Cylva F8F タイヤ交換 ― 2020年01月24日 16:09
ブリヂストンのCylva F8F。3年でタイヤ交換。月に100kmほどの走行なので、3000kmほどか。
2年と少しで一度、後輪がパンク。その後、気になって前輪と後輪のタイヤを取り替えてみたところ、後輪がずいぶんと軽く薄くなっていたので、交換に踏み切る。
交換前のタイヤ。左が前輪、右が後輪。
交換後のタイヤ。地面を掴むグリップ力が確かに向上。少しずつの変化なので、普段は、気がつかないもの。結果として乗りすぎだったかも。同様のペースだと、1～2年で前後輪を取り替えて、もう1年で、両輪交換、という流れになりそう。
お代（税抜）。
純正のタイヤ；各4760円
純正のチューブ；各1980円
近所の自転車屋さんの交換費用；各1200円。
両輪ともクイックレリーズなので同じ価格。そうでない場合は、少々お高くなるらしい。
交換は、前後輪取り替えの際、初めて自分でやってみたが、擦り傷をたくさん作って1時間くらい。このお値段で、2～3年に一度ならプロにお願いするのが妥当。
ブリヂストンの純正タイヤの価格は、どうもWeb非掲載で、事前には不明。発注後、問い合わせてもらって聞くと、思いのほかお高い。とはいえ、このサイズと幅(37-406, 20x1.35)で、高めの空気圧(5.5-6.8気圧)となると選択肢がない。F6F(3気圧)だと安かったのか。でもF8Fほどには転がらないんだろうなあ。
他にはと、SchwalbeのMarathonに換装した記事はいくつか見つけたが、純正ほどの転がりは期待できない。同じSchwalbeでは、Kojak(35-406, 20x1.35, 4.0-6.5Bar)あたりが使えるか。ヨドバシで見ると、もう少しお安く上がりそう。使えなければ無駄になるけど。
CNTK; CNNのConv Layer数、ラベル数、モデル利用時の前処理と後処理 ― 2020年01月21日 15:21
CNTKのCNNを用いた画像識別。少しずつ、コツを掴みつつあるのか。
1．Conv Layerの数
Conv Layer数3。64x64x1を8x8x16に持っていく。
学習が進むと、大きくLossが下がる箇所がある。ここででは、14000件ほど進んだところ。
Conv Layer数4。64x64x1を8x8x32に持っていく。精度向上や、より多くのラベル数に対応できるようにとの発想だったが。大きくLossが下がる箇所は、25000件ほど進んだところ。
ラベル数は15。2つのCNNの間に、精度の有意な差は見られず。ただ、学習進度が遅くなっただけ。パラメータは他にもいろいろあるので、一概には言えないが、必要以上にモデルを複雑化するのは意味がなく、かえって有害にもなり得る。
2．ラベル数
ラベル数は少ない方が、よい成績を得られそうだが、そう簡単でもない。
今回は、漢字の部品を相手にしているが、「木」に加えて、「大」を加えた方が、精度が上がったりする。データのバリエーションを増やした方が、違いがわかるようになる側面がある。対象のデータの特性次第。
3．モデル利用時の前処理と後処理
漢字の部品単体の認識がそこそこできるようになったところで、対象を広げる。
この時、
・画像の切り出し
・不要な部分の刈り取り
・画像サイズの拡大による正規化
などの前処理を施さないと、結果はノイズだらけに。
「圧」の例。画像の右下を切り出し、認識させると、そこそこの精度で「土」を識別する。
文字全体だと、「田」と識別。
左半分だと、「日」と識別。少し遠目で見ると、そうか、と思えなくもない。
こういった一連の結果を、どう判定して、不適切なものを取り除くかが課題。
「圭」の例。画像の上半分を切り出し、「土」を識別。
下半分も、「土」を識別。
文字全体だと、「王」と識別。横棒を一本無視すれば、そう見えないこともない。
総じて人の識別と比べるとプリミティブなもの。
結果には、まだまだノイズが多い。対処としては、次のようなものか。
・学習データの見直し（形状やバリエーション)
・部品種(ラベル)の追加
・画像の前処理の改良
・結果からのノイズの除去方法の検討
実用に耐えるものができるかどうかは、五分五分。
こんな感じで、機械学習において、モデル構築は作業の一部。目的とする結果を得るには、やることがまだまだある。
機械学習の技術者を育てる、と巷でいうが、どのあたりの技術が課題となっているのか。地味で面倒な作業も多く、十把一絡げで論じてはいけないような。
なお、識別アプリは、UWPでCNTKのライブラリはCPUを使う。画像を69の枠に分割して、処理するが、かなりの時間を要する。エッジ側にもAIアクセラレータが必要、とされるのも道理かと。
手賀沼 ― 2020年01月16日 10:14
柏で所用の後、手賀沼に足をのばす。
ここにも鴨類が数多く泳ぎ回る。
南岸は芦原が拡がる。穂先に器用に停まる鳥。山家集の冬を読んでいたところ、ちょうどこんな景色。
手賀大橋を渡る。
目立つ洋風の建物は、あびこ農産物直売所。いつも、大橋のふもとの道の駅ばかり訪ねていたが、こちらにも。
食堂は、お手頃。湖畔側でやさしい冬日が差し込む。
しばらく行くと、田んぼに白鳥のみなさん。これだけ大きいと、こちらが驚く。
民家の庭にはロウバイ。
手賀沼の出口方面を望む。冬の田の茶と水面の青に山の緑、対照が映える季節。
こんなもん いかがっすかあ、SFまで10000光年 ― 2020年01月10日 08:05
「こんなもん いかがっすかあ」が1990年代前半くらいのPCまわりのネタ。「SFまで10000光年」は1990年代前半から2000年代前半に掛けての、SFを軸にしつつも、コミック、文学、ゲーム、映画、演劇、等々の雑多なネタ。なにより、水玉さんの絵柄が好き。両書ともしっかり楽しめる。
内容については、「SFまで10000光年」で、大森望さんが、あとがきに書かれているとおり。同じ時間を生きている人に向けた一筆。後世に残す気持ちは微塵も。月刊誌への寄稿としては正しい姿。おそらく、しばらく経てば、時間を共有しない人には、注釈なしではわからなくなる。時代の空気の証言としては、貴重。
「こんなもん いかがっすかあ」
一方では、予言の書。冗談で書いた事物が、20年後くらいにいくつも登場している。統合ソフト搭載のジャスト名刺サイズのデバイス。データスーツ入力デバイス。ゲーマー向けにお世話をやく一太郎。賢いワープロとしての、日本語翻訳機能。これはもう一息か。妙に一太郎ネタが多い。等々。
「SFまで10000光年」
その意味では名言集。迷言か。
「オレは一生誤読し続ける方のコースを激走(笑)していきたいな(P105)」
ちょっと共感。
「”ヒトでない自分”を悲しむAI、ってゆーのが、そもそもヒトの勝手な考えじゃないかと(P109)」
AIブームの度に、繰り返される議論。
「あとから学習して知ったってアンタにはわからない部分ってのがあるんだよ(P154)」
スターウォーズの新作に対して、馴染みのひとこと。時宜にピッタリ。スターウォーズ歌舞伎は、場面こそ違えぞ、予言が成就(P157)。
続きの「SFまで10万光年」。掲載誌のバックナンバはあるのだけど、やはりまとまっているのは魅力。購入してしまう。
行徳、妙典橋、海神 ― 2019年12月31日 16:28
年末恒例の行徳のやしまでそば。そばつゆの香りにほっと。
江戸川まで歩を進め、河川敷。
多いときは10匹ほど見かけることもあったが、今日は一匹。猫草の食事中。
上流に向かって左岸は、堤防の工事中。遊歩道が狭くなって楽しくない。
遊歩道とは接続していないので、ぐるっと回って妙典橋。橋脚が立ち始めて10年以上経っての昨春の開通。傾斜は7%。
途中、編み柵の隙間から、メトロの車両基地。真上からの眺めは新鮮。
登り切ると、柵が低くなって、眺めが拡がる。
上流方向の眺め。
上流に向かって右岸は、遊歩道と接続。左折で行徳橋、右折で市川大橋まで行ける。
外環との接続。直進すると、すぐに人一人しか通れない道になるけど。
その先を抜け、真間川を越えて、海神駅。開業100周年。記念の写真展示中。
モスのチーズフォンデュセット ― 2019年12月28日 08:06
全国の10店舗ほどで販売されたモスのチーズフォンデュセット。最寄りのお店が入っていたので、これはと、予約して購入。
大きな紙袋に取説。
袋の中には、4つの紙のボックス。サラダはお店で調理。ミニケーキが6個も。
説明書の調理法は電子レンジだが、チキンとパンは焼き色が付くよう、オーブンで温める。チーズは濃厚でなかなか。具材は少なめでモスのミートソースとバーベキューソースは、持ち越し。チーズも翌朝のトーストに。
チラシには明記されていなかったが、クリスマスの家族用、というコンセプトだろうか。具材は柔らかく、チーズも癖がなく、万人向け。大人のパーティ向けにするなら、もう少し尖っていてもいい。今後、このようなパーティセットが全国展開されるのかしらん。
UWPでCNTKを利用するためのC++ WrapperのBuildエラー ― 2019年12月27日 11:42
やはり、WPFでは、アプリは作り難い。ということで、諦めが悪いようだが、UWPでCNTKのモデルを利用するためのC++のWrapperを書く。コードは、MSのサンプルをお手本に手を入れる。最近のC++のコードはなかなか新鮮。
IDEのコードチェックは通ったところで、Buildしてみると、多量のリンクエラー。
配布されているCNTKの開発パック内のサンプルを取り出してBuildしても同じ症状。自分のコードのせいではないようす。よく見ると、エラーメッセージ中に、プラットフォームがx64で、VS2017のみサポート、との文言。
VisualStudio 2017をインストールしてBuildすると、あっさりと通過。
C++のプロジェクトで、プラットフォームツールセットがVS2019(v142)というのがいけない。
VS2017(v141)にすれば、リンクが通る。後で試すと、VS2019でも、ここを設定すればBuild可。
起動時にランタイムを読み込む分、少しもっさりするが、無事、UWPでCNTKのモデルを用いるアプリが動く。これでこの先、手を入れやすい。
プログラムで生成したデータで学習してみると ― 2019年12月26日 07:39
個人レベルでは、機械学習のデータが用意できないなら、作ってしまおう、とプログラムで生成するとして、それは、使い物になるのか。
漢字を構成する要素を、乱数をふんだんに配置して、プログラムで生成。これなら万単位のデータも用意できる。Win2DのCanvasPathBuilderで書いていく。
試しということで、CNTKで生成したラベル数が５のCNNのモデルを読み込み、検証。Windows MLが使えなかったので、アプリは、WPFで作成。C++のWrapperを用意してUWPにする手もあるのだけど。
ゴシックフォントの「木」を認識。評価関数は、学習した内容から、それである確率を数値化する。これを、右の一覧に表示。最大値のものを正答とする。
ゴシックフォントの「土」を認識。そこそこ。
明朝フォントの「土」を認識。「土」と「木」の判定数値が接近している。学習データがゴシック様のものであることが影響するか。
他、「口」、「氵」などは、正しく認識。ただし、「亻」は、誤認識。形状が単純で不十分な学習に終わったか。
まだ、なんともいえないが、漢字フォントのようなかっちりしたものには、プログラムで生成したデータでもそこそこいけそうな感触。もう少し、先に進めてみる。
最近のコメント