IoTシステム技術検定 試験対策⑤

IoT技術テキスト -MCPC IoTシステム技術検定 対応

今回はIoTシステム技術検定の試験対策として「第6章 IoTシステムのプロトタイピング開発」を中心にまとめます


データフォーマットの検討(CSV):
データがコンパクトで処理が速い。ただし、構造化データの弱い。シンプルなセンサデータであればCSVが適任。

データフォーマットの検討(XML):
トランザクション処理向き。構造化データに強い。処理時間がかかり、レコードが大きくなりがち。

データフォーマットの検討(JSON):
エスケープ処理に対応。構造化データに強い。CSVに比べるとレコードが若干大きめで処理速度も劣る。

FabLab:
3Dプリンタなどの先進的な工作機械を備えた市民工房。

マイコンボード(Arduino):
イタリアのマッシモ・バンジらによって開発されたマイコンボード。センサやアクチュエータなどを簡単接続できるため電子工作が手軽に可能。開発言語はJava以外にも独自言語が用意されている場合も多い。

コンピュータ(RaspberryPi):
英国のRaspberryPi財団が開発したコンピュータボード。OSを持っている点が特徴。モニタディスプレイやキーボードやLAN接続で廉価版PCとしても動く。

GPIO+アナログ信号:
General Purpose Input/Output(汎用入出力)の略語。アナログ信号を入出力する場合はマイコン側でA/D変換やD/A変換がなされる。入力として動作した場合は電気回路のほかの部分からのデジタル信号を読み取る。出力として動作した場合は他デバイスの制御や信号の通知を行う。デジタル出力のセンサ値をマイコンに伝える入力や、マイコンの演算結果をLEDで表示したりする信号を出力したりする時などに利用。

シリアル通信:
送受信によるプログラム制御によって、伝送路上を一度に1ビットずつ逐次的にデータを送る。送受信に用いる信号線の数はUARTは2本、I2Cが3本、SPIが4本。

電波強度RSSIの季節性:
電波は水分によって減衰するので、秋や冬に電波が良く通っていても、春や夏には電波が届かなくなることがあるので要注意。

IFTTT:
「レシピ」と呼ばれる個人作成もしくは公に共有しているプロフィールを使って数あるWebサービス同士で連携することができるWebサービス。TwitterやFacebookなど人気サービスはほぼ網羅されている。

myThings:
ヤフーが提供するIFTTTに類似したサービス。さぁどちらが本家かな?

 

 

IoTシステム技術検定 試験対策④

IoT技術テキスト -MCPC IoTシステム技術検定 対応

今回はIoTシステム技術検定の試験対策として「第4章 IoTデバイス」を中心にまとめます


パッシブセンサとアクティブセンサ:
人体表面から出る赤外線を検知するような仕組みがパッシブセンサ。近赤外線ビームを投光して反射光を測定するような仕組みがアクティブセンサ。

オフセット:
入力がゼロにも関わらず、出力がゼロでない場合、その値をオフセットと呼ぶ。

センサ感度:
入力に対する出力の比率。感度が高いほど高解像度で値検出できる。

CDsセル:
光りが照射されると電流が流れやすくなる光導電効果を利用。

フォトダイオード:
光りが照射されると電圧・電流が発生する光起電力効果を利用。

赤外線センサ:
人体からは体温に相当する遠赤外線が出ており、これらを測定することで非接触に体温測定が可能。温度上昇を抵抗変化で検出する熱型や、センサ表面に発生する電化で検出する焦電型がある。

PSD:
2つの電極で測定される光電流の差から、光の照射された位置を検出する。

サーミスタ:
温度センサに用いられる。金属の酸化物を焼結した素材。温度上昇に伴って抵抗が減少する。感度が高い。

熱電対:
異種の金属が電気的に接続された回路では、両端に温度差があると熱起電力が生じるゼーベック効果を利用。

白金測温体:
温度上昇にあわせて抵抗も上昇(サーミスタと逆)。細く加工することで応答時間が早くなる。

半導体温度センサ:
半導体ダイオードの温度特性を用いたセンサ。小型でIC回路内に搭載可能。チップ内の温度検出に用いられる。

ひずみゲージ:
薄く張り付けた金属が延びたりすることで変化する抵抗値を検出する。微小な抵抗変化であるため、検出のためにホイートストンブリッジ回路(未知の抵抗値を測定できる回路、微小な変化も検出できる)が組み込まれる。

ロードセル:
力の大きさを電気に変換するセンサ。表面にひずみセンサが貼り付けられている。体重計や電子秤に用いられる。

圧力センサ:
金属ダイアフラムが圧力によって変形して、その変形をひずみゲージ等で検出することで圧力を測定する。気体や液体の圧力に加え、血圧の測定などにも用いられる。

加速度センサ:
重りをバネで支えた構造を持ち、取り付けたひずみゲージの抵抗変化や、電極間の静電容量の変化により動きを検出する。

ジャイロセンサ:
回転を検出するセンサ。船やロケットの制御、さらにはGPSでも用いられる。回転物体は外力が加わると一定の姿勢を維持しようとするので、その力を計測することで角速度を検出する。

衛星測位システム:
代表的なのがGPS.4つ以上のGPS用人工衛星の信号を受け取ることで高精度な測位が可能。

超音波センサ:
超音波の反射を利用して物体の位置を検出。ドップラー効果によって速度も検出可能。また、音波は空気中よりも液中の方が速く進む。医療に用いられる超音波画像などもある。

磁気センサ:
磁気の他にも、電流の非接触測定やモータ回転制御に用いられる。電流が流れている半導体に磁界を加えられると電圧が生じるというホール効果を用いたものや、磁界によって電流が流れにくくなる(抵抗が大きくなる)MR素子を利用したものなどがある。MR素子はホール素子に比べて高感度。

化学センサ(水中のイオン検出):
ガラスの内側と外側の水素イオン濃度の差により電圧が発生する効果を利用して水中のイオンを測定するセンサ。

化学センサ(水中の酸素濃度):
白金と銀などの対極を用いて酸化還元反応をさせる。このときに流れる電流が酸素濃度に比例する性質を利用。

化学センサ(期待の成分を測定):
酸化スズの表面にガスが付着すると伝導率が変化する性質を利用。ジルコニアは酸素イオンを透過させるため酸素濃度の検出に用いられる。

バイオセンサ:
特定の物質が特定の分子と反応する性質を利用して、反応を電気信号に変換して取りあ出す。検出対象には酸素、免疫、DNA、臭い、味などがある。

アクチュエータ(DCモータ):
直流電流によって回転するモーター。入力電圧によって直線的に回転スピードが増加する。

アクチュエータ(ステッピングモータ):
モータの軸が時計の秒針のように一定の角度ずつ動く。正確な位置決めの制御が可能。産業用ロボットに用いられたりする。

アクチュエータ(ソレノイド):
電磁石コイルの中に可動鉄心を収めた構造を持つ。コイルに電流を流すことで可動鉄心を直線的に動かす。電磁弁として水や油の流体を流したり止めたりするのに使われる。

信号前処理(オペアンプ):
センサからの信号はμAやmVといった微小単位のことが多い。センサの感度調節やお布施と調節のために、これをオペアンプによって増幅してやる。

I2C:
フィリップス社が提唱したシリアル通信の方式。高速通信を実現
する。2線式の同期シリアル通信インターフェース。

SPI:
モトローラ社が提案した同期シリアル通信インターフェース。3線式。

エナジーハーベスティング:
低消費電力が求められるIoTデバイスにて、振動・温度差・室内光・電波などの周辺環境から微弱なエネルギーを求めて発電し、利用すること。

画像センサ:
感度を上げたい場合は大きな素子を用いる必要があるが、必然的にサイズが大きくなり高価にもなる。

F値:
レンズの絞りを最大に開いたときの明るさを、そのレンズのF値と呼ぶ。明るいレンズほど解像力がある一方で、焦点からずれた時のピンボケが大きくなる。

MEMS:
微小な電気要素と機械要素を一つの基板上に組み込んだセンサ、アクチュエータ等のデバイス/システム。 同一平面にCMOSデバイスを組み込み可能だったりコスト効率に優れている表面マイクロマシニングと、高い感度と精度があるバルクマイクロマシニングがある。IoT用途には周辺回路を集積化できる表面マイクロマシニングが主流。

移動サービスのクラウド化

本日は移動サービスのクラウド化について述べます。

結論だけ先に言うと同じ車両がユーザ要求に応じて異なる移動サービスを提供できる状態だと筆者は考えています。

参考書籍はIPAより今夏発売されたAI白書(なんというパワーワード…!?)


①移動サービスとは:

バス、タクシー、電車といった移動を提供するサービス。

 

②移動サービスの現状:

サービスとハードウェアとが分かちがたく結びついている。例えばバス車両はバスとしてのサービスに徹しており、タクシーのようには機能させない。タクシーがバスの代わりをすることもない。

 

③「クラウド」が指す概念

現在では、CPU、GPU、データベースなどのリソースを仮想化して、ネットワーク経由でサービス提供することを指す場合が多い。

もう少し抽象度を上げると、ユーザ要求に応じて柔軟にハードウェアリソースを割り当ててサービス提供し、ユーザはどのハードウェアを使っているのかを意識することが無い。と表現できる。

 

では、これらを踏まえて移動サービスのクラウド化とは何なのか考えます




 


移動サービスのクラウド化

冒頭申し上げました通り、同じ車両がユーザ要求に応じて異なる移動サービスを提供できる状態だと筆者は考えています。

現状では、1台のバス車両は同じルートを巡回するといった1つのサービスしか提供しておらず、ユーザが「私はコッチ方面に行きたい!」と要求してもサービス内容は変わりません。

タクシーはユーザごとに行先を定めるので、そういう意味では要求に応じて異なるサービスを提供できているのかもしれません。

しかし、ハードウェアリソース量と時空間の制約から、乗降場所と乗降時刻についてユーザ要求を満足したサービス提供をできているとは言い切れません。(平たく言うと近くにタクシーがなかなか見つからなかったり、タクシー到着までに時間がかかったりする。)

 

<未達成の問題>:
クラウドの特徴である「ユーザ要求に応じてハードウェアリソースを柔軟に割り当てる」という部分が最適化しきれていないこと。

<移動サービスのクラウド化が目指す姿>:
柔軟なハードウェアリソース割り当てによって乗降場所と乗降時刻についてユーザ要求を満足させること。そのためには需要予測に基づいた全体最適な配車管理が必要となる。

1997年のアメリカ映画『メン・イン・ブラック』では、道路を走っている車にKが手を上げると、実はその車は無人で自家用車に即変身するというシーンがあった。あれは未来像としてとてもよくできている。

 

・・・まとめると凄くフツーになってしまいましたね。

ここで注意してほしいのは、近年流行っている「Uber」は自家用車をついでにタクシー代わりに有効活用しようという発想であり、事前予約を必要としている以上、全体最適を達成しているわけではないということ。

以上

 

 

アンケート調査は万能ではない ~データ欠損と選択バイアス~

突然だが、アンケート調査はまんべんなく人々の声を集められるか?

実際に日本国民全員にアンケートするのは現実的ではない。よって、このようなときは全体となる母集団から一部を抜き出した標本調査を行う。簡単に言えばランダムに数人抜き出せば全体の縮小版になるので、人々の意思をまずまず反映できるだろうということだ。

だが実際はそううまくいかない。アンケートは万能ではない。今回はそういう話。





機会均等性の無視

某国の大統領選挙を思い出してほしい。あの過激で問題発言の多い候補者Tに誰が投票するかと言われていたし、事前調査ではもう一方の候補者Hが優勢だったのに、蓋を開ければ勝者は候補者Tであった。

なぜか?

これは、候補者Hを支持する人はアンケート調査に素直に「私は候補者Hを支持します」と回答するのに対して、候補者Tを支持する人はアンケート調査に素直に「候補者Tを支持しています」と言いにくく、無回答としたり「候補者Hを支持する」と嘘をついたりしたからだ。

つまり、特定の選択肢について選びにくい事情がある場合、アンケート調査は実態と離れてしまう。選択肢にバイスがかかっていて機会が均等ではないのだ。

さらに面白いのは、機会均等性が保たれていない上記のような状況では、標本数(アンケートした人数)が多いほど誤りが多くなることもある。(※一般には標本酢が多いほど母集団の特性を正確に反映できる)


調査方法によるバイアス

応えにくい選択肢があるのならば、完全匿名のインターネットで調査するのはどうだろうか。この場合は調査方法によるバイアスに注意が必要だ。

現代ではその影響はだいぶ少ないかもしれないが、インターネットでアンケート調査をすると、対象が「インターネットの操作に慣れている人々」に限定されてしまい、これがバイアスとなりかねない。

東京で街頭調査をしても関東人の意見の酒豪であり、関西人の意見は反映されない。こうなると日本人の相違とは若干遠ざかってしまうのだ。


興味によるバイアス

選択肢をいくら用意しても、興味が無いことには回答しようがない。サッカーを見たことが無い人に「どのチームが好きですか?」と尋ねても、だいたい無回答になってしまい、さらにはランダムな回答すらされることがある。

これでは、ランダムに起因したノイズデータや、データ欠損が起こってしまう。

興味がある人だけ回答してくださいとすればうまくいくだろうか?そうではない。その場合はサッカーに興味がある人だけに調査対象が偏ってしまい、標本にバイアスがかかってしまう。


おわりに

データのノイズや欠損は、統計的手法をしばしば困難にする。

ディープラーニングやデータマイニングによる価値が注目されているが、そのためには品質高いデータが必要だということだ。

 

IoTシステム技術検定 対策① 紛らわしい略語たち

IoT技術テキスト -MCPC IoTシステム技術検定 対応


こちらはIoTシステム検定の推薦図書。私は深層学習やってる傍らIoT技術者でもあるので一応読んでおきました。試験対策を意識して知識をまとめていきます。


覚えにくい略語まとめ

M2M:
Machine to Machine(マシーン・ツー・マシーン)の省。機器間の通信や、機器間で通信するデバイスを意味する。

oneM2M:
IoTやM2Mに共通性を持たせようと取り組む団体、および、団体による国際規格。アプリケーション(AE: Application Entity)、共通プラットフォーム(CSE: Common Service Entity)、ネットワークサービス(NSE: Network Service Entity)の3つのレイヤーによるアーキテクチャを定義した。

CSE(Common Service Entity)
アプリケーション管理、セッション管理、セキュリティなどM2Mデバイスに共有の機能を提供する。

ASN(Application Service Node):
M2Mデバイス。CSEを搭載しているもの。

ADN(Application Dedicated Node):
M2Mデバイス。消費電力などの観点からCSEを組み込めないもの。

CEP(Complex Event Processing:複合イベント処理):
IoTで収集されるストリームデータに対し、ローカルで分析して条件合致したら「特定のイベントが発生した」と判断してアクションを実行する処理。サーバに格納する前にエッジ端末で即時処理するシステムを想像すればわかりやすい。



OSGi:
Java VM上で働くアプリケーションの動的追加や実行を管理するためのミドルウエア。リモートから動的にJavaモジュールを追加・更新できるのが特徴で、1つの機能アプリケーションを「バンドル」と呼ぶ単位で管理する。

IoTデバイスに対してOSGiフレームワーク上で、バンドル単位のアプリケーションのインストールとアンインストールをすることで管理する。(例:HTTPサーバー機能、デバイス管理機能)

 

NB-IoT(Narrow Band IoT):
IoTでの利用を想定した無線通信方式として既存のLTEを拡張したもの。約200kHzという狭い帯域幅で通信をして、専有帯域幅が狭いため既存ネットワークと併存しやすい。

PAN:
Personal Area Networkの略。BluetoothやZigBeeなどのこと。

 


No-SQL

私はいつも逆に覚えてしまうのだが、データが膨大、一度書き込んだデータの更新はめったにしない、データ定義の拡張性、データベースの拡張性、書き込み処理の速さ、といった観点からIoTではRDBMSではなくNo-SQLが推奨されている。

 

読了「人工知能は人間を超えるか/松尾豊」(その3)

人工知能は人間を超えるか/松尾豊

人工知能の入門書とも言われている本書。感想まとめ第3弾です。

第1弾はコチラ
http://r2d.info/2017/10/30/matsuo1/

第2弾はコチラ

読了「人工知能は人間を超えるか/松尾豊」(その2)





第6章:人工知能は人間を超えるか

6章には今後の人工知能の展望を予言して、最終的に「人工知能が人間を支配するような未来はこない」と締めくくっています。今後の人工知能ロードマップは各地で謳われているものでして、把握しておいた方が良いでしょう。

抽象化:
物事の類似・対比・因果といった「隠れた仕組み」を見つけ出すこと。

①画像特徴の抽象化:
既にディープラーニングの登場で実現されつつあるレベル。画像から「ヒト」や「ネコ」の概念を抽出する。

②マルチモーダルな抽象化:
画像だけでなく音やセンサ値も合わせて認識をする。

③行動と結果の抽象化:
コンピュータ自らの行動と、結果として得られる外部情報の因果関係を抽象化して理解する。このあたりから身体性が強くなっている気がする。ブロックを押せば動くといったことを理解する。この段階までくると、何の行動が何に影響するのか因果関係を理解し始めるのでフレーム問題を解決しうる。

④行動を通じた特徴量の獲得:
ややわかりにくいが「一連の行動の結果として世界から引き出せる特徴量」を得ることができる段階。例えば、ゲームをプレイしてみて難しかった・簡単だったということを認識するといった具合だ。コップを強く握ったら割れたということを学習しだすと知能の環境適応がすすむ

⑤言語理解:
概念と記号を結び付けて、シンボルグラウンディング問題を克服する。

⑥知識獲得:
文章等から知識を獲得・創出する。

所感としては、身体性の獲得によってフレーム問題の解決、言語理解によってシンボルグラウンディング問題を解決というのがポイントであろう。


終章:変わりゆく世界

終章では今後の人工知能による事業展開、日本業の課題などが記されている。

この図を見れば早いので引用しておく

出典源:http://www.soumu.go.jp/main_content/000400435.pdf

 

以上、最後は駆け足でしたが、まとめでした

読了「人工知能は人間を超えるか/松尾豊」(その2)

人工知能は人間を超えるか/松尾豊

人工知能の入門書とも言われている本書。感想まとめ第2弾です。

第1弾はコチラ
http://r2d.info/2017/10/30/matsuo1/

第3弾はコチラ
http://r2d.info/2017/10/31/matsuo3/


第3章: 第2次 AIブーム(1980~1995)

エキスパートシステム:
専門分野の知識を大量に取り込み、推論を行う。

MYCIN(マイシン):
1970年代にスタンフォード大学が開発した人工知能。伝染病の血液疾患の患者を診断して抗生物質を処方する。膨大に蓄積された知識を基に、患者の症状に対してIF文を繰り返すことで症状を判定する。

エキスパートシステムの課題:
・専門家の知識ヒアリングに膨大な労力がかかる。
・ルールに一貫性が保たれない。
・曖昧な状態を表現でき無し。
・人間にとって常識的な知識を導入しにくい。

オントロジー研究:
「概念化の明示的な仕様」と定義され、知識を記述するときの仕様を定義しようとする研究。このように、エキスパートシステムの課題を受けて知識をどう定義するかの研究が盛んになった。

ヘビーウェイト・オントロジー:
人間によって概念間の関係を正確に定義して、知識を記述する。

ライトウェイト・オントロジー :
効率性を重視して、正確性に少々かけても大量のデータを読み込ませて自動で概念間の関係性を見つける。Webマイニングなどと相性が良い。

Watson:
IBMが開発した人工知能。ライトウェイトオントロジーの究極系とも称され、2011年にクイズ選手権で優勝。

フレーム問題:
あるタスクを実行するうえで関係ある知識だけを取り出して使うという作業が、ロボットや人工知能にとっては難しいという問題。バッテリーをとってくることを指示されたロボットが、バッテリーに付与された時限爆弾をどう処理するか、というダニエル・デネット氏の話が有名。

シンボルグラウンディング問題:
記号(文字列・言葉)と、それが意味するものとを結び付けられていないという問題。フレーム問題と並んで人工知能の難題とされる。

 





第4章: 第3次 AIブーム①(2010~2015)機械学習

機械学習:
「学習することとは分けること」と本書には記載されている。蓄積されたデータについて、それらのデータをどうすれば目的に沿って分類できるのかというイエス・ノー問題の解き方を人工知能が自ら学習する。

代表的な分類手法①:最近傍法
1番近いデータと同じカテゴリーだと認識する。

代表的な分類手法②:ナイーブベイズ法
データの特徴ごとに、どのカテゴリに当てはまるのかを算出して加算していく。

代表的な分類手法③:決定木
ある属性の値で線引きをして、その二分割を繰り返す。空間を斜めに切ることができない点が弱点。

代表的な分類手法④:サポートベクターマシン
マージンを最大にするようにいい感じに境界線を引く。

代表的な分類手法⑤:ニューラルネットワーク
人間の脳構造をヒントに開発された技術。後にディープラーニングへとつながる。

機械学習における難題:
フィーチャーエンジニアリング(識別のための特徴量設計)を人手でしなくてはならない。深層学習の搭乗前は、いい特徴量を作るのが一番大変で、人間がやるしかないとされてた。

なぜ今まで人工知能が実現しなかったのか:
知識の記述が出来ない。フレーム問題。シンボルグラウンディング問題。特徴量設計が難しい。総じて「世界からどの特徴に注目して情報を取り出すべきか」について人の手を借りざる得なかった。(これの解決の兆しを後に深層学習がみせるわけである。)

 


第5章: 第3次 AIブーム②(2010~2015)ディープラーニング

2012年のILSVRCでトロント大学がディープラーニングにより圧倒的な勝利を収めて世界に衝撃をもたらしたこと。そこから、ディープラーニング技術の詳細が記載されている。技術的なことについてはここでは省略します。(ググればSlideShareなど山ほど資料があるので)

ディープラーニングは今まで人工知能が実現できなかった概念を自ら作り出すということを可能にしうる。最難題である「世界からどの特徴に注目して情報を取り出すべきか」を学習により解決できる可能性を秘めている。と語られている。

 

つづく、(かも

読了「人工知能は人間を超えるか/松尾豊」(その1)

人工知能は人間を超えるか/松尾豊

人工知能の入門書とも言われている本書。「人工知能とは何なのかを正しく理解しよう」というコンセプトで執筆されています。私は人工知能の開発に従事する技術者ですが、それでも「正しく理解」というフレーズを前にすると「念のため読んでおこう」という気持ちにさせられした。勘違いや思い込みとは最も恐ろしいものですからね。吉良吉影もそういってます





第1章:人工知能とは何か

人工知能の定義について、著名教授の見解紹介や、様々な角度からの定義を試みている。

人工知能研究者の目的:
人工知能研究者は構造論的に知能を解明しようとしている。対照的に、脳科学者は分析的に知能を解明。

チューリングテスト:
コンピュータと別の部屋にいる人間が画面とキーボードを通じて会話する。相手がコンピュータだと見抜けなければ合格。

AI効果:
原理がわかってしまうと「これはAIではない!」と思ってしまうこと。

AIの4段階:
レベル1 :   制御工学による制御をマーケティング的に人工知能と称している。
レベル2 :  推論探索や知識ベースにより振る舞いが多彩なもの。
レベル3 :    機械学習によりルールを自ら学習する。
レベル4 :   深層学習によって特徴量を自ら抽出する。

※一見、レベル3とレベル4が似ているように感じるかもしれません。が、これらは全然同じではありません。

「強いAI」と「弱いAI」:
強いAI:   人間の知能を工学的に実現。
弱いAI :  限定された機能によって、知的な問題解決が一見できているかのようにふるまう。

中国語の部屋:
中国語がわからないオペレーターが、中国語で問い合わせされたとい、入力された文字を膨大なマニュアルに照らし合わせながら確認し、決められた返答をしても、会話が成立したように見えるがその人は中国語を理解してはいない。


第2章: 第1次 AIブーム(1956~1970)

探索:
深さ優先探索や幅優先探索といった、場合分けによって答えを見つけ出す。

ハノイの塔:
第1次AIブームでは、単純な問題をAIで解くことができた。その例としてよく挙げられるゲーム。

ディープブルー:
1997年にチェス世界チャンピオンを下したIBMの人工知能。

モンテカルロ法の導入:
チェスや将棋における人工知能の性能を飛躍的に向上させた手法。ランダムに手を指し続けて終局させるという行為を何度も繰り返し、望ましい結果が得られた回数から、次の一手を評価する。

トイプロブレム:
ビジネスや医療など現実世界はいっそう複雑であり、AIには限定的なルールの定められた問題(トイプロブレム)しか解けないとされた。

 

つづく http://r2d.info/2017/10/30/matsuo2/

第3弾はコチラ
http://r2d.info/2017/10/31/matsuo3/

How to modify a .prototxt on Python? (Caffe)  ~.prototxtをPythonで編集する~

Caffeでディープラーニング研究開発をするにあたり、FeatureMapsの数だったりを増やしたり減らしたりしながら試行錯誤することはよくあります。

そんなとき、ネットワーク構造をPythonから自動的に変更させたくなりますよね?(あれ?なりませんか?)

とういわけでPythonからネットワーク構造定義ファイル.prototxtを編集する方法を調べました。こちらの投稿が参考になりました。




結論
・caffe_pb2 と google.protobuf.text_format を利用
・caffe.netから変更と保存できればと思ったけど無理そう

例えばprint(conv)とすると下記のように構造をとれていることがわかります。

 

なお、.caffemodelは

とった具合に編集していってください。

Watson Tone Analyzer で日本語の文章から感情推定

はじめに


いきなり釣りのようで恐縮ですが、文章から感情を推定するIBM提供サービス“Watson Tone Analyzer”は日本語対応していません

文章の多言語翻訳だったり解析系はまだまだ日本語対応していない点が我々から見たIBM社の短所です。ただでさえ AWS・GCP・Azure がクラウドビッグスリーと呼ばれて、IBM社のクラウドは後塵を拝しているので頑張ってほしいものです。

 

翻訳APIでフォロー


そんな文句はさておき、せっかくの Watson API なのでなんとか活用してみようとするのが今回の話です。結論から申し上げますと“Watson Tone Analyzer”が日本語対応していないので、文章入力前に日本語を英語に翻訳するAPIをかませるという雑アプリを設計しました。

日本語でメッセージ入力⇒日本語から英語に翻訳⇒英語化した文章から感情推定⇒グラフで結果出力

翻訳くらいはWatsonを使えばと思いましたが、翻訳APIも日本語対応完了していないため今回は下記APIを利用。(無料。ただし要登録。)

Yandex.Passport https://passport.yandex.com/

“Tone Analyzer”は設定が色々あるのですが、今回は5つのパラメータ『Anger、Disgust、Fear、Joy、Sadness』を出力する設定にしました。

 

 

しかし、なんというか、出力パラメータ5つのうち4つが負の感情ってどういうことだ・・・?

 

設計メモ


テキスト入力の受け付けはFormで適当に定義

翻訳APIは下記のようにしてhttps://translate.yandex.net/api/v1.5/tr.json/translateに投げます