Chromebook の Linux と WSL でこの pbcopy と pbpaste および open をする方法を書き留めます。

Denoising Diffusion Implicit Models を試した。 このページではデータセットは oxford_flowers102 を使用していますが、それに代えて 顔コレ および ポケモン データセット を使ってトレーニングしてみました。

GANとは Generative Adversarial Network の略語、簡単に言うと贋作をつくるやつ。 例によって MNIST のデータセットを使う。

MNIST を使って cGAN( Conditional Generative Adversarial Network ) を使うと、 数字を指定して、その数字の贋作手描き数字画像をつくれるとのこと。

ここではまだ GAN / DCGAN を試しただけです。

Jupyter Notebook を使ってデモするときに備えて、そのセットアップと画像の取り扱いを調べた。

ブラウザでの作動については その３のエントリーでも試したのですが、 そのときは、TensorFlow Lite モデルを使いました。 このエントリーでは、TensorFlow.js でトレーニングして生成したモデルをそのままブラウザで使用する方法を確認します。

KotlinDL経由で MNISTデータを取得する方法を調べたその備忘録です。

以前に Python で書いた download.pyと同じ機能をKotlinDLで実装します。

過去のエントリーでは Python でトレーニングしたモデルを変換して TensorFlow.js で使いましたが、 今回は トレーニングから TensorFlow.js で行います。 そのため、 このエントリーのトレーニング用のコード（モデルを構築するなど） を JavaScript (TensorFlow.js) に移植します。

このページでは、コードを簡潔に表現するため、 生成したテンソルの破棄する記述はあえて省略しています。 ご了承ください。 必要なら、 tf.dispose() や tf.tidy() を適宜使用してください。

前回のエントリーでは Node.js 上で推測を実行しましたが、 今回はこれをブラウザ上でやってみます。