Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

TensorFlow User Group #1

5,627 views

Published on

TensorFlow で毎朝体操を賢くした話です。少し前に GCPUG Sapporo vol.2 ML Night で話したことと同じです。少し分かりやすく誤解が少なくなっています。
TensorFlow で学習したモデルをモバイルなどで動かす場合に参考になると思います。

Published in: Technology
  • Be the first to comment

TensorFlow User Group #1

  1. 1. 来栖川電算における 機械学習 活用事例 2016.10.12 来栖川電算 山口 陽平TensorFlow User Group #1 『 Te n s o r F l o w 』 で 『 毎 朝 体 操 』 を 賢 く し た 話 ( 改 )
  2. 2. 今日話すこと • 自己紹介 & 会社紹介 • 毎朝体操 • 体操の採点 • 深層学習の導入 – 隔週更新している採点エンジンが7月から深 層学習に切り変わっている話 • まとめ • 付録(求人 & 技術紹介) 2
  3. 3. 自己紹介 & 会社紹介 とりあえず 3
  4. 4. 山 口 陽 平 @melleo1978 • 所属 & 経歴 – 有限会社 来栖川電算 取締役 – Mashup Awards 9 優秀賞受賞 – 名古屋工業大学大学院 博士前期課程修了 – IPA未踏ソフトウェア創造事業 採択 • 自己紹介 企画 ~ 実装まで全部やる人 – 認識技術 & アルゴリズム の研究開発 • 文字認識,物体認識,動作認識,行動認識 – 言語処理系 の研究開発 • 分散DB,仮想機械,コンパイラ • 好きなGCP BigQuery ※実物に髪の毛はありません。 4
  5. 5. 山 口 陽 平 @melleo1978 • [実践]画像認識 を執筆 WEB+DB PRESS Vol.83 – これから画像認識をはじめる人におススメ 5 – OpenCV の使い 方や実装例 – SIFTなどの各種 アルゴリズムや 特定物体認識の しくみ – 精度改善への取 り組み方
  6. 6. 来栖川電算 設立 2003年(名古屋工業大学発ベンチャー) 従業員 38人 • SF世界の技術を実現し、社会に役立てる – 人工知能技術のライセンス販売・研究・SI • 文字認識,物体認識,動作認識,行動認識 – スマホアプリの企画・制作・運営 スマートライフ技術 NTTドコモ様との共同研究 スマートドライブ技術 大手自動車メーカー様むけ メイドさん もふくめて 6
  7. 7. 来栖川電算 様々なアルゴリズムを駆使する技術者集団 • 様々な認識技術 – 文字認識,物体認識,モーション認識 • 限界性能を引き出す優れた実装技術 – 機械学習・コンパイラ・データベース・仮想 機械などのアルゴリズムとバイナリハック • 高速化,並列化,分散化,省空間化,高精度化 • ビジネスを差別化する認識エコシステム – スケールに応じた仕組,競争力の自動強化 7
  8. 8. 毎朝体操 社員教育として始まったプロジェクトがウケた! 8
  9. 9. 体操採点アプリ だれでも、いつでも、どこでも、すぐできる • Android & iPhone ⇒ http://maiasa.jp/ 9
  10. 10. スマホを持って体操 腕の動きを認識・採点し、素敵なレポートを作成 • 対応楽曲 ※近々、企業体操・ゆるキャラ体操を追加 – ラジオ体操(第1・第2) • 対応デバイス – スマホ,スマートウォッチ 10
  11. 11. ランキング 体操のスコアを競い合う期間限定イベント • 消費者と企業を “体操” でつなぐ – イベント・製品・特産品・観光資源などの宣 伝,美容健康に関する啓蒙・習慣化支援,… メーカー企業 イベント企業 教育機関 福祉施設 地方自治体 参加 主催
  12. 12. 150,000 DL 突破 112 ヶ国の 20 ~ 50 代女性が自宅・職場・旅先で活用 12 0.0% 10.0% 20.0% 30.0% 40.0% 18~24歳 25~34歳 35~44歳 45~54歳 55~64歳 65歳以上 男 32.7 %女 67.3 % 15053 いいね!
  13. 13. 知名度上昇中 ”風変わり” なアプリなので様々なメディアが注目 • Mashup Award 9 – 日本最大のアプリコンテストで優秀賞 • アプリソムリエ – 【石井寛子アプリ事始】「毎朝体操」 超最先端ラジオ体操第1!? • 週刊朝日 – 【おすすめアプリ生活】あなたの“ラジ オ体操度”が測れる「毎朝体操」 • 日経新聞 – 職場で気軽に体ほぐし ヨガ・体操… お助けアプリ • 文化放送 – ドコモ団塊倶楽部 – 8月23日(土)11:00 ~ 13:00 – アプリ紹介コーナー(生放送) 13
  14. 14. マグニチュード3~4 みんなのラジオ体操の熱量を合計するとヤバい! • 13.581 GJ2014年6月22日時点 – 実はラジオ体操は運動強度が高い! 熱量 状況 1.500 GJ 雷の平均のエネルギー 1.770 GJ 質量1kgの物体が木星の引力圏から脱出するために 必要な運動エネルギー 2.000 GJ マグニチュード3の地震のエネルギー 4.184 GJ TNT火薬1トンの爆発のエネルギー 8.532 GJ 世界の人口1人あたりの年間消費電力量(2002年) 13.581 GJ 毎朝体操の総熱量 2014年6月22日時点 64.100 GJ マグニチュード4の地震のエネルギー 運動強度 状況 2.0 METS 電車の中で立っている 3.0 METS 庭仕事・野球の野手 3.5 METS 平地での自転車 4.0 METS ハイキング・速足 4.5 METS ラジオ体操 6.0 METS 階段昇降・卓球 9.0 METS 水泳・高強度の長距離 走・筋力トレーニング 14
  15. 15. 体操の採点 簡単そうで難しい・・・ リリース当初からずっーと改善 ユーザ体験の根幹 15
  16. 16. 目標 スマホ内で採点し、その場でレポート化 • たくさんのユーザに納得感が 高いスコアを待たせることな く提供したい • 運営費を安くしたい 16
  17. 17. 機器の制約 できるだけ多くの人に遊んでもらいたい • 機器を統一できない – みんなのスマホ・ウォッチ:〇 – ⇒ 古い機器・OSも視野に入れる必要がある。 – 指定のBLEデバイス:× – ⇒ 買う必要があると遊んでもらえない。 • 使えないセンサがある – 加速度センサ:○(ほぼ搭載されている) – ジャイロセンサ:×(一部搭載されていない) – ⇒ ONにすると、加速度にノイズがのったり、加 速度の周波数が極端に低下する場合がある。 17
  18. 18. センサの制約 腕の軌道を復元できるほどではない • やっかいなセンサたち – 低い解像度 – 狭い値域:±2G – 低い周波数:8Hz – ノイズ:インパルスがやたらはいる。 – バグ:正の最大値を超えると負になる。 – 余計なお世話:省電力モードではとれない。 – ⇒ ユーザはセンサを選べない。 18
  19. 19. 遊び方の制約 個人差により全く異なるセンサ値になる • 装着の個人差 – 機器(スマホ・ウォッチ)、場所(左右の 手・手首)、向き(真っ直ぐ・斜め) – ⇒ 気分や状況で変わる。どこにどうやって装 着したかを正確に教えてもらうのは難しい。 • 動作の個人差 ※めちゃめちゃあってヤバい – 鏡、手の位置、手の返し、強さ、速さ、止め – ⇒ 気分で変わる。そもそも、うろ覚え。 19
  20. 20. ひねりだした方式 頑健なアルゴリズム × ビッグデータ × モバイル • 分類タスクへの還元(頑健なアルゴリズム) – 腕の軌道のズレが分かるほどのセンサではな いが、腕の動きの種類なら分かりそう。 • 網羅的なデータ収集(ビッグデータ) – 個人差により全く異なるデータになる上、影 響を受けない分析方法がなさそう(データが多 様体を形成 ⇒ 部分空間ごとに異なる法則に支配)。 • リアルタイムな分類(モバイル) – 古いスマホでも動作する軽量な実装がいる。 20
  21. 21. 分類タスクへの還元 時刻ごとに定められた腕の動きと一致するか? • スコア = 腕の動きの一致率 21
  22. 22. 網羅的なデータ収集 音楽に合わせて体操 ⇒ ユーザによる教師作成 • 教師データ = 音楽の再生開始からの秒数 – 継続している人のデータを信用 – 一見してダメなデータを除外 22 これだけやっても かなりノイジー
  23. 23. リアルタイムな分類 限界まで効率を追求しないと実現できない実装 • 高速で省メモリな賢いアルゴリズム – 網羅的なデータを使って集団学習 • 機械的に生成された軽量特徴の組み合わせを獲得 – 様々な索引や近似による効率的な実装 – OS・CPUアーキテクチャごとの最適化 • 安くて快適なユーザ体験 – スマホ内で採点することでサーバレス化 – 体操中に並行して採点することで即応化 23
  24. 24. 結果 リリースしてもよい程度には出来た! • たくさんのユーザに納得感が 高いスコアを待たせることな く提供したい • 運営費を安くしたい 24
  25. 25. 深層学習の導入 でも、まだ十分ではない・・・ 25
  26. 26. 深層学習の導入 膨大な軽量特徴 × 集団学習 ⇒ 深層学習(DNN) • 1. 手法の変更 – 採点の一部である分類タスクを置き換え • 2. TensorFlow Manager – TensorFlow で作った深層学習の実験環境 • 3. TensorFlow Compiler – TensorFlow で学習したモデルを軽量な実行形 式へ変換する最適化コンパイラ 26
  27. 27. 手法の変更 1. 深層学習の導入 27
  28. 28. 手法の変更 膨大な軽量特徴 × 集団学習 ⇒ 深層学習(DNN) • 旧手法の複雑さを参考に DNN を設計 28
  29. 29. 小規模実験 かなりチューンされた手法に勝つのは容易ではない • 事例数(データオーギュメンテーションなし) – 訓練 1,409,410 検証 145,452 • 処理時間(サーバで測定) – 旧:訓練 0.5h 検証 17.0s – 新:訓練 16.8h / 95.8epoch (GPU) 検証 72.0s 29 手法 Accuracy※ Recall※ Precision※ F-Measure※ 旧 78.5% 77.6% 78.2% 77.7% 新 79.1% 76.3% 81.2% 76.6% ※ラジオ体操第1を構成する運動ごとに求めた評価値の平 均。 ※ノイジーなので高くならない。体感性能はもっと良い。
  30. 30. リリース規模実験1 事例が増えるとパラメータが多い深層学習が有利に • 事例数(データオーギュメンテーションなし) – 訓練 27,822,604 検証 27,453,840 • 処理時間(サーバで測定) – 旧大:訓練 8.0h 検証 0.9h – 新大:訓練 23.7h / 29.4epoch (GPU) 検証 6.2h 30 手法 Accuracy Recall Precision F-Measure 旧大 83.2% 84.3% 82.8% 83.4% 新大 86.8% 87.1% 87.6% 87.1% ※どちらも改良されているので単純に小規模実験 と比較できない。それぞれに施された改良は同じ。
  31. 31. リリース規模実験2 パラメータ数を増やすほど深層学習が圧倒的有利に • 事例数(データオーギュメンテーションなし) – 訓練 27,822,604 検証 27,453,840 • 処理時間(サーバで測定) – 新大:訓練 23.7h / 29.4epoch 検証 6.2h – 新大多:訓練 6.6h / 2.9epoch (GPU) 検証 67.1h 31 手法 Accuracy Recall Precision F-Measure 新大 86.8% 87.1% 87.6% 87.1% 新大多 ?.?% 90.6% 90.5% 90.5% ※パラメータ数を増やせば賢くなることが分かった段階で打ち切り。 ※新大多のメモリ使用量は新大の 6.1 倍なのでリリースできない。
  32. 32. 実験のまとめ 旧手法より賢い採点エンジンを得ることが出来た • 深層学習のハイパーパラメータの探索は 凄くしんどい。 – 旧手法は学習が大変速いので傾向を把握する にはよい。物理現象に対応するハイパーパラ メータにあたりを付けるのに使える。 • 深層学習は事例とパラメータが増えれば 猛烈に賢くなる。 – 推論にかかる時間やメモリ容量を抑えないと、 スマホには組み込めない場合が多い。 32
  33. 33. TensorFlow Manager 2. 深層学習の導入 33
  34. 34. TensorFlow Manager めちゃくちゃたくさんの実験を楽に管理する環境 34 WebAPI へ実験スクリプトを投げるだけ 計算資源の確保解放やセットアップなど の面倒ごとを勝手にやってくれる
  35. 35. なぜ作った? 今なら GCP で解決? • 自社用にとにかく早く欲しかった – ハイパーパラメータを探索すると、すぐに実 験の数が増えて管理に困る。TensorFlow を入 れたサーバを大量に用意し、手動で SSH した りすると取り違える。WebAPI 一発で面倒な ことを全てやってくれる仕組ないとツライ。 • 敷地からデータを出せないお客様がいる – お客様の敷地にある大量のサーバを使わせて もらえる(使わなければならない)。 35
  36. 36. TensorFlow Compiler 3. 深層学習の導入 36
  37. 37. TensorFlow Compiler TensorFlow で学習した DNN を効率的な実装へ変換 • DNN の推論計算を近似し て、高速化・省メモリ化 – 量子化,パラメータの削 減,計算順序の変更,計算 の共有,基底による分解, 確率的近似,カスケード, … • 限界性能を引き出す実装 – アーキテクチャに最適化さ れたコード(専用命令, キャッシュ戦略),… 37
  38. 38. なぜ作った? 古いスマホでも軽快に動く実装が欲しかった • そもそも DNN の推論が重い問題 – DNN は複雑な概念を学習するには向いている が、推論に必要な計算資源が多い。 – 近似すれば、従来手法に匹敵する軽さで、従 来手法より賢い、推論器を得られる。 – DNN を学習して近似なら、タスクごとに特徴 を設計しなくてよいので、汎用性が上がる。 • 実装効率の問題 – NNはメモリ効率や計算効率があまり良くない。 38
  39. 39. まとめ TensorFlow で楽させてもらっています。 39
  40. 40. まとめ(感想) TensorFlowで認識技術を素早く実用化しよう! • TensorFlow は使いやすかった – API や設計が良く考えられており使いやすい – すぐに試せて豊富なドキュメントがある – ツールも充実していて素晴らしい! • TensorFlow Manager – そもそもDocker化されているので作るのが楽 • TensorFlow Compiler – Tensor Graphにアクセスできることが大きい 40
  41. 41. やりますよね! ご清聴ありがとうございました
  42. 42. 求人 認識技術で驚くような未来を一緒に作りましょう! 42
  43. 43. スタッフ募集中 学生さん、転職者さん、力を貸して! • 研究(認識技術) – 機械学習・アルゴリズム・高速化・省メモリ・画 像・センサーに関する知識,Java,C++ • 開発(サーバサイド) – プロセス・アーキテクチャ・ミドルウェア・ネッ トワークに関する知識,Scala,Java,C++ • 開発(フロントエンド) – UI/UX・Android・iOSに関する知識,JavaScript • 企画(認識アプリ・認識サービス) – 新しい習慣を考える力,普及のためのアイデア 43
  44. 44. 新オフィス 勉強会 もやってるよ! メイドさん お手製の夕食も出るよ! • 新オフィス – 移転:2016 年 6 月 – 面積:以前の 2 倍! • 最寄駅 – JR中央線 鶴舞駅 – 名古屋市営地下鉄 • 鶴舞線 鶴舞駅 • 名城線 矢場町駅 • 桜通線 新栄駅 44 いつでも 見学OK
  45. 45. 情景画像文字認識 技術紹介① 45
  46. 46. 情景画像文字認識とは スマホなどで撮影した画像から文字を読み取る 46
  47. 47. 情景画像文字認識とは 様々なパース、様々なレイアウト、様々な書体 47
  48. 48. 情景画像文字認識とは いわゆる “OCR” とは ”扱う画像” が違う • 悪環境下での文字認識 – 手書き・様々な書体・かすれ・点描・きつい パース・統一性のない並び・逆光・陰・影・ グラデーション・モアレなど • 使える場面 – 屋外でのスマホカメラを使った棚卸し – 車載カメラからの標識認識 – 商品パッケージからの成分情報抽出 – キーワードによるアルバム・ビデオの頭出し 48
  49. 49. 事例:タンゴチュウ Twitter で情景画像文字認識を体験できるサービス 49
  50. 50. 物体認識 技術紹介② 50
  51. 51. 物体認識とは 画像中の物体の種類・位置・姿勢を推定 51
  52. 52. 物体認識とは 様々な向き・ポーズを学習させ見えの多様性を獲得 • 特定物体認識は素人でも簡単に使える – どんな画像を学習に使うかを学べばOK 52
  53. 53. 物体認識とは モノをカウント、見た目で分からない情報を表示 • 使える場面 工場内で箱の仕分け 体験や評判の調査 ワインラベルで情報検索 AR付箋 集めて応募キャンペーン ARフィギュア 53
  54. 54. 事例:1000sors 誰でも簡単に使えるクラウド型物体認識エンジン • 広い適用範囲 – 照明姿勢の変化に強く、様々な撮影環境に対応 • 驚異的な精度 – 数十万種類をほぼ完ぺきに識別 • 圧倒的な性能 – たった1台のPCで100万種類を瞬時に識別 – 台数を増やせばリニアにスケールアウト 54
  55. 55. 事例:1000sors 手元の画像で精度や速度をすぐに確認可能 • ShotPreview for Android / iOS ①設定 ②撮影 ③確認 55
  56. 56. 事例:ShotSearch 表紙を撮影すると発売日や口コミが分かるアプリ • きついパースも、帯による隠れも、OK 56
  57. 57. 事例:ShotSearch 表紙を撮影すると発売日や口コミが分かるアプリ • よく似ていても、複数冊同時も、OK 57
  58. 58. 事例:Cellars 18万件のワインラベルを認識するアプリ • 世界で賞を獲得したアプリをダウンロード! – Asia Smartphone Apps Contest • 広告マーケティング部門 Silver Award 2位 – 立命館大学 学生ベンチャーコンテスト • 最優秀賞 NICT賞 58
  59. 59. 事例:画像認識API 画像を送るだけで写っている商品の情報を取得 • 登録商品:500 万件以上(昨年10月)の市販商品 – 書籍,DVD,CD,PCソフト,ゲームソフト, 食品パッケージ,… どんどん増加中 • 定期更新:網羅性 と 認識精度 の改善 – データ追加,パラメータ・アルゴリズム改良 59
  60. 60. 開発者は今すぐ登録! ⇒ https://dev.smt.docomo.ne.jp 事例:画像認識API だれでも、かんたんに、マッシュアップ! • docomo Developer support より提供中 画像認識 画像に写っている物体の情報を取得 環境センサー 日本全国の気温、降水量、紫外線量を取得 音声認識 話した内容を即座に文字に変換 雑談対話 自然な会話をやり取り 知識Q&A 今知りたいことをピンポイントで回答 音声合成 入力した文字を読み上げ トレンド記事抽出 今人気の話題をジャンルやキーワードで検索 文字認識 画像の文字を読み取り 発話理解 要求を理解して、適切な機能を提示 動作推定 行っていた動作の推定 60
  61. 61. 事例:運転補助 車載カメラに映る車や人などを検出・識別・追跡 • 単眼でも高精度、大きさ・距離も推定 世界中の走行データを活用 61
  62. 62. 事例:注目領域抽出 『人の視線を集めそう』な領域をヒートマップ化 • 認識の事前処理に – 交通標識・道路標示・ 信号・看板・商品パッ ケージなど • 教師作成の省力化に – 抽出領域をクラスタリ ングすることで、教師 がなくても類似物体を 検索可能 62 交通標識 がありそう German Traffic Sign Dataset
  63. 63. モーション認識 技術紹介③ 63
  64. 64. モーション認識とは センサー値から動作や行動の種類や発生時刻を推定 64
  65. 65. 事例:動作推定API ドコモ と 来栖川電算 の共同研究 • 加速度データから人の動作や行動を検出 – 静止,歩き,走り,自転車,睡眠,食事 • 動作と直接対応しない行動も検出可能 • スマホ・スマートウォッチに対応 – Android,Android Wear,… • 加速度データにアクセスできる API を備えたウェアラブルデバイス – ※次の画像は画像中のデバイスに対応していることを保証するものではありません。 65
  66. 66. 開発者は今すぐ登録! ⇒ https://dev.smt.docomo.ne.jp 事例:動作推定API だれでも、かんたんに、マッシュアップ! • docomo Developer support より提供中 画像認識 画像に写っている物体の情報を取得 環境センサー 日本全国の気温、降水量、紫外線量を取得 音声認識 話した内容を即座に文字に変換 雑談対話 自然な会話をやり取り 知識Q&A 今知りたいことをピンポイントで回答 音声合成 入力した文字を読み上げ トレンド記事抽出 今人気の話題をジャンルやキーワードで検索 文字認識 画像の文字を読み取り 発話理解 要求を理解して、適切な機能を提示 動作推定 行っていた動作の推定 66
  67. 67. 事例:ライフログ ドコモの動作推定APIの応用例 67 開発者は今すぐ確認! ⇒ https://dev.smt.docomo.ne.jp/?p=docs.api.page&api_docs_id=127
  68. 68. 事例:毎朝体操 だれでも、いつでも、どこでも、すぐできる • Android & iPhone ⇒ http://maiasa.jp/ 68
  69. 69. 事例:なりきり 2.0 ウェアラブルで現実のモノを操作する作品 • ゲームコントローラへの応用 – 格闘ゲームが遊べる程、応答が速く、精度もよい。 69

×