Talk about ML and DL for happy engineer's life

Slide 1

Slide 1 text

エンジニアとして知っておくと幸せになれる（かも知れない）機械学習とTensorFlowのこと by Norhiro Shimoda

Slide 2

Slide 2 text

⾃自⼰己紹介 • 下⽥田倫倫⼤大(@rindai87) • データ分析専業の会社で⾊色々やってます。 • 職歴的にはエンジニアになりますが、何故かデータサイエンス的な話で露露出させていただく機会が多めです。

Slide 3

Slide 3 text

• つい⼀一昨⽇日の2016年年10⽉月 8⽇日に発⾜足しました（させました） • 先⾏行行して動いているいくつかの勉強会とも合流流予定 • CloudMLなどもスコープに活動していく予定 TensorFlow User Groupについて公開資料料ではカット

Slide 4

Slide 4 text

No content

Slide 5

Slide 5 text

No content

Slide 6

Slide 6 text

#2のMeetupも計画中

Slide 7

Slide 7 text

最近、機械学習とか⼈人⼯工知能がものすごいブームですね出典：https://www.coursera.org/learn/machine-‐‑‒learning

Slide 8

Slide 8 text

⼈人⼯工知能すごい！というイメージ出典：https://www.google.com/selfdrivingcar/where/ 出典： https://gogameguru.com/i/2016/03/AlphaGo-‐‑‒ Lee-‐‑‒Sedol-‐‑‒game-‐‑‒3-‐‑‒game-‐‑‒over.jpg ⾃自動運転 AlphaGO ⼈人が運転するより事故率率率が低いらしい囲碁のプロ棋⼠士に勝利利した

Slide 9

Slide 9 text

⼈人⼯工知能使えそう！というイメージ出典：https://cloud.google.com/products/ 超すごいGoogleの⼈人⼯工知能の要素技術をクラウドで簡単に使えそうな雰囲気！！！

Slide 10

Slide 10 text

結果、こういう流流れができつつあります

Slide 11

Slide 11 text

クラウドで⼈人⼯工知能関連のAPI あるじゃない ↓ APIを使ってみる ↓ ビジネスニーズに微妙にフィットしない ↓ スクラッチでやるしか ↓ 機械学習むずい＼(^o^)／

Slide 12

Slide 12 text

エンジニアを取り巻く環境機械学習が使えそうな案件⼈人⼯工知能がキーワードになっている新規案件⼈人⼯工知能やりたまえという謎のプレッシャー⼈人⼯工知能や機械学習への興味数年年前まではなかった機械学習や⼈人⼯工知能というキーワードが⾒見見え隠れする今⽇日このごろ

Slide 13

Slide 13 text

エンジニアも機械学習っぽい話が分かった⽅方が良良さそう？？

Slide 14

Slide 14 text

本⽇日お話すること誰でも⼤大体理理解した気になれる機械学習とTensorFlowの話

Slide 15

Slide 15 text

まずは機械学習のお話

Slide 16

Slide 16 text

弊社でもよくある話機械学習とか分析を勉強したいんですよね社内にいるデータサイエンティストに聞いたり⾃自分で勉強すればいいんじゃないですか？それがどうしたら良良いかよくわからないんですよーエンジニア私

Slide 17

Slide 17 text

機械学習理理解のstep別イメージ • Step1 – 賢いブラックボックスとして使う • Step2 – ⽤用途別に呼び出す⼿手法を判断できる • Step3 – 得られた結果の判断とパラメータのチューニング • Step4 – 機械学習のアルゴリズムを実装できる • etc…

Slide 18

Slide 18 text

Slide 19

Slide 19 text

ブラックボックスとしての機械学習アルゴリズムが取り扱えるデータフォーマット機械学習のアルゴリズム何らかの結果⼊入⼒力力⼊入出⼒力力の変換だけしてライブラリ呼び出し

Slide 20

Slide 20 text

⾔言ってることはわかるけど⾯面⽩白くない著作者：dice-‐‑‒kt 出典：http://free-‐‑‒photos.gatag.net/2014/05/15/180000.html

Slide 21

Slide 21 text

Slide 22

Slide 22 text

⽤用途別のアルゴリズムの選択出典：http://scikit-‐‑‒learn.org/stable/tutorial/machine_̲learning_̲map/

Slide 23

Slide 23 text

やっぱり⾔言ってることはわかるけどやりたかった機械学習ではない著作者：Gwen241 出典：http://free-‐‑‒photos.gatag.net/2014/07/20/060000.html

Slide 24

Slide 24 text

Slide 25

Slide 25 text

結果理理解とチューニングアルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択

Slide 26

Slide 26 text

出典：http://playground.tensorflow.org/

Slide 27

Slide 27 text

Slide 28

Slide 28 text

出典：http://playground.tensorflow.org/ アルゴリズムや使っているツールに合わせ、いい感じの結果が出るように⼊入⼒力力を加⼯工する

Slide 29

Slide 29 text

Slide 30

Slide 30 text

出典：http://playground.tensorflow.org/ 結果を⾒見見て今のパラメータで良良いかかどうかを判断

Slide 31

Slide 31 text

Slide 32

Slide 32 text

出典：http://playground.tensorflow.org/ ⾚赤いところを問題に合わせていい感じに調整する

Slide 33

Slide 33 text

Slide 34

Slide 34 text

出典：http://playground.tensorflow.org/ あー、これじゃだめだ、とそもそも違うアルゴリズムを選ぶこともある

Slide 35

Slide 35 text

機械学習っぽいけど急に難易易度度が上がりすぎじゃね？出典：http://labaq.com/archives/51849423.html

Slide 36

Slide 36 text

Step2までだと機械学習やってる感がありません機械学習やってる感が欲しい⼈人は Step3以降降を⽬目指すと良良いかもしれません

Slide 37

Slide 37 text

Step3以降降に進むには • 数学から逃げずに⽐比較的硬派な本などで地道に知識識を蓄えていきましょう ※私もStp2と3の間をウロウロしている１⼈人な気がします… etc…

Slide 38

Slide 38 text

ちなみに深層学習もこうなの？という疑問に関しては…

Slide 39

Slide 39 text

いわゆる機械学習アルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択ここをどれだけ頑張るが結果に⼤大きく影響を与える

Slide 40

Slide 40 text

深層学習と⾔言われている領領域アルゴリズムが取り扱えるデータフォーマットへの変換機械学習のアルゴリズム何らかの結果⼊入⼒力力結果の解釈パラメータチューニングアルゴリズムの再選択層が深いためパラメータがすごくたくさんある

Slide 41

Slide 41 text

層がものすごくたくさん各層毎に様々なパラメータが… 出典：http://playground.tensorflow.org/

Slide 42

Slide 42 text

例例：Inception-‐‑‒V3 出典：https://research.googleblog.com/2016/03/train-‐‑‒your-‐‑‒own-‐‑‒image-‐‑‒classifier-‐‑‒with.html ImageNetという画像分類のベンチマークのためにGoogleが発案したモデル

Slide 43

Slide 43 text

Step4以降降の話には⾏行行かずに TensorFlowのお話

Slide 44

Slide 44 text

TensorFlowとは？ • Googleによって2015年年11⽉月に公開されたオープンソース – Google内部で多数の使⽤用実績があるらしい Google Photo 画像の⾃自動分類 Google 翻訳翻訳の⾃自動学習 Gmail スパムフィルタ OK Google ⾳音声認識識

Slide 45

Slide 45 text

TensorFlowにありがちな勘違い TensorFlowは深層学習に特化したツールである

Slide 46

Slide 46 text

TensorFlowの正しい認識識 TensorFlowはデータフローグラフを利利⽤用した数値計算のためのオープンソースのソフトウェアライブラリである TensorFlow™ is an open source software library for numerical computation using data flow graphs. TensorFlow公式サイトより

Slide 47

Slide 47 text

TensorFlowの超基本 OP Input Output OP OP Input グラフを意識識しながら処理理を記述して最後にどびゃっと実⾏行行する

Slide 48

Slide 48 text

TensorFlowのパラダイム • はじめにテンソルの演算グラフを作る • グラフの実⾏行行単位をセッションという • 定数、変数、プレースホルダーを宣⾔言できる • 作ったグラフはデバイス（CPUやGPU）に展開して実⾏行行する • 分散処理理も可能である

Slide 49

Slide 49 text

TensorFlowのパラダイム • はじめにテンソルの演算グラフを作る • グラフの実⾏行行単位をセッションという • 定数、変数、プレースホルダーを宣⾔言できる • 作ったグラフはデバイス（CPUやGPU）に展開して実⾏行行する • 分散処理理も可能であるということを、Pythonをインターフェースとして⾏行行っているフレームワーク機械学習に関する便便利利なヘルパー関数がいっぱいあるのがポイント

Slide 50

Slide 50 text

ここだけ押さえればTensorFlowが分かる簡単な例例 • 例例１：⾜足し算 – 演算（operation） • 例例２：カウントアップ – 変数（Variable） • 例例３：⼊入⼒力力値をいろいろと変える – プレースホルダー（Placeholder） • 例例４：セッションを使う – セッション（Session） • 例例５：⾼高ランクなテンソルの演算 – テンソル（Tensor）

Slide 51

Slide 51 text

Slide 52

Slide 52 text

1+2 = 3の⾜足し算

Slide 53

Slide 53 text

演算（Operation） x(定数) y(定数) + 演算がグラフのノードとなる（この場合は加算の演算） tf.add() tf.constant() tf.constant()

Slide 54

Slide 54 text

演算（Operation） x(定数) y(定数) + 演算がグラフのノードとなる（この場合は加算の演算） tf.add() tf.constant() tf.constant() 1 2 3

Slide 55

Slide 55 text

Slide 56

Slide 56 text

カウントアップ

Slide 57

Slide 57 text

変数(Variable) inc(定数) + cnt(変数) 通常のプログラミング⾔言語の変数などと同じように代⼊入可能な箱として変数がある tf.assign() tf.Variable() tf.constant() tf.add() 1 0

Slide 58

Slide 58 text

変数(Variable) inc(定数) + cnt(変数) tf.assign() tf.Variable() tf.constant() tf.add() 1 0 1 通常のプログラミング⾔言語の変数などと同じように代⼊入可能な箱として変数がある

Slide 59

Slide 59 text

変数(Variable) inc(定数) + cnt(変数) tf.assign() tf.Variable() tf.constant() tf.add() 1 1 2 通常のプログラミング⾔言語の変数などと同じように代⼊入可能な箱として変数がある

Slide 60

Slide 60 text

変数(Variable) inc(定数) + cnt(変数) tf.assign() tf.Variable() tf.constant() tf.add() 1 2 3 通常のプログラミング⾔言語の変数などと同じように代⼊入可能な箱として変数がある

Slide 61

Slide 61 text

Slide 62

Slide 62 text

いろんな値を⼊入⼒力力する

Slide 63

Slide 63 text

プレースホルダー(Placeholder) y (プレースホルダ） x(定数) + tf.constant() tf.add() tf.placeholder() あらかじめ箱を作っておいて実⾏行行時に好きな値を⼊入⼒力力させる 1

Slide 64

Slide 64 text

プレースホルダー(Placeholder) y (プレースホルダ） x(定数) + tf.constant() tf.add() tf.placeholder() feed_̲dict 1 1 2 あらかじめ箱を作っておいて実⾏行行時に好きな値を⼊入⼒力力させる

Slide 65

Slide 65 text

プレースホルダー(Placeholder) y (プレースホルダ） x(定数) + tf.constant() tf.add() tf.placeholder() feed_̲dict 3 1 4 あらかじめ箱を作っておいて実⾏行行時に好きな値を⼊入⼒力力させる

Slide 66

Slide 66 text

Slide 67

Slide 67 text

実⾏行行環境を分ける

Slide 68

Slide 68 text

セッション 1(定数) + cnt(変数) tf.assign() tf.Variable() tf.constant() tf.add() 1(定数) + cnt(変数) tf.assign() tf.Variable() tf.constant() tf.add() セッションによりグラフの実⾏行行環境がまるっと独⽴立立する名前空間のようなもの tf.Session() tf.Session()

Slide 69

Slide 69 text

Slide 70

Slide 70 text

テンソル（Tensor）のランクを⼤大きくするここまでの話を多次元の値に拡張

Slide 71

Slide 71 text

テンソルランクどうなる 0 スカラ（要はただの数値） 1 ベクトル（配列列） 2 ⾏行行列列（2次元配列列） 3 3次元配列列（⾏行行列列に厚みがある感じ） n n次元配列列（イメージできない世界）要は取り扱うデータ構造のことだと思ってください今までの話はここ

Slide 72

Slide 72 text

多次元版の⾜足し算

Slide 73

Slide 73 text

⼊入⼒力力となるテンソルが違うだけ x(定数) y(定数) + 演算がグラフのノードとなる（この場合は加算の演算） tf.add() tf.constant() tf.constant() [[1,2], [1,2]] [[3,4], [3,4]] [[4,6], [4,6]]

Slide 74

Slide 74 text

TensorFlowで押さえるべき基本は以上ですこのパラダイムに従って深層（機械）学習のアルゴリズムを記述する必要があります

Slide 75

Slide 75 text

深層学習についてディープラーニング、深層学習とは、多層構造のニューラルネットワークを⽤用いた機械学習である。 Wikipediaより … … … … … … ⼊入⼒力力層中間層（本当はもっといっぱい）出⼒力力層

Slide 76

Slide 76 text

ニューラルネットワークのグラフのノード⼀一個⼀一個が TensorFlowのグラフのノードになって…

Slide 77

Slide 77 text

と、思いがちなので若若⼲干ややこしい

Slide 78

Slide 78 text

TensorFlowでやる場合の深層学習（正確には機械学習全般）⼊入⼒力力途中の演算アルゴリズムからの出⼒力力 … アルゴリズムの学習結果理理想的な出⼒力力値アルゴリズムへのフィードバック情報の演算 … …

Slide 79

Slide 79 text

例例えば中間層が3層のニューラルネットワークだとこうなる

Slide 80

Slide 80 text

No content

Slide 81

Slide 81 text

No content

Slide 82

Slide 82 text

TensorFlowでやる場合の深層学習（正確には機械学習全般）⼊入⼒力力途中の演算アルゴリズムからの出⼒力力 … アルゴリズムの学習結果理理想的な出⼒力力値アルゴリズムへのフィードバック情報の演算 tf.placeholder() ヘルパー関数ヘルパー関数 tf.placeholder() tf.variable() … …

Slide 83

Slide 83 text

TensorFlowでやる場合の深層学習（正確には機械学習全般）⼊入⼒力力途中の演算アルゴリズムからの出⼒力力 … アルゴリズムの学習結果理理想的な出⼒力力値アルゴリズムへのフィードバック情報の演算 tf.placeholder() ヘルパー関数ヘルパー関数 tf.variable() tf.placeholder() tf.variable() … … つまり、学習と呼ばれているプロセスはここを決めることに相当

Slide 84

Slide 84 text

学習とは… ・良良さげなtf.Variableの値を探索索すること学習済みのモデルとは… ・グラフの構造そのもの・グラフ構造に含まれるtf.Variableの値学習済みのモデルの適⽤用とは… ・tf.Variableが決まった後のグラフにデータを通すこと深層（機械）学習は時間かかるけど学習済みのモデルは⼩小さくなるし、新しいデータの適⽤用する時は早い云々… TensorFlowの⽂文脈では…

Slide 85

Slide 85 text

いざ取り組もうとすると TensorFlowのパラダイムを意識識しつつ使っているヘルパー関数の意味を理理解した上でプログラミングする必要がありけっこう敷居が⾼高い

Slide 86

Slide 86 text

TensorFlowに関する事実（再掲） Pythonをインターフェースとした深層学習に特化した便便利利ツール Python版だと機械学習のためのヘルパー関数が多数提供された機械学習と相性の良良いデータフロープログラミングのフレームワーク ※当然、深層学習もターゲットにしているので相性は良良い

Slide 87

Slide 87 text

Chainerとかと⽐比べて、セッションとかよくわからない概念念が⼀一杯出てきて使いにくいんですよねそもそも深層学習の⼀一般的な知識識がないので、どんな⾵風にグラフを構築したり、ヘルパー関数やパラメータをどう選択すればいいかよくわからないんですよね結果、こういう評価になりがちデータサイエンティスト評エンジニア評

Slide 88

Slide 88 text

逆にGoogleにはエンジニアリング⼒力力の⾼高い数学がバリバリできる超優秀な⽅方が沢⼭山いらっしゃるということ実はこれが今⽇日⾔言いたかったことの⼀一つ

Slide 89

Slide 89 text

それはさておき当然同じような問題をみんなが抱えているためこういう解決策が出ています

Slide 90

Slide 90 text

tf.contrib.learn(旧skflow) • Pythonの機械学習ライブラリであるScikit-‐‑‒learn のように関数呼び出しの感覚でTensorFlowを使いたい！として始まったプロジェクト – グラフなどを意識識しないで済む⾼高レベルAPIを提供 • TensorFlowのV0.8で本体に取り込まれた • ⼀一緒に深層学習以外のアルゴリズムも提供されている – 線形分類や線形回帰など

Slide 91

Slide 91 text

中間層が3層のニューラルネットワークのtf.contrib.learn版

Slide 92

Slide 92 text

Keras • ニューラルネットワークに関する⾼高レイヤな記述を⾏行行うことができるPythonのライブラリ – 要は深層学習⽤用のDSL的なもの – 記述スタイルはChainerっぽい • バックエンドとしてTheanoやTensorFlowを選択可能なのでTensorFlow専⽤用というわけではない • TensorFlow特有の知識識は必要ない

Slide 93

Slide 93 text

中間層が3層のニューラルネットワークのKearas版

Slide 94

Slide 94 text

⼤大規模データも分散処理理で対応できるし、深層学習の処理理の記述に集中できます。（想像）深層学習とかはよくわからないですが、関数を呼び出す時のパラメータを⾊色々いじるとなんとなく動くところまでは持っていけるので楽ですね。（想像）これなら、こういう評価になる？？データサイエンティスト評（想像）エンジニア評（想像）

Slide 95

Slide 95 text

なんとなくこの流流れは Hadoopのときのトレンドが思い出されるのは私だけでしょうか？

Slide 96

Slide 96 text

MapReduceとHive MapReduceを意識識しないし何より慣れ親しんだSQL ⽣生のMapReduceで処理理を書くのは⾟辛いデータサイエンティスト

Slide 97

Slide 97 text

TensorFlowとKeras データサイエンティスト TensorFlowを意識識しないでアルゴリズムに集中できる⽣生のTensorFlowを書くのは⾟辛い

Slide 98

Slide 98 text

深層学習界隈でインターフェースのデファクトになるのはなんなんでしょうね・・・？

Slide 99

Slide 99 text

TensorFlowの話をするなら外せない CloudMLの話も少し

Slide 100

Slide 100 text

出典：https://cloud.google.com/blog/big-‐‑‒data/2016/09/google-‐‑‒cloud-‐‑‒machine-‐‑‒learning-‐‑‒now-‐‑‒open-‐‑‒to-‐‑‒all-‐‑‒with-‐‑‒new-‐‑‒professional-‐‑‒ services-‐‑‒and-‐‑‒education-‐‑‒programs 9/29にPublic Betaに！

Slide 101

Slide 101 text

CloudMLでできること • TensorFlowによる学習をクラウド上で実⾏行行できる – GCS経由でのデータのやり取りなどのお作法がある – マシンパワーがたくさん使えるので分散処理理やパラメータの⾃自動チューニングなどができる！ • 学習済みのモデルをサービスとしてクラウド上で提供できる – gcloud経由 – RestAPI経由

Slide 102

Slide 102 text

Slide 103

Slide 103 text

出典：http://gadgetm.jp/I0000291 チュートリアルでこうなる

Slide 104

Slide 104 text

CloudMLも絡めたワークフロー学習済みモデル ① ①ローカルで動作チェック ②クラウドでドカンと計算 ③学習済みモデルをクラウド上、サーバー、モバイル上で提供 ② ③ ③ ③

Slide 105

Slide 105 text

CloudMLに関しては、今後⼤大きな計算資源が必要になる深層学習が普及していくとかなりのキラーコンテンツとなる可能性がありそうです