フーリエ変換には角周波数を扱うものと周波数を扱うものがある。角周波数と周波数の間には角度と1回転という差があるのみ。よって、周波数に2πをかければ角周波数となる。
シミュレーションで実物を扱わなくても仕事ができる環境を目指す。つまり家に引きこもって外に出なくてもOKな世界。
Pythonによる画像処理。読み込み、書き込み、カメラキャプチャ等。
RNNの拡張版であるLSTMを利用した株価予測に挑戦。結果としては失敗だが、LSTMの特性が良くわかる。Python+ChainerでLSTMを記載している。
Scilabに於ける伝達関数使用方法。ここでは一次遅れ系について記載。
Pythonに於ける伝達関数使用方法。ここでは一次遅れ系について記載。
【MATLAB】LAF(全領域空燃比)センサ特性同定【最小二乗法】
LAF(全領域空燃比)センサの特性をMATLAB用いて同定。同定手法は最乗二乗法で関数モデルは2次関数。2次関数一つでは同定しきれないので、4区間に分割して同定する。
Scilabに於ける、波形表示方法。色の変更、線種に変更、マーカの変更ができる。
PythonのMatplotlibに於ける、波形表示方法。色の変更、線種に変更、マーカの変更ができる。
MATLABに於ける、波形表示方法。色の変更、線種に変更、マーカの変更ができる。
【Python】LAF(全領域空燃比)センサ特性同定【最小二乗法】
LAF(全領域空燃比)センサ特性に合わせて、Pythonを用いた最小二乗法による同定。2次関数を複数の区間で定義することで実現。
Scilabに於けるユーザ関数の作成方法。複数の引数、複数の戻り値が設定できる。
Pythonに於けるユーザ関数の作成方法。複数の引数、複数の戻り値が設定できる。
MATLABに於けるユーザ関数の作成方法。複数の引数、複数の戻り値が設定できる。
Scilabに於ける行列に対する四則演算、左除算、右除算、べき乗、転置、縦反転、横反転などを説明。
Pythonに於ける行列に対する四則演算、左除算、右除算、べき乗、転置、縦反転、横反転などを説明。
MATLABに於ける行列に対する四則演算、左除算、右除算、べき乗、転置、縦反転、横反転などを説明。
Scilabに於ける、四則演算、ベクトル行列演算、スライシングなどを説明。
PythonというかNumPyに於ける四則演算、ベクトル行列演算、スライシングの説明。
TOPはこちら。はじめにMATLABの基本的な使い方の備忘録。基本的な演算(四則演算)、記述ルール、ベクトル表記、行列表記、行列からの要素抜き出しのお話となる。これだけでも、おおよそのデータ解析は十分はできるようになる。Simulinkモデ
【入門】MATLAB,Python,Scilab使い方比較【数値計算プログラム】
MATLAB,Python,Scilabの基本的に計算、ベクトル行列演算、グラフ表示の仕方などを比較。ちょっと特殊なところで、伝達関数とか画像取り込みもやってみる。
MATLABによる震度算出方法。算出方法そのものは国土交通省 気象庁で公開されているものとなる。FFT(高速フーリエ変換)で周波数領域に変換してバンドパスフィルタと通し、IFFT(逆高速フーリエ変換)で再度、時間領域に戻す。
【Android】スマホをサブディスプレイ化【spacedesk】
スマホをサブディスプレイ化。spacecdeskというアプリを使用することで実現可能。サブディスプレイ側はPC,Android,iPhoneで可能。
【Win10】自宅ノートPCをサブディスプレイ化【Miracast】
テレワークをする際にサブディスプレイが欲しくなった。自分で買うのもあれなので、自宅ノートPCをサブディスプレイ化できないか四苦八苦。結論としてはMiracastで解決。しかし、デフォルトでは動作しないので忘備録として残す。
【緊急事態宣言】在宅勤務特需：USBカメラ高騰問題【新型コロナ】
新型コロナウィルスと緊急事態宣言に伴い、在宅勤務に移行。それ以前から社会的には在宅勤務推進が進んでおり、その特需でWEBカメラの入手性が恐ろしく悪くなった。対策としてスマホをWEBカメラ化して、Microsoft TeamsによるWEBミー
【ディープラーニングG検定対策】ディープラーニングの基礎数学
G検定シラバスとしては明記されていないが、数問出題される。難易度は低。しかし、過去問、問題集から外れた問題も若干出やすい。ノルムの算出方法、ベイズの定理なども事前に調べておく必要がある。上記に加えて以下の把握しておいた方が良い・CNNの畳込
【ディープラーニングG検定対策】ディープラーニングの応用に向けて
G検定シラバス「ディープラーニングの応用に向けて」の範囲の対策。難易度は超高。過去問、問題集ではほぼ歯が立たない。AI白書や時事ネタを収集しておく必要がある。自動運転のレベル。0 ドライバーがすべて操作
【ディープラーニングG検定対策】ディープラーニングの研究分野
G検定シラバス「ディープラーニングの研究分野」の範囲の対策。難易度は高。過去問、問題集だけではフォローしきれない。「自然言語処理の流れ」と「強化学習」について追加の情報収集が必要。画像注釈＝画像キャプション生成。自然言語処理の流れ。
G検定シラバス「ディープラーニングの手法」の範囲の対策。難易度は高。過去問、問題中でだけではフォローしきれない。昨今のDNNを調べておく必要がある。Softmax：出力を正規化して確率として解釈。tanh：双曲線正接関数。ReLU：正規化線
G検定シラバス「ディープラーニングの概要」の範囲の対策。難易度は中程度、過去問、問題集で十分フォローできる。イテレーション＝重み更新回数。エポック＝訓練データを使用した回数。各種定理。・バーニーおじさんのルール・ノーフリーランチ定理・みにく
G検定シラバス「機械学習の具体的手法」の範囲の対策。上記に加え以下も調べておく必要あり。・t-SNE(t-distributed Stochastic Neighbor Embedding ：t分布型確率的近傍埋め込み)・・次元削減アルゴリ
G検定シラバス「人工知能分野の問題」の範囲の対策。難易度は中程度。過去問、問題集でフォローできる。強いAI＝汎用AI＝AGI(Artificial General Intelligence)弱いAI＝特化AI。シンギュラリティについての各人
「ブログリーダー」を活用して、KEIさんをフォローしませんか？
フーリエ変換には角周波数を扱うものと周波数を扱うものがある。角周波数と周波数の間には角度と1回転という差があるのみ。よって、周波数に2πをかければ角周波数となる。
動画作成関連のバックナンバー用ページ。立ち絵を作ったり、動画作ったり、アイキャッチ画像作ったりなどを掲載していく。
MATLAB,Python,Scilab,Julia比較するシリーズの第4章。第4章では分類問題で最終的にはニューラルネットワークや最適化アルゴリズムの話だった。第5章はフーリエ解析学から高速フーリエの話がメインとなる。
立ち絵の配置: PSDファイルをAviUtlに配置し、画面サイズやフレームレートを設定。のっぺらぼう化: 目と口を消して、アニメーション効果を追加。アニメーション効果: 目パチと口パクの設定を行い、リップシンクを調整。
フーリエ変換を定義。フーリエの積分公式の一部を抜き出す。逆フーリエ変換を定義。フーリエの積分公式にフーリエ変換を代入するだけ。
Δωで刻みにしたので、極限を利用して連続系へ。数式上は連続ではあるが、一般的な表現ではない。区分求積法とリーマン積分について。フーリエの積分公式を導出した。
VOICEVOXとAivisSpeechキャラと一緒に！AviUtlを使った動画作成 バックナンバーはじめに以前、AivisSpeechのAnneliというキャラの立ち絵を作成した。さらにそこに加えて、AivisSpeechのアイコン画像を...
PSDToolKitプラグインの導入の仕方を説明。PSDファイルを探してGIMPで内容を確認。GIMPで瞬き用、口パク用のレイヤー編集。
フーリエに積分公式は複素フーリエ級数と複素フーリエ係数から導出する。周期2Lの波の数を示すnを周期2πに於ける波の数である角周波数ωに変換。角周波数ωの刻みであるΔωについて説明。Δωを定義することで、離散的な係数算出が連続的な角周波数算出に近づけていっている。
区分求積法とリーマン積分について。離散と連続の分け目。フーリエの積分公式を導出した。演算したはずなのに変化しない。つまり変換、逆変換が成立することを示している。
Δωで刻みにしたので、極限を利用して連続系へ。数式上は連続ではあるが、一般的な表現ではない。よって、一般的な表現に書き換える必要がある。
角周波数ωの刻みであるΔωについて説明。Δωを定義することで、離散的な係数算出が連続的な角周波数算出に近づけていっている。
周期2Lの波の数を示すnを周期2πに於ける波の数である角周波数ωに変換。ω=nπ/Lを使用して変換するだけ。これにより少し数式がシンプルになった。
VOICEVOXとAivisSpeechキャラと一緒に！AviUtlを使った動画作成 バックナンバーはじめに以前、AivisSpeechのAnneliというキャラの立ち絵を作成した。ほぼ独自に作成したが、Anneliの画像自体はAivisS...
フーリエに積分公式は複素フーリエ級数と複素フーリエ係数から導出する。変換を想定した式に変換。複素指数関数との積と積分、総和を経由すると元に関数に戻るというイメージが重要。
AviUtlのセットアップと拡張編集Pluginの導入を行った。mp4ファイルの入力と出力の方法を説明。アニメーションgifの対応方法を説明。
分数は割り算の別表現として理解しやすく、逆数を掛けることで計算が簡単になる。これにより、小数の掛け算や割り算の理解が深まる。一次関数の数式をグラフにすることや、グラフから数式を導くことは、データのトレンド分析や物理現象の理解に役立つ。微分は関数の変化率を求める手法であり、数値微分を使って近似的に求めることができる。これにより、物理学や経済学など多くの分野で応用可能。
Youtube動画やブログ記事のアイキャッチ用に作成した、VOCEIVX(四国めたん、ずんだもん、春日部つむぎ)、AivisSpeech(Anneli)の画像たち。Stable Diffusionで生成＆少しペン入れ＆GIMPによる補正したものになります。
各種フーリエについてまとめてみた。いままでは級数→係数の順番でやっていたため、逆フーリエ変換→フーリエ変換の順番が自然。実際には「フーリエの積分公式を求める」ことになるが、これは逆フーリエ変換そのものである。
各種フーリエについてまとめてみた。いままでは級数→係数の順番でやっていたため、逆フーリエ変換→フーリエ変換の順番が自然。実際には「フーリエの積分公式を求める」ことになるが、これは逆フーリエ変換そのものである。
最適化アルゴリズム モーメンタムを用いて分類の学習をMATLABで実現。 問題無く動作。 学習の収束が通常の勾配降下法よりも比較的早い。
モーメンタムを確認するプログラムの方針を確認。 以前の勾配降下法のプログラムをベースにする。 隠れ層のユニット数は4。 プログラムのフローを確認。 モーメンタム項とパラメータ更新が基本的な差分となる。
モーメンタムの更新式について確認。 指数移動平均を利用して直近の値を重視する。 モーメンタムの動作イメージについて確認。 最初は大きく更新して、最適解が近いと小さく更新。 勾配降下法で言うところの学習率が可変と同義な動きになる。
勾配降下法の更新式を確認。 勾配降下法の動作イメージを確認。 学習率が大きい場合と小さい場合で挙動が変わる。 ちょうど良い学習率を人間の手で探す。 これにより、一般的なパラメータとは異なるハイパーパラメータというカテゴリになる。
最適化アルゴリズムを取り扱う。 今回のネットワークだとさほど恩恵はないが知っていて損はない。 まずはモーメンタムから解説＆実験をしていく。 最初は復習を兼ねて勾配降下法についても確認する。
モーメンタムを確認するプログラムの方針を確認。 以前の勾配降下法のプログラムをベースにする。 隠れ層のユニット数は4。 プログラムのフローを確認。 モーメンタム項とパラメータ更新が基本的な差分となる。
モーメンタムの動作イメージについて確認。 動作イメージの表現は難しい。 最初は大きく更新して、最適解が近いと小さく更新。 勾配降下法で言うところの学習率が可変と同義な動きになる。
モーメンタムの更新式について確認。 指数移動平均を利用して直近の値を重視する。 実際の指数移動平均とは異なっているので、その点は注意。
勾配降下法の動作イメージを確認。 学習率が大きい場合と小さい場合で挙動が変わる。 ちょうど良い学習率を人間の手で探す。 これにより、一般的なパラメータとは異なるハイパーパラメータというカテゴリになる。
今回改めてまじめに更新式を確認。 勾配降下法の更新式が一番シンプルなので今後の最適化アルゴリズムの更新式を見る際は比較対象になりやすい。
最適化アルゴリズムを取り扱う。 今回のネットワークだとさほど恩恵はないが知っていて損はない。 まずはモーメンタムから解説＆実験をしてい 最初は復習を兼ねて勾配降下法についても確認する。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたJuliaコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたScilabコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたPythonコードで分類を実施。 大きく2パターンの分類パタ やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたMATLABコードで分類を実施。 大きく2パターンの分類パターン やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたJuliaコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたScilabコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたPythonコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたMATLABコードで分類を実施。 大きく2パターンの分類パターンがある やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を増やす。 表現力が上がるはず。 局所最適解にハマらないというより大域最適解に近い局所最適解が増えるというイメージ。 プログラム上の修正点確認。 ベクトル、行列演算ができるため修正範囲は極小。
