<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>タグ:PyTorch &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/tag/pytorch/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Wed, 07 Oct 2026 02:01:05 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>Stable Diffusionのもっとも単純な学習プログラムを作って動かしてみる</title>
		<link>https://aidev.bluegarage.site/blog/2026/10/07/stable-diffusion%e3%81%ae%e3%82%82%e3%81%a3%e3%81%a8%e3%82%82%e5%8d%98%e7%b4%94%e3%81%aa%e5%ad%a6%e7%bf%92%e3%83%97%e3%83%ad%e3%82%b0%e3%83%a9%e3%83%a0%e3%82%92%e4%bd%9c%e3%81%a3%e3%81%a6%e5%8b%95/</link>
				<pubDate>Wed, 07 Oct 2026 01:29:14 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9805</guid>
				<description><![CDATA[Stable Diffusion の仕組みを理解するには、実際に小さなモデルを自分で動かしてみるのが一番の近道です。この記事では、100×100 の画像を生成する最小構成の拡散モデルを PyTorch で作ります。テキスト条件は「flower」に固定し、学習用と生成用のファイルを分けた構成です。 この記事で作るもの 画像サイズは 100×100 固定 ピクセル空間で動く DDPM(VAE は使わない) UNet は ResBlock、Self-Attention、Cross-Attention で構成 テキスト条件は「flower」をエンコードした固定ベクトル 学習(train.py)と生成(generate.py)を別ファイルに分離 Stable Diffusion との違い 項目 Stable Diffusion この記事のモデル 拡散する空間 潜在空間(VAE で圧縮) ピクセル空間 テキスト条件 CLIP などで可変 「flower」固定 画像サイズ 512×512 など 100×100 固定 Cross-Attention 多くの層に配置 最低解像度層と中間層のみ サンプラー DDIM などの高速版 [&#8230;]]]></description>
									</item>
		<item>
		<title>PyTorchでDirectMLを使う「torch-directml」とは？</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/10/pytorch%e3%81%a7directml%e3%82%92%e4%bd%bf%e3%81%86%e3%80%8ctorch-directml%e3%80%8d%e3%81%a8%e3%81%af%ef%bc%9f/</link>
				<pubDate>Fri, 10 Jul 2026 01:46:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9735</guid>
				<description><![CDATA[WindowsでAIを動かそうとすると、よく見かけるのが CUDA と DirectML です。 NVIDIA製GPUであればCUDAが一般的ですが、AMDやIntelのGPU、あるいはCUDAを使えない環境では DirectML が選択肢になります。 そのDirectMLをPyTorchから利用するためのライブラリが torch-directml です。 この記事では、torch-directmlとは何か、必要になる場面、制限事項、インストール方法、使い方についてまとめます。 torch-directmlとは？ torch-directmlは、PyTorchからMicrosoft DirectMLを利用するためのライブラリです。 DirectMLはWindowsのDirectX 12上で動作する機械学習アクセラレーションAPIで、 AMD GPU Intel GPU NVIDIA GPU など、DirectX 12対応GPUであれば利用できます。 つまり、CUDAが使えない環境でもGPUでPyTorchを実行できるようになります。 いつ必要になるの？ 必要になるのは 「PyTorchでDirectMLを利用 [&#8230;]]]></description>
									</item>
		<item>
		<title>PyTorchでONNXを「model.onnx」と「model_weights.bin」に分けて出力する方法【古いバージョンにも対応】</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/08/pytorch%e3%81%a7onnx%e3%82%92%e3%80%8cmodel-onnx%e3%80%8d%e3%81%a8%e3%80%8cmodel_weights-bin%e3%80%8d%e3%81%ab%e5%88%86%e3%81%91%e3%81%a6%e5%87%ba%e5%8a%9b%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95%e3%80%90/</link>
				<pubDate>Wed, 08 Jul 2026 01:46:19 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9732</guid>
				<description><![CDATA[PyTorchでONNXモデルを書き出す際、大きなモデルではONNX External Data形式を利用して、モデル本体と重みファイルを別々に保存したいことがあります。 この記事では、 model.onnx model_weights.bin の2ファイルに分けて出力する方法と、古いPyTorchを使用している場合の対処法を紹介します。 通常のONNX出力 一般的なONNX出力は次のようになります。 torch.onnx.export( wrapper, (sample, timestep, encoder_hidden_states), os.path.join(outdir, "unet", "model.onnx"), input_names=["sample", "timestep", "encoder_hidden_states"], output_names=["out_sample"], dynamic_axes={ "sample": {0: "batch", 1: "channels", 2: "height", 3: "width"}, "timestep": {0: "batch"}, [&#8230;]]]></description>
									</item>
		<item>
		<title>「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/07/%e3%80%8c%e8%a9%b1%e3%81%97%e3%81%8b%e3%81%91%e3%82%8b%e3%81%a8%e8%87%aa%e5%8b%95%e3%81%a7%e8%aa%8d%e8%ad%98%e3%81%97%e3%81%a6%e8%87%aa%e7%84%b6%e3%81%aa%e5%a3%b0%e3%81%a7%e8%bf%94%e7%ad%94%e3%81%97/</link>
				<pubDate>Tue, 07 Jul 2026 01:18:49 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9730</guid>
				<description><![CDATA[ローカルPC上で完全に動作する音声会話AIを作る方法を解説します。DeepSeek-R1（Ollama）・Silero VAD・Whisper・VOICEVOXを組み合わせて、「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築します。 システム構成 マイク音声 ↓ Silero VAD（発話検出） ← 声が来たら自動で反応 ↓ Whisper（音声→テキスト） ↓ DeepSeek-R1 / Ollama（AIの返答生成） ↓ VOICEVOX（テキスト→自然な音声） ↓ スピーカー 必要なもの ツール 用途 入手先 Python（embed版 or 通常版） スクリプト実行 python.org ollama.exe AIモデルのサーバー github.com/ollama/ollama/releases VOICEVOX（run.exe） 日本語音声合成 voicevox.hiroshiba.jp ffmpeg.exe Whisperの音声前処理 github.com/BtbN/FFmpeg-Builds/releases フォルダ構成 すべてを1つのフォルダにまとめ [&#8230;]]]></description>
									</item>
		<item>
		<title>Pythonでローカル環境にAI生成画像判定ツールを作る方法【サンプルコード付き】</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/20/python%e3%81%a7%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e7%92%b0%e5%a2%83%e3%81%abai%e7%94%9f%e6%88%90%e7%94%bb%e5%83%8f%e5%88%a4%e5%ae%9a%e3%83%84%e3%83%bc%e3%83%ab%e3%82%92%e4%bd%9c%e3%82%8b%e6%96%b9/</link>
				<pubDate>Wed, 20 May 2026 02:01:18 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9669</guid>
				<description><![CDATA[AI画像生成技術の進化によって、実写と区別が難しい画像も増えてきました。「この画像はAI生成なのか？」と確認したい場面もあると思います。 オンラインサービスを使う方法もありますが、画像を外部へアップロードしたくない場合は、ローカル環境で動作する判定ツールが便利です。 この記事では、Pythonを使ってローカルPC上でAI生成画像を判定する簡単なサンプルを紹介します。 ローカル判定のメリット ローカル実行には次のような利点があります。 画像を外部サーバーへ送信しない オフラインでも動作可能 大量の画像をまとめて処理しやすい 自分で処理内容をカスタマイズできる 一方で注意点もあります。 AI生成画像判定は「100%正確」ではありません。最近の生成モデルは非常に高品質で、スクリーンショット化や圧縮後の画像では精度が下がることがあります。 そのため、判定結果は「参考情報」として扱うのがおすすめです。 動作環境 今回のサンプルでは以下を使用します。 Python 3.10以上推奨 PyTorch Transformers Pillow 必要ライブラリをインストール まずは必要なライブラリをインストールします。 pip  [&#8230;]]]></description>
									</item>
		<item>
		<title>CUDA Version表示の正しい意味と、動作するGPU・安全なバージョン選び</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/27/cuda-version%e8%a1%a8%e7%a4%ba%e3%81%ae%e6%ad%a3%e3%81%97%e3%81%84%e6%84%8f%e5%91%b3%e3%81%a8%e3%80%81%e5%8b%95%e4%bd%9c%e3%81%99%e3%82%8bgpu%e3%83%bb%e5%ae%89%e5%85%a8%e3%81%aa%e3%83%90%e3%83%bc/</link>
				<pubDate>Mon, 27 Apr 2026 00:59:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9641</guid>
				<description><![CDATA[はじめに nvidia-smi を実行すると、次のような表示を見ることがあります。 CUDA Version: 13.0 この表示を見て、 「CUDA 13が使える」 「どのNVIDIA GPUでも動く」 と思ってしまうケースが非常に多いですが、これは正確ではありません。 この記事では、 CUDAとは何か（簡単に） CUDA Version 表示の本当の意味 CUDAが動くGPUの条件 推論用途でCUDAを自分で入れる必要があるのか 失敗しないCUDAバージョンの選び方 を整理して解説します。 CUDAとは何か（簡単に） CUDA（Compute Unified Device Architecture）は、 NVIDIAのGPUを使って高速計算を行うための仕組み です。 通常、プログラムはCPUで実行されますが、CUDAを使うことで： 並列計算（同時に大量の処理） 行列計算（AI・画像処理など） をGPUで高速に実行できます。 特に以下の分野で使われます。 機械学習・深層学習 画像処理 科学技術計算 CUDA Version 表示の正体 CUDA Version: 13.0 これは次の意味です。 インストール [&#8230;]]]></description>
									</item>
		<item>
		<title>VAEとは？Stable Diffusionでの役割とONNXへの変換方法（encoder / decoder分離）</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/17/vae%e3%81%a8%e3%81%af%ef%bc%9fstable-diffusion%e3%81%a7%e3%81%ae%e5%bd%b9%e5%89%b2%e3%81%a8onnx%e3%81%b8%e3%81%ae%e5%a4%89%e6%8f%9b%e6%96%b9%e6%b3%95%ef%bc%88encoder-decoder%e5%88%86%e9%9b%a2/</link>
				<pubDate>Fri, 17 Apr 2026 01:21:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9627</guid>
				<description><![CDATA[VAE（Variational Autoencoder）とは VAE（Variational Autoencoder）は、画像を「圧縮」と「復元」するためのニューラルネットワークです。 Stable Diffusion では、画像生成の効率を高めるために重要な役割を担っています。 VAEは主に次の2つの構成要素から成り立っています： Encoder（エンコーダー） 画像（RGB）を潜在表現（latent）に圧縮する Decoder（デコーダー） 潜在表現（latent）を画像に復元する Stable DiffusionにおけるVAEの役割 Stable Diffusionでは、直接画像を生成するのではなく、次のような流れになっています： ノイズから潜在空間（latent）を生成 そのlatentをVAEのdecoderで画像に変換 また、画像を入力として使う場合（img2imgなど）は： 画像をVAEのencoderでlatentに変換 latentを加工・生成 decoderで画像に戻す つまり： 処理 使用する部分 画像 → latent Encoder latent → 画像 Decoder safet [&#8230;]]]></description>
									</item>
		<item>
		<title>PyInstallerでStable DiffusionやQwenなどAIアプリをスタンドアロン化する方法と注意</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/08/pyinstaller%e3%81%a7stable-diffusion%e3%82%84qwen%e3%81%aa%e3%81%a9ai%e3%82%a2%e3%83%97%e3%83%aa%e3%82%92%e3%82%b9%e3%82%bf%e3%83%b3%e3%83%89%e3%82%a2%e3%83%ad%e3%83%b3%e5%8c%96%e3%81%99%e3%82%8b/</link>
				<pubDate>Wed, 08 Apr 2026 03:01:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9614</guid>
				<description><![CDATA[Python製のAIアプリ（Stable Diffusion、Qwen、Wanなど）を「Python未導入のPCでもそのまま動くスタンドアロン実行ファイル」にしたい場合、よく使われるのが PyInstaller です。 pip install pyinstaller pyinstaller &#8211;onefile main.py しかし、AI系ライブラリを含むアプリでは単純にビルドしただけでは失敗することが多く、以下のような追加オプションが必要になるケースがあります。 pyinstaller ^ &#8211;onefile ^ &#8211;hidden-import transformers ^ &#8211;hidden-import diffusers ^ &#8211;collect-all transformers ^ &#8211;collect-all diffusers ^ &#8211;collect-all requests ^ main.py 本記事では、このオプションがなぜ必要なのかを解説します。 なぜPyInstallerだけではうまくいかないのか？ PyInstallerは [&#8230;]]]></description>
									</item>
		<item>
		<title>VRAM 8GBでQwen画像生成モデルを動かす方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/03/vram-8gb%e3%81%a7qwen%e7%94%bb%e5%83%8f%e7%94%9f%e6%88%90%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e5%8b%95%e3%81%8b%e3%81%99%e6%96%b9%e6%b3%95/</link>
				<pubDate>Fri, 03 Apr 2026 00:58:35 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9604</guid>
				<description><![CDATA[Qwenベースの画像生成モデルをローカルで動かそうとして、VRAM不足に悩んでいる方も多いと思います。 今回は Diffusers の transformer_qwenimage.py（QwenTransformer2DModel）を改造してTransformerブロックをCPUにオフロードする ことで、8GBのGPUでも動かすことに成功したので、その方法の一端を共有します。 問題：Transformerブロックが多すぎてVRAMが足りない Qwenの画像生成モデルは内部に大量のTransformerブロックを持っています。すべてをGPU（CUDA）上に乗せたまま推論しようとすると、VRAM 8GBでは当然アウトです。 解決策は単純で 「使うときだけGPUに持ってきて、終わったらCPUに戻す」 という逐次オフロードです。 改造内容：forward() メソッドのブロックループ部分 transformer_qwenimage.py の forward() メソッド内、Transformerブロックをループ処理している箇所を以下のように変更します。 変更前（すべてのブロックがGPU常駐） for block in [&#8230;]]]></description>
									</item>
		<item>
		<title>Qwen Image Edit + LoRAで2回目から高速になる理由【キャッシュの仕組みを解説】</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/31/qwen-image-edit-lora%e3%81%a72%e5%9b%9e%e7%9b%ae%e3%81%8b%e3%82%89%e9%ab%98%e9%80%9f%e3%81%ab%e3%81%aa%e3%82%8b%e7%90%86%e7%94%b1%e3%80%90%e3%82%ad%e3%83%a3%e3%83%83%e3%82%b7%e3%83%a5%e3%81%ae/</link>
				<pubDate>Tue, 31 Mar 2026 01:38:17 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Windows]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9597</guid>
				<description><![CDATA[Qwen Image EditでLoRAを使っていると、初回は1時間かかるのに、2回目からは10分で終わるという現象に気づいた方も多いのではないでしょうか。しかも、プログラムを再起動しても2回目以降は速いまま。この記事では、その理由をキャッシュの仕組みから丁寧に解説します。 結論：2種類のキャッシュが組み合わさっている 速度差の正体は、主に以下の2つのキャッシュ機構です。 OSのページキャッシュ（RAMへのファイルキャッシュ） CUDA / Tritonカーネルのコンパイルキャッシュ（ディスクへの保存） それぞれ詳しく見ていきましょう。 ① OSのページキャッシュ（最大の要因） LoRAやベースモデルの重みファイルは数GBにおよびます。初回実行時はこれをSSDやHDDから読み込む必要があるため、I/Oに時間がかかります。 初回: ストレージ(SSD/HDD) → RAM → GPU ← 遅い 2回目: RAM(キャッシュ済み) → GPU ← 速い OSは一度読み込んだファイルデータをRAMのページキャッシュとして保持し続けます。重要なのは、プログラムを再起動してもOSは動き続けているため、このキャッシュは消 [&#8230;]]]></description>
									</item>
		<item>
		<title>WAN動画生成で緑のブロックノイズが出る原因と解決法【テキストエンコーダーの選び方】</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/28/wan%e5%8b%95%e7%94%bb%e7%94%9f%e6%88%90%e3%81%a7%e7%b7%91%e3%81%ae%e3%83%96%e3%83%ad%e3%83%83%e3%82%af%e3%83%8e%e3%82%a4%e3%82%ba%e3%81%8c%e5%87%ba%e3%82%8b%e5%8e%9f%e5%9b%a0%e3%81%a8%e8%a7%a3/</link>
				<pubDate>Sat, 28 Mar 2026 11:25:48 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9592</guid>
				<description><![CDATA[WAN 2.1で動画生成を試みたとき、出力が緑がかったブロックノイズのような壊れた画像になった経験はないでしょうか。この問題の原因は、テキストエンコーダーの種類の間違いとFP8量子化の非互換性の組み合わせにあります。 原因①：テキストエンコーダーのアーキテクチャが違う よく混同されるのが、以下の2つのエンコーダーです。 モデル 使うT5エンコーダー FLUX T5-XXL（標準） WAN 2.1 umt5-XXL（UniMax T5、別アーキテクチャ） t5xxl_fp8_e4m3fn.safetensors は主に FLUX向け に配布されているファイルです。WAN 2.1が期待する umt5-xxl とはアーキテクチャが異なるため、テキスト埋め込みの次元やAttentionの構造が合わず、エンコーダーの出力が壊れます。 原因②：FP8 e4m3fn の数値表現の問題 FP8 e4m3fn は非常に狭いダイナミックレンジ（約 -448 〜 +448）しか持ちません。 FP16：約 ±65,504 BF16：約 ±3.4×10³⁸ FP8 e4m3fn：約 ±448（極端に狭い） WANのランタイムがFP8の [&#8230;]]]></description>
									</item>
		<item>
		<title>safetensorsの「配線」はどこにある？Netronで線が見えない理由をわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/25/safetensors%e3%81%ae%e3%80%8c%e9%85%8d%e7%b7%9a%e3%80%8d%e3%81%af%e3%81%a9%e3%81%93%e3%81%ab%e3%81%82%e3%82%8b%ef%bc%9fnetron%e3%81%a7%e7%b7%9a%e3%81%8c%e8%a6%8b%e3%81%88%e3%81%aa%e3%81%84%e7%90%86/</link>
				<pubDate>Wed, 25 Mar 2026 01:32:31 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9583</guid>
				<description><![CDATA[機械学習モデル（特にTransformer系）を触っていると、.safetensors ファイルをNetronで開いたときに、 「ノードが並んでいるだけで、配線（接続）が見えない」 という疑問にぶつかることがあります。 この記事ではこの現象の理由と、実際にブロックの接続（配線）がどこに記録されているのかを整理して解説します。 なぜNetronで配線が見えないのか？ 結論から言うと： safetensorsには「配線情報」が入っていないためです。 safetensorsの正体 safetensors は非常にシンプルな構造をしています。 パラメータ名 → 数値テンソル 例えば： transformer_blocks.3.attn.add_k_proj.weight のように、「名前」と「行列データ」が紐づいているだけです。 safetensorsに含まれていないもの 以下のような情報は 一切保存されていません： forward関数（計算手順） ノード間の接続関係 データの流れ（計算グラフ） レイヤー間の依存関係 つまり： そもそも配線図そのものが存在しない のです。 Netronで何が表示されているのか？ Ne [&#8230;]]]></description>
									</item>
		<item>
		<title>Python（embed版）でCUDA対応PyTorchを使ったGPU推論環境の作り方</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/23/python%ef%bc%88embed%e7%89%88%ef%bc%89%e3%81%a7cuda%e5%af%be%e5%bf%9cpytorch%e3%82%92%e4%bd%bf%e3%81%a3%e3%81%9fgpu%e6%8e%a8%e8%ab%96%e7%92%b0%e5%a2%83%e3%81%ae%e4%bd%9c%e3%82%8a%e6%96%b9/</link>
				<pubDate>Mon, 23 Mar 2026 01:56:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9570</guid>
				<description><![CDATA[はじめに 最近のGPU環境では「CUDAは自動で入っているのか？」「PyTorchはどこまで自動でやってくれるのか？」といった疑問を持つ人が多いと思います。 この記事では、Pythonのembed版（ポータブル環境）でCUDA対応PyTorchを使ったGPU推論を行う方法を、最小構成でわかりやすく解説します。 結論（重要ポイントまとめ） RTX 20xx以降でも CUDAは自動では入らない ただし PyTorch（CUDA版）に必要なライブラリは同梱されている GPU推論だけなら 👉 torchだけでOK（torchvision / torchaudioは不要） 必須なのは 👉 NVIDIAドライバのみ CUDAは勝手に入っているのか？ 結論： 👉 入っていない（完全な形では） ただし以下の理由で「入っているように見える」ことがあります： NVIDIAドライバに一部CUDAランタイムが含まれている PyTorchなどが必要なCUDAライブラリを同梱している そのため、 👉 「何もしてないのにGPU動いた」＝内部で依存関係が入っているだけ PyTorch（CUDA版）の仕組み CUDA対応のPyTorchは以下 [&#8230;]]]></description>
									</item>
	</channel>
</rss>
