2019年度8月の月末研修の資料です。

1. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019
2019年度月末研修8月
2019年8月28日
『AIで画像認識をしてみよう』

2. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 1
本日のアジェンダ
1. 深層学習のいろは
1. 順伝播と逆伝播
2. ユニットの役割
3. 損失値とロス関数
2. 画像認識
1. 畳み込み層とプーリング層
2. 画像認識の応用『GAN』とは
3. 学習データと深層学習の関係
1. どれくらいのデータが必要なのか？
4. 実習
1. CIFAR１００を利用した画像認識
2. AIは社員の顔を見分けられるのか！？

3. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 2
それでは始めていきましょう！…の前に
事前確認：
あなたはどれくらい深層学習を知っていますか？
1. AIってよく聞くけど実は全然何も知らない
2. 畳み込みとか基本的な用語は聞いたことある
3. 仕組みくらいなら説明できる
4. 自分で学習モデルを設計できる
⇒本日の研修は「１．」の方でも理解できるように
説明していく予定です。

4. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019
１．深層学習のいろは
AIの基本的な仕組みって？

5. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 4
順伝播と逆伝播
深層学習はどのように学習していくのでしょうか？
入力層 隠れ層 出力層 答え
①順伝播
③逆伝播
②答え合わせ
深層学習は①順伝播⇒②答え合わせ⇒③逆伝播を何度も繰り返し行い学習します

6. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 5
重みとバイアス
入力層～隠れ層～出力層は
ユニットとエッジによって繋がっています
• 重み (a)： 入力 x に掛け算を行う値
• バイアス (b)：入力 x に足し算を行う値（閾値）
⇒ y = ax + b
※閾値（バイアス）を超えると発火します
入力x 重みa
を掛け算
閾値b
を超えると
y (発火)
ユニット
エッジ

7. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 6
発火とは？？？ ～活性化関数～
入力値が閾値を超えると急激に値が上がります
ハイパボリック
タンジェント関数
シグモイド関数 ReLU関数
閾値 閾値
閾値
式にすると…
例）y = ReLU( ax + b )

8. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 7
損失値とロス関数
出力層に出力された値を答え合わせします
⇒どれだけ答えと異なっているか？＝損失値
※損失値を求める関数を損失関数と呼びます
• 損失値が大きい＝より大きな学習が必要
• 損失値が小さい＝学習はそれほど必要ない
逆伝播で
重みとバイアスの
更新を多めに
逆伝播で
重みとバイアスの
更新を少なめに

9. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019
２．画像認識
畳み込み層、プーリング層

10. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 9
画像認識のDNN
画像認識では主に2つの層が登場します
畳み込み層
プーリング層
入力
出力
ロシアンブルー
入力層
畳み込み層 プーリング層 全結合層
出力層
活性化関数

11. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 10
畳み込み層
フィルタの値＝重みを更新しながら特徴マップを生成します
出力入力
フィルタ 活性化関数入力値 出力値
ｆ
ｆ
ｆ
特徴マップ

12. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 11
プーリング層
入力となる特徴マップの最大値を出力します
（最大値プーリング） ※重みは登場しません
1 1
1 3 3
入力値
出力値
２×２領域での
最大値
出力
入力

13. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 12
（番外編） GANの仕組みとは？
画像認識の応用として画像生成を行うGANがあります
GANの登場人物は以下の二つです
• Generator ：乱数から画像を生成する
⇒オレオレ本物画像を永遠に作り続ける
• Discriminator ：Generatorが作成した画像と本物画像を見分ける
⇒オレオレ本物画像を偽物だと見分け続ける
GAN ＝ GeneratorとDiscriminatorを交互に学習し続ける
つまりDiscriminatorは画像認識のモデルそのものに近い
⇒基本さえ覚えておくと、その発展形は理解しやすい

14. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019
３．深層学習と学習データ
どれくらいの学習データが必要なのか？

15. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 14
学習データが少ないと…？
学習データが少ないと当然ながら学習が進まない
⇒画像が小さければ計算量も少ないためある程度は学習可能
学習データが少ない場合は水増しをする方法もある
ノイズを付与
左右反転
拡大・縮小
⇒ただし、行いすぎると過学習を起こしてしまう
過学習：
同じデータばかりを学習してしまい
学習したデータ以外の正解率が極端に低くなる状態

16. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019
４．実習
最適なモデルを生成しよう

17. All Rights Reserved, Copyright (C) JSP CO., LTD. 2019 16
学習モデルを生成しよう！
下記のデータセットを使用して
最適な学習モデルを生成してみましょう
1. CIFAR100の画像
2. JSP社員の画像
⇒下記の観点でモデルを作り直していきましょう
• 2択から3択にしてみた場合
• 学習データ枚数を変更してみた場合
• バッチサイズを変更すると何が起きるか？

18. 17