ソフトウェア設計における因果関係の明確化。条件分岐や状態遷移の数理的な記述。並列処理やバッチ処理の自然な導入。AIモデルとの構造的な共通性の理解。
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。
最小二乗法を代表とした回帰分析の代表的な利用シーンを説明 自動車業界だと、制御対象の内部パラメータの推定で使われることもある。 経年劣化で内部パラメータが変動しても回帰である程度特定可能。 これにより事前交渉検知や劣化状況に合わせた制御ポリシーの変更が可能。
MATLAB,Python,Scilab,Julia比較 第2章 その1【概要偏】
本シリーズは最小二乗法を代表とした回帰アルゴリズムメイン 自動車業界だと、制御対象の内部パラメータの推定で使われることもある。 経年劣化で内部パラメータが変動しても回帰である程度特定可能。 これにより事前交渉検知や劣化状況に合わせた制御ポリシーの変更が可能。
【これも見直し戦略が重要】データサイエンティスト検定試験画面解説【DS検定】
出題画面と解答状況確認画面を確認。 それほど複雑な画面ではない。 電卓画面が用意されているが、さほど機能は無い。 メモ用紙と筆記用具が渡されるので、それと併用して計算。 見直し戦略が重要。 計算問題含め、ケアレスミスしやすい問題をメモって優先的に見直す。
Vehicle Diagnostic Communication back issue
IntroductionThis is a back-issue of a series that discusses various aspects of vehicle diagnostic communications.The fol
[Probably the last article] Vehicle Diagnostic Communication Part 99 [Looking Back]
Brief look back. The vehicle diagnostic communication has a wide range of use cases, which makes it a broad topic. This series is now over.
[CAN-FD] Vehicle Diagnostic Communication Part 98 [AUTOSAR 3]
Simulation of AUTOSAR-Dcm was executed. Simulation of AUTOSAR-Dcm, the basic principle is the same, except for the maximum message length. Simulation of AUTOSAR-CanTp. Both request and response behaved according to CAN-FD rules.
[CAN-FD] Vehicle Diagnostic Communication Part 97 [AUTOSAR 2]
Fixed the configuration of AUTOSAR-CanTp for CAN-FD. Fix configuration of AUTOSAR-Dcm for CAN-FD.
[CAN-FD] Vehicle Diagnostic Communication Part 96 [AUTOSAR 1]
Click here for back issues.Introduction.The policy for simulation of CAN-FD in AUTOSAR will be explained.Simulation Poli
[CAN-FD] Vehicle Diagnostic Communication Part 95 [ISO-TP 3]
CAN line logged. Checked SingleFrame. SingleFrame of 7 bytes or less. SingleFrame with more than 8 bytes. FirstFrame check. FirstFrame of 4095 bytes or less. FirstFrame with 4096 bytes or more.
[CAN-FD] Vehicle Diagnostic Communication Part 94 [ISO-TP 2]
I wrote the Python code for the request. SingleFrame with 8 bytes or more. MultiFrame of 4096 or more. Wrote Python code for response. Extended the size of the received frame by changing the max_frame_size parameter.
[CAN-FD] Vehicle Diagnostic Communication Part 93 [ISO-TP 1]
can-isotp can probably do CAN-FD. Extended SingleFrame and Extended FirstFrame configurations were explained.
【巧妙な罠】データサイエンティスト検定(リテラシーレベル) まとめ【DS検定対策】
データサイエンティスト検定リテラシーレベルを受けてきた。 受験直後の結果レポートで正答率が分かる。 合格時にさらに詳細なスコアシートが確認できる。 白本、黒本での対策で十分。 ただし、問題集に慣らす方式だとギリギリ不合格になるようなラインに難易度設定されてる可能性がある。
[CAN-FD] Vehicle Diagnostic Communication Part 92 [python-can 6]
Simulation configuration review. Simulation execution of CAN-FD transmission and reception.
[CAN-FD] Vehicle Diagnostic Communication Part 91 [python-can 5]
Click here for back issues.Introduction.Explanation of CAN-FD simulation in python-can.This article is about creating a
[CAN-FD] Vehicle Diagnostic Communication Part 90 [python-can 4]
Click here for back issues.Introduction.Explanation of CAN-FD simulation in python-can.This is the time to replay with c
[CAN-FD] Vehicle Diagnostic Communication Part 89 [python-can 3]
It was discovered that can.player and can.logger do not support CAN-FD. I immediately modified them to support CAN-FD. can.logger has a little different problem.
[CAN-FD] Vehicle Diagnostic Communication Part 88 [python-can 2]
Review can.player and can.logger. Created asc file for CAN-FD and CAN mixed replay. Mixed CAN is for identifying the affected area in case of an anomaly.
[CAN-FD] Vehicle Diagnostic Communication Part 87 [python-can 1]
BusMaster does not support CAN-FD. The asc format of CAN-FD is different from CAN. FDF bit and BSR bit parameters are added.
[CAN-FD] Vehicle Diagnostic Communication Part 86 [Overview 2]
Simulation procedure and intuition explanation. CAN-FD control with python-can. CAN-FD diagnostic communication with can-isotp (ISO15765-2). CAN-FD diagnostic communication with AUTOSAR-CanTp (ISO15765-2). AUTOSAR-Dcm for CAN-FD diagnostic communication (ISO14229-1).
[CAN-FD] Vehicle Diagnostic Communication Part 85 [Overview 1]
Switch from CAN to CAN-FD for the physical and data link layers. CAN-FD is described in Vector's "CAN/CAN-FD for Beginners".
[Dcm] Vehicle Diagnostic Communication Part 84 [Simulation 23]
We saw a pattern of returning NRC$10 (generalReject) when NRC$78 (ResponsePending) exceeds a certain number of times. This specification is not specified in ISO 14229-1. However, it is likely to be a de facto standard. Therefore, it is assumed that it is incorporated as an AUTOSAR specification.
[Dcm] Vehicle Diagnostic Communication Part 83 [Simulation 22]
Check the results of the WriteDataByIdentifier simulation. Confirmation of the message. Confirmation of CAN line. Often used in conjunction with ReadDataByIdentifier to check operation for reading after writing. NRC$78 returned atmosphere. In fact, NRC$78 is rarely followed three times.
[Dcm] Vehicle Diagnostic Communication Part 82 [Simulation 21]
I wrote Python code to simulate WriteDataByIdentifier. WriteDataByIdentifier is often protected by session and security, so the main test is to test it.
[Dcm] Vehicle Diagnostic Communication Part 81 [Simulation 20]
Check the results of the ReadDataByIdentifier simulation. Confirmation of the message. Check CAN line logs. Multi-DID specification is tricky. A request for a non-existent DID is an error. However, if the DID exists in the multi-DID, it is not an error. If the DID exists, it is not an error. However, an error may occur due to the response message length.
[Dcm] Vehicle Diagnostic Communication Part 80 [Simulation 19]
I wrote Python code for simulation of ReadDataByIdentifier. Test pattern main related to ReadDataByIdentifier multi-DID. Multi-DID. Mix unsupported DIDs. Specify DIDs such that the response message length exceeds the maximum value.
[Dcm] Vehicle Diagnostic Communication Part 79 [Simulation 18]
Check the results of the TesterPresents simulation. Verification of messages. Checking the CAN line log. TesterPresents with suppressPosRspMsgIndicationBit is a special AUTOSAR-Dcm specification. After S3 time extension in Dsl, the message is discarded and not passed to Dsd and Dsp. The result is different from ISO14229-1, but the practicality is more important.
対応ブラウザを用意。 一般的なブラウザであれば問題無い 回線、PCの安定化を図りましょう。 有線、再起動、サブの用意。 動作確認用チュートリアル画面で事前確認。 見直し戦略が重要。 見直し用のチェック機能に加えて、手元にメモ用紙があるといろいろ戦略が練れる。
[Dcm] Vehicle Diagnostic Communication Part 78 [Simulation 17]
I wrote a Python code to simulate TesterPresents. Considering the main purpose of TesterPresents, SessionControl and SecurityAccess are also implemented. The main purpose is to suppress S3 timeouts.
「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?
ソフトウェア設計における因果関係の明確化。条件分岐や状態遷移の数理的な記述。並列処理やバッチ処理の自然な導入。AIモデルとの構造的な共通性の理解。
exoファイルを使えば、立ち絵の設定をテンプレ化して何度でも使い回せる。キャラごと・表情ごとのexoパターンを作っておけば、配置も口パクも一瞬。拡張編集にドラッグ&ドロップするだけで、作業時間が爆速短縮。
G検定まとめ記事はこちらはじめに結構昔にG検定向けの動画で、「JDLAジェネラリスト検定(G検定)さっくり対策(究極カンペの作り方)カンペを見なくても問題が解ける自分の作り方。」というのを公開しているのだが、これに対しての問い合わせがちょく...
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。
画像認識の全体像を因果関係図で整理し、AlexNetを起点に各モデルの進化をたどる。一般物体認識から物体検出・セグメンテーション・姿勢推定まで、各カテゴリの代表モデルと技術を解説。モデル同士の構造的なつながりや技術的背景を踏まえ、因果関係をもとに体系的に理解を深めていく。
究極カンペの作り方についての問い合わせが増えている。G検定の評判を確認し、ネガティブな意見を問題提起として捉える。勉強のステージを定義し、語彙力と因果関係の把握が重要であることを説明。
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。
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。
ニューラルネットワークの最適化アルゴリズムAdamをJuliaにて確認。 学習率を0.001にしている都合、収束までは時間がかかる。 勾配降下法、モーメンタムでは見れなかった分類パターンが拾えた。
ニューラルネットワークの最適化アルゴリズムAdamをScilabにて確認。 学習率を0.001にしている都合、収束までは時間がかかる。 勾配降下法、モーメンタムでは見れなかった分類パターンが拾えた。
ニューラルネットワークの最適化アルゴリズムAdamをPythonにて確認。 学習率を0.001にしている都合、収束までは時間がかかる。 勾配降下法、モーメンタムでは見れなかった分類パターンが拾えた。
ニューラルネットワークの最適化アルゴリズムAdamをMATLABにて確認。 学習率を0.001にしている都合、収束までは時間がかかる。 勾配降下法、モーメンタムでは見れなかった分類パターンが拾えた。
各最適化アルゴリズムの依存関係を記載。 1次の勾配で勢いをつけて、2次の勾配で抑制するというのが全体を通しての共通点。 Adamの更新式を実現するためのプログラムフローを記載。 学習率は0.001とかなり小さめの値に設定。 これにより収束は遅くなる。 かわりに特殊な最適解が得られるのでそれを確認する。
AdaDeltaについて説明。 RMSpropの拡張版に当たる。 最適化アルゴリズムAdamについて説明。 モーメンタムとRMSpropの合わせ技。 1次の勾配と、2次の勾配の指数移動平均を使用する。
もう一個試す予定の最適化アルゴリズムAdamへ至る系譜を説明予定。 AdaGradについて説明。 更新式をモーメンタムと比較。 RMSpropについて説明。 AdaGradの完了版であるため、AdaGradと更新式を比較。
Adamの更新式を実現するためのプログラムフローを記載。 モーメンタムの部分をAdamに差し替えただけ。 学習率は0.001とかなり小さめの値に設定。 これにより収束は遅くなる。 かわりに特殊な最適解が得られるのでそれを確認する。
各最適化アルゴリズムの依存関係を記載。 1次の勾配で勢いをつけて、2次の勾配で抑制するというのが全体を通しての共通点。 Adamが1次の勾配と2次の勾配を合わせたアルゴリズムとなる。
最適化アルゴリズムAdamについて説明。 モーメンタムとRMSpropの合わせ技。 1次の勾配と、2次の勾配の指数移動平均を使用する。
AdaDeltaについて説明。 RMSpropの拡張版に当たる。 学習率というハイパーパラメータ無しで動作する。 最終的な学習率は1近傍になるため振動しやすいらしい。
RMSpropについて説明。 AdaGradの完了版であるため、AdaGradと更新式を比較。 AdaGradでは2次の勾配の累積だったものが、2次の勾配の指数移動平均に。 これにより、極小値近辺やプラトーになっても更新を続けられる。
AdaGradについて説明。 更新式をモーメンタムと比較。 更新幅は、最初は大きく、徐々に小さくなり、最終的には学習が進まなくなる欠点を抱えている。
もう一個試す予定の最適化アルゴリズムへ至る系譜を説明予定。 プログラム化して試すのはAdamだが、それに至るアルゴリズムを数式レベルで確認。 Adam以降の最適化アルゴリズムもあるが、基本はAdamベースでクリッピングが入ってる感じ。
最適化アルゴリズムを通常の勾配降下法からモーメンタムに変えた際の差分を確認。 モーメンタムの方が学習の収束が早い。 勾配降下法で500エポックのところ100エポック。 モーメンタムの場合、初期のパラメータ移動が大き目。 これにより、大域最適化を見つける可能性が高くなる。
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Julia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。
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Scilab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。
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Python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。
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。
最適化アルゴリズムを通常の勾配降下法からモーメンタムに変えた際の差分を確認。 モーメンタムの方が学習の収束が早い。 勾配降下法で500エポックのところ100エポック。 モーメンタムの場合、初期のパラメータ移動が大き目。 これにより、大域最適化を見つける可能性が高くなる。