検索 - みる会図書館

全データから 93355件見つかりました。
トランジスタ技術 2016年08月号

特集付録 x ホビー・スバコンで科学の実験 リスト 5 ラズベリー・パイ 3 にマウス [ 図 1 ( a ) ] を見せて認識させる実験用プログラム 実験結果は図 1 (b) # # # カメラで撮影した画像を TensorF10w の画像認識サンプル camera. stop_preview ( ) # # # classfy-image. PY を使って認識する例 # 撮影した画像を f 。 0. jpg に保存 camera. capture (,f00. jpg ) # 撮影した画像をディスプレイに表示 im = lmage. open (,f00. jpg ) im. show ( ) print ("start tO recognize") # 外部プロセスとして class 土 fy ー土 mage. py を呼び出し何が写っているか 認識させる subprocess. ca11 ("python classify—image ・ py ——image— f土1e=f00. jpg" ′ she11=True) プロローグ 1 2 3 4 5 6 7 8 9 import picamera import subprocess import OS from P 工 L import lmage with picamera. PiCamera ( ) as camera: camera. resolution = ( 640 ′ 48 の # プレビューを開始 camera. start_preview ( ) # 改行のコード入力を待つ raw—input ( ) より詳しく知りたい場合には , 深層学習④や深層学 スを提供しています . 動画像に字幕をつけるなどの興 習 Deep Learning(5) が参考になると思います . 味深いサンプルもあります . さまざまな人工知能を試 実験に使った Google の TensorFlow のようなフレー せる時代になりそうです . ムワークだけでなく , 大手べンダが人工知能のサービ らしたりしながら計算を繰り返します . この計算式で求まった結果が , トレーニング・ ・第 2 処理 . 工ビデンスを確率に変換する データで与えられる正解たとどのくらい近いかを , 工ビデンスを確率に変換する s 。 ftmax という関数を 交差ェントロピを使って評価します . 交差工ントロ 利用して , 10 個の数字に対応する確率分布を求めます . ピを求める演算を cross ー entr 叩 y という名前で定義 しています . この評価式を使ってルとわを最適化す TensorFIow には , softmax や matmul など , 機械学習 るためには , TensorFIow に用意されている tf. train. によく使う演算ライプラリが用意されています . ・パイ 3 にトレーニング・データを入力 GradientDescentOptimizer が使えます . 勾配降下 ラズベリ 法によって , がたと近くなるようにルとわを調 して , 次式のルとわの最適な値を求めます . く三好健文〉・ 整していくわけです . y = tf. nn. softmax (tf. matmul(), W) + b) 5 6 図 B ⑦ TensorFlow のチュートリアルに例示されている各文字の重みをラズベリー・バイ 3 に学習させた結果 プロローグ ( p. 40 ) でカラー画像をご覧いただけます ン 9 技術 2016 年 8 月号 4 3 2 1 0 9 8 7 101

トランジスタ技術 2016年08月号

import picamera import picamera. import numpy def picam_capture ( ) : # 撮像する画像サイズ 560X560 WIDTH= 560 HEIGHT= 560 # 生成する画像サイズ 28X28 RETURN_WIDTH = 28 RETURN_HEIGHT = 28 W_DIV = WIDTH//RETURN_WIDTH H_DIV = HEIGHT//RETURN_HEIGHT MAX = 1. ☆ W_DIV ☆ H_DIV # PiCamera を使って画像を取得 With picamera. PiCamera ( ) as camera: camera. resolution = (WIDTH ′ HEIGHT) # カメラのプレビューモードをオンにする カメラでプレビューした 用紙に 4 ' という文字を描いて して認識するかどうか実験 で , 手描き文字 ( 数字のす ) をカメラで写 で得た結果をラズベリー・バイに組み込ん 写真 2 Tenso 日 ow のチュートリアル学習 リスト 2 ラズベリー・バイ純正カメラで取得した画像データを 28X28 ピクセルのデータに変換するプログラム ・ , 0.8 釚 0.8 # # # PiCamera を使って紙に手で書いた文字を撮影するためのプログラム camera. start_preview ( ) # 工ンターキーが押されるのを待つ raw—input ( ) with picamera. array. PiRGBArray (camera) as stream: camera. capture (stream, format='bgr') image = stream. array camera. stop—preview ( ) = numpy. array (image, dtype=numpy. float) xmage_ a = [ O. ] ☆ (RETURN_W 工 DTH ☆ RETURN_HEIGHT) b = [MAX] ☆ (RETURN_WIDTH ☆ RETURN_HEIGHT) # 取得した画像テータを白黒化 . 20X20 ピクセルを 1X1 ピクセルにまとめる a [ (Y//H—DIV) ☆ RETURN_HEIGHT + (X//W—D 工 V) ] Y c= image-[y] [x] for x in range (WIDTH) : for y in range (HEIGHT) : + = ( 2 5 5. ( c [ 0 ] + c [ 1 ] + c [ 2 ] ) / 3. ) / 2 55. a = numpy. divide (a ′ b) return a if ma 1 n a = picam—capture ( ) print(a) : - / セを - ・セ python Pi(0新ー(0Ptリ代 . py ras berr を 図 7 なんとなく数字の・ 4 ' に見える 0. 0.0 は : 畑 .8 .2 0. 0. 0. eø・、 0.8 1. Tenso 日 ow のチュートリアル学習で得た結果をラズベリー・バイに組み込んで , 手 描き文字 ( 数字の・ 4 ' ) をカメラで写すとこのような結果が得られた 適当なしきい値 ( 0.8 ) を設定して , それより大きいときは 1 .0 , 小さいときは 0 ℃を表示している tensorflow/models/image/imagenet/ の下の classify_image. py です . 次のようにキーボー 98 初回実行時 (/tmp/imagenet にデータがない場合 ) python classify_image. py ドから入力すると実行できます . には , 学習済みのデータをダウンロードして実行され ます . デフォルトでは , /tmp/imagenet/cropped_ panda. png のパンダ画像 ( 図 9 ) を読み込んで , 「これは パンダだ」と判断しています ( 図 10). このサンプル・プログラムでは , python classify_image. py ーー image = PNG ファイル ンシスタ技術 2016 年 8 月号

トランジスタ技術 2016年08月号

付録 x ホビー・スバコンで科学の実験 特集 ライアントでも実行できます . ラズベリー・パイ 3 の 0 実験 ターミナルで Python インタブリタを起動して , ・実験の準備 import tensorflow as tf ラズベリー・パイ 3 と連携して動作するように c = tf. constant ("HellO, distributed TensorFlow / " ) ソコン用の環境にも TensorFIow をインストールしま sess = tf. Session ("grpc:// 10.0.0.4 : 5555 " ) す . ラズベリー・パイ 3 上に構築する手順 ( 6 ) を真似し 0 sess. run ( C) て自分でビルドすることもできます . としてみます . 10.0.0.4 は , TensorFlow サーバを起動 私は , CentOS 7 の上でビルドしたバージョンを利 用しました . 自分でビルドしない場合でも , サンプル したパソコンの IP アドレスです . や便利なスクリプトを利用するために , 手元に 実行すると , ラズベリ パイ 3 で "Hello, TensorFIow 一式をダウンロードしておきましよう . distributed TensorFIow / " という表示が出力されま す . tcpdump を使って観測してみると , 図 2 のように ・ HeIIo WorId で動作確認 / パソコンにインストールした TensorFlow 環境がネ 通信が発生していることが確認できます . ットワーク越しで利用できることを確認します . ・ラズベリー・バイ 3 x パソコン / 文字認識を試し ターミナルを開いてサーバを起動します . サーバ起 てみよう / 動用のラッパ・スクリプトを使うのが便利です . ネットワーク越しの TensorFlow サーバを利用する サー ときは , セッションのインスタンスを作成する際に バを起動するには , TensorFlow リポジトリのルート・ URI を指定すれば OK です . 文字認識プログラムでも ディレクトリの下で , 分散 TensorFIow を利用してみましよう . . /te nsorflow/tools/dist_test/server/grpc— チュートリアル ( 10 ) では , tensorflo 、 v__server_wrapper. Sh ¥ sess = tf. lnteractiveSession ( ) ー cluster—spec = ' IOC 酬 localhost : 5555 ' ー j0b— ー task_id = 0 name = local として , TensorFlow セッションのインスタンスを生 と入力します . これで , 5555 番ポートで待ち受ける 成していますが , 単に サーバを起動できます . サーバを起動したパソコンの sess = tf. InteractiveSe ssion (' grpc: 〃 10.0.0.4 : 5555 " ) 別のターミナルで Python インタブリタを起動して , とすれば , 10.0.0.4 の上で動いている TensorFlow サー import tensorflow as tf バに処理を投げることができます . 他に変更する必要 c = tf.constant ("Hello, distributed TensorFlow / り がないのがフレームワークの恩恵ですね . sess = tf. Session (' grpc. //10Calh0St:5555") 試してみると , 1 時間弱で学習とテストが完了しま sess. run (C) した . このときのテスト・データでの文字認識の成功 率は 99.29 % で , 最初のチュートリアルのモデルより と入力すると , ターミナルに "Hello, distributed 高い精度で文字を認識できています ( 図 3 ). TensorFIow / " と表示されます . たった 1 行修正するだけで , ラズベリー・パイ 3 の 肝は , tf. Session で TensorFlow セッションのインス タンスを作る際の引数にサーバの URI(UniversaI カメラや I/O を簡単に扱えるメリットを活かしつつ , Resource Locator) を指定している点です . たったこ 計算速度が遅い・メモリが少ないというデメリットを パソコンで補うことができます . 活用の幅が広がりそ れだけで , 起動した TensorFlow サーバ上に処理を任 く三好健文〉 うですね . せることができます . もちろん , 同じパソコンからだけではなく , 別のク をロー na い - ーーも 8 [ y grap 内 : % su 面 tcpdl.•• -i ・れ P25 ・四杙 5555 tcpå—: 「 5 ・セ P 5 叩 pr ・ 55 , 動 5 ・ 0 -vv fO 1 ー pro セ 0 ー d ・ ( ・ ー is セ・れ i ・れ P25 ・ , link-type ( Eth ・れ社 ) 第 capture 5 ・ 65535 b ・ 5 ・ 5 : 25 : ・ 1.929852 IP 1 ・ . ・ .0.1 ・ 2. 124 》叩四・ p ・門 09 ・れセ : れ 095 CP. ] 第 5 ・ q 125 1538 % 5 : 貶 5153813 ack 3 14 824 , 0 22 % op 85 [ , , TS ー 33 ・ 2 9 ・ ( 3347318 ] , 1 ・物花 ・ 5 : 25 : ・ 1.93 IP 叩 . 門 ond ー -09 ・ n セ 1 ・ . ・ .0.1 ・ 2. 124 : れ 5 [ P. ] 第 5 ・ q 1 : 6 図 2 TensorFIow の分散 2 , ack 花 , 235 , tions [ , , TS 01 33 871 ・ ( ′ 3 聞 2 9 ] , 1 ・ th 61 処理が機能してパソコンと ・ 5 : 25 : ・ 1.931122 IP 1 ・ . ・ . ・ .1 ・ 2.5 ・ 124 》叩四 . p ・門 onal 、 -09 ・れ t : FI 5 [. ] , ack 62 , れ 22 % セ i85 [ 第 , お 0 ー 3 245 ・・ ( 33 871 ] を一・セ h ・ 通信していることがわかる tcpdump コマンドで観測 103 ンタ技術 2016 年 8 月号

トランジスタ技術 2016年08月号

特集付録 x ホビー・スバコンで科学の実験 Variable VariabIe MeanC NegtZ range< 6 more 入力と出力の関係が保たれる都合のよい 処理変数を割り出す演算プロック (b) grdient 演算プロックの入出力 けの数値計算開発環境 ( フレームワーク ) です . よく使 う関数をライプラリでもっていて , C, C + + , Python の 3 種類のプログラミング言語を利用できま す . パソコンはもちろんラズベリー・パイ 3 の上でも 利用できます . ライプラリを使って数値演算をノード , 演算データ Tensor の配列 ( テンソル ) を工ッジとするデータ・フロー・グ ラフを組み立てることができます . 機械学習プログラ ミングの基本的な構成方法の一つであるニューラル・ ネットワークもライプラリを使って構築できます ( 図 4 ). 一般に , ニューラル・ネットワークのパラメータは , 高性能なコンピュータで莫大な計算を実行して算出し ます . 公開されているフレームワークやライプラリで は , GPU や複数のコンピュータを使って効率よく計 算できるしくみを提供するものもあります . ・ TensorFlow をコンバイルしてインストールする TensorFlow が備えるライプラリをインストールし ます . ラズベリー・パイ 3 向けのコンパイルずみ TensorFlow パッケージが公開されているので ( 6 ) , pip コマンドを使ってインストールしてください . 構築の 手順はドキュメントとしてまとめられているので自分 でコンパイルすることもできます . コンパイルには数 時間かかります . pip を使ってインストールするにしても , サンプル・ プログラムを簡単に試すために , TensorFIow—式を 手元に置いておくとよいでしよう . 次のようにキーポードで入力して , GitHub から clone します . git clone ー -recurse ー submodules https:〃 github .com/tensorflow/te nsorflow ・パイ 3 に TensorFlow を組み込んで , ラズベリ 人工知能を体験してみましよう . プログラミング言語 ・ラズベリー・バイにカメラをつなぐ は python を利用します . 図 3 に実験の全体像を示し ラズベリー・パイ純正カメラを使えるようにします . ます . python スクリプトでラズベリー・パイ純正カメラ を使うために , picamera をインストールしましよう . ・定番の人工知能実験プラットフォーム TensorFIow 画像処理用ライプラリ (PiIIow と ImageMagick) もイ で遊ぶ TensorFIow(1) は , オープン・ソースの機械学習向 ンストールします . picamera と Pillow の二つのライ トランシスタ技術 2016 年 8 月号 Mean プロローグ 1 2 3 4 5 6 7 8 9 gradient.. Gradient 出力 gradient 人力 range start delta gradient.. Rank Neg gradient... 楕円はノード . sum( 加算 ) や mul( 積算 ) を 組み合わせて 所望の演算網 ( 例えばニュー ラル・ネット を構築する ) Sum reductio … mul g 「 adient … Log Placeholder 1 g 「 adient... gradient... Softmax gradient... add Va 「 iable.. MatMul Variable.. gradient... Placeholder (a) 演算フロー 図 4 人工知能プログラミング環境 TensorFIow(GoogIe) に構築 された so 負 max 回帰による文字列認識の演算フロー smu や m などの演算ノードを組み合わせている 実験の準備 gradient... 95

トランジスタ技術 2016年08月号

step 1 , training 5 セ叩 193 % , 0 朝 i れ 9 5 p 19 , セ aini れ 9 5 p 197 第 ai れ i れ 9 step 198g 第 ai れ i れ 9 ◆第 8 章と Appendix B の参考文献◆ ( 1 ) TensorFIow, https: 〃 www.tensorflow.org ( 2 ) 特集ラズバイではじめる人工知能コンピュータ , インター フェース , 2016 年 7 月号 , CQ 出版社 . ( 3 ) 松尾豊 ; 人工知能は人間を超えるか , KADOKAWA/ 中経 出版 , 2015. ( 4 ) 岡谷貴之 : 深層学習 ( 機械学習プロフェッショナルシリー ズ ) , 講談社 , 2015. ( 5 ) 麻生英樹 , 安田宗樹 , 前田新一 , 岡野原大輔 , 岡谷貴之 , 久保陽太郎 , ポレガラダヌシカ , 神嶌敏弘 ( 編集 ) ; 人工知能 学会 ( 監修 ) , 深層学習 Deep Learning, 近代科学社 , 2015. ( 6 ) lnstalling TensorFlow on Raspberry Pi 3 (and probably 2 as well) , https://github.com/samjabrahams/tensorflow - on - raspberry ー Pi ( 7 ) MNIST For ML Beginners https・//www.tensorflow.org/versions./rO.8/tutorials/mnist/ be ginners/index. html ( 8 ) lmage Recognition https://www.tensorflow.org/versions/rO.8/tutorials/image— recognition/index. html ( 9 ) Distributed TensorFlow https・//www.tensorflow.org/versions/r().8/how—tos/ distributed/in dex. html ( 10 ) Deep MNIST for Experts https://www.tensorflow.org/versions/r().8/tutorials/mnist/ 5 セ・ p t ・ 5 セ 「・ 01 05 ・ 0 191g , セ rai れ i れ 9 0 ( ( u 「 0 step 192 % , セ ai れ i れ 9 0 ( ( 0 5 地 p 195 , ai れ i 0 ( ( 0 に 0 5 p 19 , t ai れ i れ 9 0 ( ( 0 ′ 0 ( y 5 p 1998 , セ「 ai れ i れ 9 0 ( ( u00 ( y 0 ( ( u 0 ( y 0 ( ( 0000Y 0 ( ( リ′ 0 ( y 0 ( ( 000 ( y 0 ( ( u00 ( y ・ .98 1 1 1 1 1 1 1 1 1 0 ( ( u 「 0 ( y 0. 的 29 5 25.8635 32.1505 1 新 17.785 トレーニング結果を テスト・データで試 した結果 ( 正解率 99 % ) ” 59 分 26 秒 pi 05P し・にヴ p 辷一 / セ色を名 st まー 図 3 Tenso 「日 ow の文字認識プログラムをラズベリー・バイと パソコンで協調したところ , 1 時問弱で学習とテストが完了した ラズベリー・パイ 3 単体で計算したときは 6 時間を要していた CQ 出版社 のエレクト pros/index. html http::'/seminar.cqpul). CO. jp/ ー①ラズベリー・バイ 3 て IOT / Web 電子工作ことはじめ LCD / 赤外線送受信 / ハイ レゾ再生 / 3 大気象センサ付き / トランジスタ技術 2016 年 8 月号に 付属したラズベリー・パイの機能を 拡張したシールド基板を組み立て , ・パイで制御する実習を ラズベリー 2016 / 9 / 17 ( 土 ) 《 1 日コース》 講師電子工学工ンジニア小野寺康 幸氏 ④直伝 / 最新 FPGA を使ったビデオ・ システムの開発・外部インターフ ェース ( カメラリンク送信 ) 拡張編 機器間でお手軽にデータ転送 / 本セミナでは , 高性能 MPU を搭 載した最新 FPGA で構築した簡単 なカメラ・システムにカメラリンク : ータ送信を実現する . 2016 / 7 / 20 ( 水 ) 《 1 日コース》 講師 : アドバンスド・テクノロジー ーリサーチ・ジャパン早乙女勝昭氏 104 厄 T 時代のエンジニアに贈るおすすめ実習講座 ロニクス・ セミナ ー送信レ F 機能を実装して外部へのデ一ヶーションの製作や外部デバイスの制御方 ② Linux 組み込みシステムの開発 [ 講師による実験実演付き ] 操作法からデバイス・ドライ バ作成 , ROM 化の事例まで , カー ネル 3 ℃対応 SH ー 4A CPU の小型の組み込み Linux*—ドを例に , 組み込み機器 の開発に Linux を利用する際の参考 ーとなる事例やノウハウを紹介する . 2016 / 8 / 18 ( 木 ) ~ 19 ( 金 ) 《 2 日コース》 講師・シリコンリナックス海老原祐 太郎氏 ⑤実習・ラズベリー・ノヾイ 3 ては じめる IoT 超人門 [ ネット & 組み込 み開発シリーズ 2 , 教材基板付き ] web アプリ , 外部デバイス 制御から Android 連携まで 組み込みプログラミングと組み込み ! Linux の基礎について解説し , Web アプリ 法についてラズベリー・パイ 3 で実習する . 2016 / 8 / 21 ( 日 ) 《 1 日コース》 講師 : 筑波大学システム情報系山際 伸ー氏 ③ N0de-REDx ラスパイて Web コンピュータ・プログラミング ラズベリー・パイもサクサ ク動かせる / ブラウザでお絵描 きレ 0 / cqpub. co. jp/) にて公開予定 詳細は Web サイト (http://seminar. 講師 . バステルマジック桑野雅彦氏 ンサの情報を取得する実習を行う . で構築しリモート・アクセスによりセ クライアント・システムを Node ー RED ラズベリー・パイ 3 を使ってサーバ / 、 cqpub. co. jp/) にて公開予定 詳細は Web サイト (http: 〃 seminar. 講師 : 構造計画研究所藤井義巳氏 / 大堀文子氏 ー信やディジタル変復調の実験を行う . ーて , SDR による FM 変調信号の送受 SimuIink とラズベリー・パイを使っ 本セミナでは , MATLAB / を ーディジタル変復調実験まで S DR による F M 送受信から ウェア無線ことはじめ ズベリー・バイによるソフト ⑥ MATLAB/Simulinkx ラ ンシスタ技術 2016 年 8 月号

トランジスタ技術 2016年08月号

Appendix B いつもの パソコンで アシスト 人工知能プログラミング環境 TensorFIow の 分散処理機能で高速機械学習 ラズベリーバイ 3 で 6 時間かかった文字認識が 1 時間弱で終了 / 実際にディープ・ニューラル・ネットワークによる ■ラズベリー・バイには本格的な文字認識は 文字認識モデルのパラメータをラズベリー・パイ 3 で 荷が重い・・・パソコンの力も借りて高速処理 学習させると , 6 時間半もの時間を要しました . とこ 本格的な文字認識処理⑩では , ディープ・ニュー ろが , Corei3CPU, メモリ 16G バイト搭載したデス ラル・ネットワーク ( 注 1) による文字認識モデル ( リス クトップ・パソコンで同じプログラムを実行すると , ト 1 はモデルの構築部分を抜粋したもの ) が用いられ 約 50 分で演算が終了しました . 普段使っているパソコンを利用しない手はありませ ており , 本文の入門者向けチュートリアル・ミニ実験 ん . 図 1 に示すように , 数値演算プログラミング環境 ( 本文のリスト 1 ) よりはるかに複雑です . 演算回数も TensorFIow は , ネットワーク越しにあるコンピュー 多く , 大量のメモリが必要です . タに計算を割り振ることができます⑨ . リスト 1 Tenso 「日 ow に用意されている本格的な文字認識処理 ディープ・ニューラル・ネットワークによる文字認識モデル # # # ディープニューラルネットワークによる文字認識プログラム # # # 計算モデル定義部分の抜粋 # # # 最初のチュートリアルと比べるとモテルが . かなり複雑である def weight_variable(shape) : initial = tf. truncated_normal(shape ′ stddev= 0.1 ) return tf.Variab1e(initia1) def bias variable(shape) : initial = tf ℃ onstant(). 1′ shape = shape) return tf.Variab1e(initia1) def conv2d(), W) : return tf. nn. conv2d(><' W ′ s t r 土 de s padding = 'SAME') def max_p001_2x2 (x) : return tf. nn. max—pool(x ′ ksize = [ 1 ′ 2 ′ 2 を 1 ] = 'SAME') [ 1 ′ 2 ′ 2 ′ 1 ] ′ padding strides = tf. nn. re1u(conv2d(x image ′ W convl) 十 b convl) h convl h - P0011 ー max_p001_2x2 (h convl) W conv2 = weight_variab1e([5, 5 ′ 32 ′ 64 ] ) b conv2 = bias variab1e([64]) tf. nn. re1u(conv2d(h_P0011 ′ W conv2) 十 b conv2) h conv2 h 一 P0012 = max_p001—2x2 (h_conv2) W fcl = weight_variab1e()7 ☆ 7 ☆ 64 ′ 1024 ] ) b fcl = bias variab1e([1024]) h ー P0012 flat = tf. reshape(h_p0012 ′ [ ー 1 ′ 7 ☆ 7 ☆ 64 ] ) tf. nn. relu(tf. matmu1(h_p0012 flat, W fcl) 十 b fcl) h f c 1 keep_prob = tf. placeholder(tf. f10at32) h fcl_drop = tf. nn. dropout(h fcl ′ keep_prob) W fc2 = weight_variab1e([1024, 10]) b_fc2 = bias variab1e([10J) [ 1 ′ 1 ′ 1 ] 1 ′ = weight_variab1e(C5, 5 ′ 1 ′ 32 ] ) W convl b convl = bias variab1e(C32]) = tf. reshape()t [ - 1 ′ 28 ′ 28 ′ 1 ] ) X lmage y_conv = tf. nn. softmax(tf. matmul (h fcl_drop, W_fc2) 十 b fc2) 速いパソコン① Tenso 「 Flow ( サーパ・ プロセス ) レ イ デ カメラ 0 タスク A センサ ァータ 図 1 TensorFIow の分散 処理機能を利用すればデ ィープ・ニューラル・ネ ットワークによる文字認 識モデルのバラメータ計 算を高速化できる ラズベリー・パイ 3 で学習さ せると 6 時間半も要するが , Core i3 CPU, メモリ 1 6 G バイト搭載したデスクトッ プ・パソコンで同じプログラ ムを実行すると約 50 分で終 了する ( 注 1 ) ディープ・ニューラル・ネットワーク : ニューラルネットワークを多層に重ねたもの . 層数を増して少ないノードで同じ性能のネットワークを作る . 局所収東や学習が進まなくな 102 る課題は , 事前学習や Dr 叩。 ut の新技術 , 活性化関数などで解決している . 文献 ( 3 ) を参照 動画像 GPU 付きの超速い パソコン ( ② TensorFlow ( サーパ・ プロセス ) ラスペリー・ノイ 3 タスク B TensorFlow ンシスタ技術 2016 年 8 月号

プロフェショナルBSD

9.1 インターネットプロトコル系ネットワーク ルトルートを設定するためには次のようにする。 # route add default c 0 土Ⅱー g 臂 1 # て 0 te add default c 0 土Ⅱー g ・・・ NET / 2 より前の BSD 系 UNIX ・・・ NET / 2 および 4.4BSD 現在の UNIX では IP 層のバケットを直接扱うためには AF_INET 、 SOCK_ RAW を使ってソケットを開く。この場合、上位層に TCP/UDP などのプ ロトコルを持っバケットは受け取れないので注意が必要である。 9.1.3 ARP テープルの操作 IP アドレスからイーサネットアドレスへの対応表を自動的に取得し、テー プルを作成するためのプロトコルとして Address Resolution Protocol(ARP) が あることは「 3.5 インターネット・プロトコルスーツの概要」で述べた。 UNIX では ARP はカーネルの内部に実装されており、要求に応して起動されるよ うになっている。 ARP は基本的にハードウェアプロードキャストを使って IP アドレスを送 り、その IP アドレスに対する権限を持っているホストがこのバケットを受 信するとそのイーサネットアドレスを返す、という動作を行っている。 UNIX では矼 p を使うことによって直接 ARP テープルを制御する機構が 提供されている。基本的に # arp % arp # arp —s Hostname EtherAddress とすることによって現在の ARP テープルの表示を、 —d Hostname とすることによって ARP テープルエントリの設定を、 431 ARP はイーサネットのみに必要な技術ではなく、ハードウェアアドレスを ス市 ess は、、 0 丑 c0 : ad : 46 : 55 クのような、、 : 〃で区切られた 16 進数の数字で表す。 こで、 E げ によって ARP テープルエントリの削除をすることができる。

プロフェショナルBSD

7 章ソフトウェア開発環境 ステムが cvs (Concurrent Versions System) である。 CVS は内部的に RCS の機能を呼び出すように実装されている。つまり、ファイルのロックや文字 列の置換などの操作は RCS が行っている。しかし、コマンド体系は全く別 のものとなっている。 CVS は以下の 6 つの特徴を持っている。 ①同時編集を許し、衝突解決 (conflict-resolution) アルゴリズムを用いて変更が衝 突しても、それが失われることがないように保証 ②他者の開発したソフトウェアに対するローカルな変更を管理しながら、元のソフ 可能 ⑥ 2 つのリリース間での差分を patch コマンドが利用できる形で生成する ディレクトリ構造が変更されている場合でも取り出すことができる ⑤ソフトウェアのリリースにタグを付けて管理することが可能。以前のリリースも ④変更に対する記録 ( ログ ) をさまざまな形で記録可能 ③柔軟性を持ったモジュールデータベースを提供 トウェアに対するバージョンアップを管理可能 ことが があり、いくっかの管理ファイルが保存されている ( 図 7 ー 2 ) 。 は実際の RCS で管理する , v のファイルのほかに特別なディレクトリ CVSROOT 呼ばれる 1 つのディレクトリの下で管理されている。このソースリポジトリ CVS で管理されるファイルは、、ソースリポジトリ (sourcerepository)" と CVSROOT editinfo,v /usr/s 「 c/master modules,v doc prof-bsd commitiofo,v 354 図 7 ー 2 main. tex,v CVS ソースリポジトリ rev-ctrl.tex,v

IO 2016年 07月号

セスログを学習させ、サーバの負荷が上がる条件 を学習させる、といったことはできません。 ( 正確には精度が出ません ) 。 サーバの負荷は単にユーザーからのアクセス だけでなく、サーパ内のさまざまな処理にも影響 されているはずです。 また、ある日にアクセスが集中していたからといって、 常にその日アクセスが集中するとは限らないはずです。 特定のイベントなどが原因であれば、そのイベントの 有無といったデータが予測に必要になるはずです。 このように「機械学習」は「予測」に必要十分な データがあって初めて効果を発揮する ( 精度を出せ る ) 手法であり、どんな「データ」がどれくらい必要か、 といった検討なしに効果を出すことはありません。 ・自動的に学習してくれる 自動的に学習しているように見える手法は確 かに存在しますが、「学習に際し人の判断 ( 設定 ) が介在しない学習手法」は存在しませんし、登場 するとしても相当先の未来と思います。 大半の「機械学習」において、単に集めただけの 「データ」が使えることはあまりなく、そこからさま ざまな加工をして「機械学習」モデルが条件を学 習できるよう、「学習用のデータ」を作ります。 ( つまり、「お膳立て」をするということです ) 。 代表的な例としては、そのデータから導かれる 正解は何か、ということを人が各データに対して 設定することです。 また、さまざまな「機械学習」モデルにはさまざ まなパラメータが存在します。 カメラを使うときに「ピント」や「しばり」を調 整するように、「学習」を行なう際には「学習デー タ」をうまく学習できるように、「モデル」の「パラ メータ」を調整する必要があるのです。 「画像系の学習」に際しては「モデル」の進化 によって割合雑多なデータからも学習が可能に なってきていますが、人が学習に際して行なわな ければならない作業量は依然多く、その工程は自 動的ではない、ということです。 今さら人に聞けない『機械学習』 ・「機械学習」から得られる条件の精度は高精度 原則的に、「機械学習」から得られる精度は一部 領域を除き人間のほうが精度が高いです。 「一部領域」とは、「機械学習」が力を充分に発 揮できる以下のような条件を満たしている領域 ・テータの判断に揺らぎが生じない。 ・データの表現方法が規格化されている。 ( 数値化 ) されており、また充分な量がある。 ・条件を導くのに必要な全ての情報がデータ化 く「機械学習」が力を発揮できる条件 > のことです。 る」というメリットがなくならない点には注意し が難しい条件を、システムに実装することができ ただ、これにより前述した「人が定義すること すことは難しいのです。 出せますが、それ以外については充分な精度を出 「機械学習」は得意領域では非常に高い精度を ない考えということが分かるかと思います。 用すればすべて上手くいくというのが現実味の 以上のことから、「ビジネス」に「機械学習」を適 ないことはありません。 見て今後どうするべきか、という判断に揺らぎが られていることは稀ですし、何よりそのデータを 判断に必要なデータがすべて形式が整い揃え ものになります。 そして、「ビジネス」におけるデータもこの種の 印象かといった判断は人により揺らぎがあります。 格はありませんし、該当の文がどんな意味か、どんな うに特定の単語のみ使わなければならないという規 方法とも言える「単語」には画像における RGB のよ 分野です。データは充分にありますが、文章の表現 逆にこれが当てはまりにくいのが、「自然言語」の に揺らぎが生じません。 化されていて、「猫の画像は誰が見ても猫」と判断 高さ x 色 ( RGB ) 」というデータの表現方法が規格 インターネット上に膨大なデータがあり、「幅 x これがよく当てはまるのが、「画像領域」になります。 てください。 月【レ OWEB 版】では、書籍「人工知能ガイドブック」の編集部セレクト版 PDF がダウンロードできます。

対訳ISO 9001:2008(JIS Q 9001:2008)品質マネジメントの国際規格 : ポケット版

288 ISO 9000 sequent recalibration, comparlson with the met- rological requirements for the intended use 0f the eqmpment, as well as any required sealing and labelling. NOTE 2 Metrolog1caI confirmation IS not achieved until and unless the fitness of the mea- surmg eqmpment for the intended use has been demonstrated and documented. NOTE 3 The requirements for intended use ⅲ - clude such considerations as range, resolution and maxlmum permissible errors. NOTE 4 Metrological requn•ements are usually distinct from, and are not specified in, product re- qmrements. 3.10.4 measuring measurmg instrument, software, measurement standard, reference material or auxiliary appara- tus or combination thereof necessary tO realize a measurement process ( 3.10.2 )