Deep learningの概要とドメインモデルの変遷

1. Deep Learningの概要とドメインモデルの変遷 Taiga Nomi 2017/1/21 マルチパラダイムデザイン読書会　番外編 Embedded Computer Vision Software Engineer / The Author of tiny-dnn

2. Intro ● Deep Learningの概要 ○ 最近の成果(主に画像関連)と学習の仕組み、脳との関連 ● Deep Learningフレームワークのドメインモデルの変遷について紹介します

3. Deep Learningの最近の成果 2012-2016

4. 2012: Deep Learningブームの幕開け ● 物体画像認識のコンペで、Deep Learningを用いたチームが圧勝 ○ エラー率を一気に10%近く改善(25.8->16.4%) ○ 画像認識コミュニティに衝撃走る “ImageNet Classification with Deep Convolutional Neural Networks ”, A. Krizhevsky, et. al.

5. 2012: Deep Learningブームの幕開け ● 化合物の活性予測コンペでDeep Learningベースの手法が勝利 ○ ドメイン知識を使わず、活性予測の素人が優勝 ● Youtubeの動画を元に、”猫に反応するニューロン”を獲得 ○ 画像からの特徴抽出の自動化…従来は人間のドメイン知識に基づいて設計 ○ 2000台のマシンで1週間かけて10億パラメータを学習 ○ 猫、人といった概念を教えずに(!)それらの概念を獲得人の顔 (左)、猫の顔(右)によく反応するニューロンの可視化 Merck Competition Challenge http://blog.kaggle.com/2012/10/31/merck-competition-results-deep-nn-and-gpus-come-out-to-play/ “Building High-level Features Using Large Scale Unsupervised Learning ”, Q. V. Le, et. al.

6. 2013 - 2016 ● ルールを教えずにAtari 2600をプレイ(2013) ○ コンピュータが自分で試行錯誤しながら、様々なゲームのプレイ方法を学習 ○ ブロック崩しなどの単純なゲームでは人間以上のスコア “Playing Atari with Deep Reinforcement Learning”, V. Mnih, et. al.

7. 2013 - 2016 ● 物体画像認識タスクで人間のエラー率を超える(2015) ○ Human:5.1% Deep Learning: 4.94% (by Microsoft Research) ○ さらに2016/8には3.08%まで改善 (by Google) ● 画像拡大(超解像)で従来を大幅に超える精度を達成(2015) ○ パッチ型超解像と呼ばれていた技術を応用、汎用的なDeep Learningで実現 “Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification”, K. He, et. al. “Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning”, C. Szegedy, et. al. “Learning a Deep Convolutional Network for Image Super-Resolution”, C. Dong, et. al.

8. 2013 - 2016 ● 画風の変換(2015) ○ 画像から”画風”の特徴だけを抽出して別の画像に適用 ○ のちに動画にも適用: https://www.youtube.com/watch?v=Uxax5EKg0zA “A Neural Algorithm of Artistic Style”, L. A. Gatys He, et. al. “Artistic style transfer for videos”, M. Ruder, et. al.

9. 2013 - 2016 ● 会話レベルの音声認識で人間と同レベルの精度を達成(2016) ● 囲碁でトップ棋士に勝利(2016) ○ 2016/12には、オンライン囲碁で世界1位を含むトップ棋士相手に60勝0敗 ● 線画の自動着色(2016) “Achieving Human Parity in Conversational Speech Recognition”, W. Xiong, et. al. “Mastering the game of Go with deep neural networks and tree search”, D. Silver, et. al. Qiita: 初心者がchainerで線画着色してみた。わりとできた。http://qiita.com/taizan/items/cf77fd37ec3a0bef5d9d

10. 2013 - 2016 ● 多言語間の翻訳を単一のニューラルネットで実現(2016) ○ 日⇔英、韓⇔英を学習させると、日⇔韓の翻訳もできる(Zero-Shot Translation) ■ 内部で言語に非依存な中間表現を獲得していると思われる “Google’s Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation”, M. Johnson, et. al. a, b: 3言語で74の文章を入力した際の内部表現の可視化(文章ごとに色分け)。 c: 3言語で同じ意味の文章は、近い内部表現に対応している

11. 2013 - 2016 ● 文章から高精度な画像を生成(2016) ○ 学習した画像の継ぎ接ぎではなく、ゼロから描画している(下段) “StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks”, H. ZHang, et. al.

12. demo ● 落書き認識 ○ https://quickdraw.withgoogle.com/ ● 画像キャプション生成 ○ https://www.captionbot.ai/ ● アニメ顔生成 ○ http://mattya.github.io/chainer-DCGAN/

13. Deep Learningの概要歴史、機構、脳との関連

14. AI/機械学習/ニューラルネット/Deep Learning ● AI: 機械による知性 ● 機械学習:人間のような学習機能を、データから自動的に習得する技術 ○ ニューラルネットワーク、Deep Learningはその1カテゴリ AI 機械学習ニューラルネットワーク Deep Learning

15. ニューラルネットワーク ● 脳神経系における情報伝達を模した数学モデル ○ 多数のニューロンが互いに接続 ○ ニューロン間の結合強度はそれぞれ異なる ○ この結合強度を調整(学習)することで問題解決能力を得る

16. 第１世代：単純パーセプトロン (1958～60s) ● 入力値の重み付き和を取る、最も単純なニューラルネットワーク ○ ある閾値を超えると出力が発火するようなニューロンモデル ○ 出力の発火によって、入力を2つに分類する犬猫

17. 単純パーセプトロンの学習 ● サンプルを1つずつ試行し、正しく分類されるよう少しずつ重みを修正出力yと期待結果tの差を縮めるように重みを更新

18. 単純パーセプトロンの限界 ● パーセプトロン：入力を平面で2つに分割していることに相当(線形分離) ○ 平面で分割できないようなデータは、パーセプトロンで学習できない ?

19. 第２世代：多層パーセプトロン (1980～90s) ● 単純パーセプトロンを複数重ねた構造入力出力隠れ層

20. 第２世代：多層パーセプトロン (1980～90s) ● 単純パーセプトロンを複数重ねた構造入力データ出力データ隠れ層 (活性化関数：閾値処理の一般化)

21. 第２世代：多層パーセプトロン (1980～90s) ● 単純パーセプトロンを複数重ねた構造入力データ出力データ隠れ層

22. 第２世代：多層パーセプトロン (1980～90s) ● 単純パーセプトロンを複数重ねた構造入力データ出力データ隠れ層

23. 多層パーセプトロンの特徴 ● 非線形な問題を解くことができる ● 適切に学習すれば、有限個のニューロンで任意の連続関数を近似できる (universal approximation) Input Output Trainable Building Blocks - text - audio - image - video - ... - text - audio - image - video - ...

24. 多層パーセプトロンの学習 ● どうすれば目的の機能を果たす重みが得られるか？ ○ 単純パーセプトロンのように、少しずつ解に近づけていきたい ■ ただし単純パーセプトロンと違い、隠れ層の重みは最終結果に間接的にしか寄与しない ○ 目標の出力と、実際の出力の誤差をなるべく小さくしたい ● 重みを変えたときの誤差の変化(勾配)が分かれば、進む方向が分かりそう誤差J 重み

25. 勾配の算出 ● 微分の定義から算出 ○ 適当に小さなhを置いて以下を計算すれば良い ○ 重み1個に対して2回Jを計算する必要があり、現実的でない ■ Jの計算がO(n)なので、n個の重みを1ステップ更新するのに O(n^2)の計算量 ■ 冒頭の“猫ニューロン”…n～10^9 ● 1980sに勾配を効率良く求める方法が提案(再発見)された　：　誤差逆伝播法

26. 誤差逆伝播法(1/5) ● すべての重みを適当な値（乱数など）で初期化 ● 学習用データをネットワークに与えて、まず答えを出させる ○ 最初はでたらめな値を出力する Dogs or Cats? Dog : 0.32 Cat : 0.34 resultinput

27. 誤差逆伝播法(2/5) ● 期待結果と出力から誤差を計算 Dogs or Cats? Dog : 0.32 Cat : 0.34 result desired Dog : 0.0 Cat : 1.0(+0.66) (-0.32) input

28. 誤差逆伝播法(3/5) ● 出力層の誤差を、入力層に遡って伝播させていく ○ 偏微分のChain Ruleを使うことで、効率的に誤差を計算できる ○ 下流のニューロンの誤差×そのニューロンとの結合度に比例し、上流も修正される Dogs or Cats? Dog : 0.32 Cat : 0.34 result desired Dog : 0.0 Cat : 1.0(+0.66) (-0.32) input

29. 誤差逆伝播法(3/5) ● 出力層の誤差を、入力層に遡って伝播させていく ○ 偏微分のChain Ruleを使うことで、効率的に誤差を計算できる ○ 下流のニューロンの誤差×そのニューロンとの結合度に比例し、上流も修正される ○ 組織のメタファ：部下のミスの大きさと、その部下への関与の大きさに応じて上司も怒られていく Dogs or Cats? Dog : 0.32 Cat : 0.34 result desired Dog : 0.0 Cat : 1.0(+0.66) (-0.32) input

30. 誤差逆伝播法(4/5) ● 計算された誤差に応じて、重みを少しだけ修正 ● これを学習データ集合に対して繰り返し行う Dogs or Cats?

31. 誤差逆伝播法(5/5) ● 実際どう動くの？　http://playground.tensorflow.org/

32. ニューラルネット冬の時代 ● 問題点：層を積み重ねても学習が上手くいかない ○ 誤差を伝播するにつれて、上流側で誤差が消失してしまう ○ 結果、上流はほとんど学習されず、下流だけが過学習する状態になる ■ 組織のメタファ：現場での局所最適化ばかりが進んでしまう ● 他の手法の流行もあり、ニューラルネットは下火に ○ ”ニューラルネットを論文タイトルに入れると採択確率が下がる”と言われる始末

33. 第３世代：Deep Learning (2006～) ● さらに多層(7層～)から構成されるニューラルネットワーク ● 基本的な構成要素は第2世代と同じ ○ 学習が上手く行きやすくなるテクニックの蓄積 ○ GPGPUを使った計算の効率化 ○ ビッグデータの活用 ● 研究での最初のブレークスルーは2006頃

34. Why Deep ? ● 直観的な理解：対象の階層的な構造をうまく取り込めるから ○ 画像認識…単純な特徴(エッジetc)と、それを組み合わせた複雑な特徴が使われる ■ 従来は、ドメイン知識に基づいて人が特徴抽出部を設計していた ■ Deep Learningによって、End-to-Endで学習ができるように ○ 特徴の自動抽出＝表現学習(representation learning)を行っていると考えられる Input OutputDeep Learning Input Output Feature Extraction Perceptron etc.

35. Why Deep ? ● 理論的な研究…未解決の問題が多い ○ 1) 世の中の様々な問題がXというクラスに分類できるか ○ 2) XというクラスをDeep Learningが学習できるか ■ 2-1) Deepかつ現実的な規模のモデルが、対象を十分表現する能力を持つか ■ 2-2) Deepなモデルの学習が(局所最適に陥りそうだという直観に反して)なぜ上手くいくのか

36. Why Deep ? ● Linの仮説：世の中に以下の特徴がある ○ 低次性：多くの物理現象で相互作用の次数は2～4 ○ 局所性: 現象の影響範囲が局所的 ○ 対称性: 回転や移動に対する対称性が広くみられる ○ マルコフ性: 生成過程が直前の状態にのみ依存 ● これらを満たす場合、Deep Learningは現実的なパラメータ数で問題を解ける “Why does deep and cheap learning work so well?”, H. W. Lin and M. Tegmark

37. 畳み込みニューラルネット(CNN) ● 対称性、局所性を構造に取り込んだニューラルネットの亜種 ● 畳み込みとプーリングの組み合わせで特徴抽出したのち、多層パーセプトロンで分類 “Gradient-Based Learning Applied to Document Recognition”, Y. LeCun, et. al.

38. 畳み込みニューラルネット(CNN) ● 畳み込み＝フィルタ処理 ○ 結合を近傍ニューロンに限定することで局所性を得る ○ 重みをニューロン間で共有することで対称性を得る ○ 画像処理でのフィルタ処理と等価 https://github.com/vdumoulin/conv_arithmetichttps://en.wikipedia.org/wiki/Kernel_(image_processing)

39. 畳み込みニューラルネット(CNN) ● プーリング＝縮小処理 ○ 縮小の過程で並行移動、回転に対する一定の対称性を得る https://en.wikipedia.org/wiki/Convolutional_neural_network

40. CNNによって学習された特徴 “Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations”, H. Lee, et. al. … ● 1回目の畳み込み…単純なエッジ検出(Gaborフィルタによく似た形) ● 2回目/3回目の畳み込み…特定のパーツ、顔全体etc

41. CNNと脳(大脳皮質の視覚野)との類似点 ● 脳も階層構造を持ち、下位は単純な特徴、上位は複雑な特徴を獲得 ○ V1野: 単純なエッジに反応するフィルタ(Gabor Filterで近似できる)が後天的に獲得 ○ IT野: 自動車に反応するニューロン、オペラハウスに反応するニューロン(!)etc http://kazoo04.hatenablog.com/entry/agi-ac-7 https://bsd.neuroinf.jp/wiki/受容野

42. Deep Learningは人間を超えるか？ ● 汎用的な意味では(現状)No ○ 画像、音声、ビデオといった知覚的な入力(perceptual input)をターゲットにした、特定のタスク群で非常にうまく機能している点が従来との差分 ○ ある種の表現学習が出来ていそうだという点も興味深い ○ ただし、特定のタスクで人間を上回る＝汎用的な”知的思考”が出来る訳ではない ■ 電卓だって人間より高性能 ● 汎用AIの実現に向けた小さな前進ではあるかも

43. Deep Learningのドメインモデルフレームワークの進化とドメインモデルの深化

44. Deep Learningフレームワーク ● 研究だけでなく、フレームワークによる実装も大きく変化 ○ 研究と実装、お互いが影響を与えながら進化している ○ どっちがソリューションドメイン? →視点に依存 ● OSS上でニューラルネットモデルがどのような変遷を辿っているのかを紹介

45. 第1世代: 人工ニューロンモデル ● FANN(2003-)など　：　人工ニューロンモデルの素直な実装 ○ ニューロン：活性化関数の種類と結合先、現在の値を保持する構造体 ○ レイヤ: ニューロンのリストで表現 ○ “積和演算とニューロンによる活性化からなるレイヤの連鎖” ○ 層の数、各層のニューロン数と活性化の種類が設計パラメータ Layer Network Neuron Neuron Weight Activation ※世代は本スライドで便宜的に付けたもの

46. Example / FANN const unsigned int num_input = 2; const unsigned int num_output = 1; const unsigned int num_layers = 3; const unsigned int num_neurons_hidden = 3; const float desired_error = (const float) 0.001; const unsigned int max_epochs = 500000; const unsigned int epochs_between_reports = 1000; struct fann *ann = fann_create_standard(num_layers, num_input, num_neurons_hidden, num_output); fann_train_on_file(ann, "xor.data", max_epochs, epochs_between_reports, desired_error);

47. 第2世代: レイヤによる抽象化 ● pybrain(2008-)など ○ ニューロンを明示的にモデル化せず、レイヤをブラックボックス化 ○ レイヤ：”値を伝播し(forward/backward), 活性化する(activation)”モジュール ○ ”活性化を持つ、誤差伝播可能なレイヤの連鎖” ○ 畳み込みやプーリングなどが実現できるようになった Layer Network conv pool conv Activation

48. 第2.5世代: 活性化関数の分離 ● Torch5(2006-)など ○ 活性化関数をひとつのレイヤとして扱うことで、レイヤをより汎用化 ○ レイヤ：”N次元ベクトル(テンソル)を入出力とする、微分可能な関数” ○ “微分可能なレイヤの連鎖” ○ 活性化にこだわらず、あらゆる計算を含められるようになった Layer Network conv pool conv sigmoid sigmoid

49. 第3世代: リストから有向グラフへ ● Torch7(2010-), tiny-dnn(2012-), Caffe(2013-), Keras(2015-)など ○ 偏微分のチェインルールは1対1接続でなくても成立 ○ “微分可能なレイヤの有向グラフ” ○ 多入力・多出力を含む、より柔軟な設計ができるようになった ■ 2017年現在では、分岐構造を持たないモデルの方が珍しい ※考え方自体は 1990sから存在 “Gradient-Based Learning Applied to Document Recognition”, Y. LeCun, et.

50. Example / Caffe DSLでモデル(グラフ)を定義layer { name : “conv1” type : “Convolution” convolution_param { num_output: 20 kernel_size: 5 } bottom: “data” top: “conv1” } layer { name : “pool1” type : “pooling” ... 入出力に接続するエッジノードの種別と詳細パラメータ

51. 第4世代: レイヤから演算子へ ● Theano(2011-), TensorFlow(2015-), Chainer(2015-), pytorch(2017-)など ○ グラフのノードの粒度を、レイヤではなく演算子(operator)の粒度に下げる ■ さらに柔軟な構造が定義できるように ○ “微分可能なオペレータの有向グラフ” mul plus sqr plus op ○ もはや、単なるニューラルネットワークの実装では無くなっている “TensorFlow™ is an open source software library for numerical computation using data flow graphs.” https://www.tensorflow.org/

52. Example / TensorFlow x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3 W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) b = tf.Variable(tf.zeros([1])) y = W * x_data + b # Minimize the mean squared errors. loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss)

53. 命令型(imperative) vs 記号型(symbolic) ● 記号型：計算を即時に行わず、式自体を保持するモデル ○ TheanoやTensorFlowで採用 ○ 学習の実行時にモデルをフレームワーク側で”コンパイル”し、グラフ構造を解析する ○ “コンパイラ”での最適化が(頑張れば)できるため、高速・高効率 ■ 一時メモリの再利用、分散学習の効率化など A = Variable('A') B = Variable('B') C = B * A D = C + Constant(1) # compiles the function f = compile(D) d = f(A=np.ones(10), B=np.ones(10)*2) http://mxnet.io/architecture/program_model.html#symbolic-vs-imperative-programs ここで初めてグラフが実行されるここで計算対象のグラフが確定

54. 命令型(imperative) vs 記号型(symbolic) ● 命令型：呼び出した時点で計算が実行されるモデル ○ Chainerやpytorchで採用 ■ 実行時に演算グラフをバックエンドで記録しておき、後から自動微分で逆伝播する ○ 言語側の組み込み関数とMixしやすく、デバッグが容易 A = Variable(rand()) B = Variable(rand()) C = B * A D = C + Constant(1) D.backward() 裏で生成しておいたグラフから自動微分この時点でCは計算されている

55. ドメインモデルの深化 ● 人工ニューロンモデルから、データフロー計算をサポートするDSLへ進化 Layer Neuron Op Neuron Weight Activation Tensor

56. ドメインモデルの深化 ● 研究側でも、より多彩な構造をもったNetworkが次々に提案されている ○ 層を飛び越えた接続、非決定的な動作、再帰、外部記憶の導入... “Deep Networks with Stochastic Depth”, H. Lee, et. al. “Densely Connected Convolutional Networks”, G. Huang, et. al. “Quasi-recurrent Neural Networks”, J. Brudbury, et. al. “DeepBach: a Steerable Model for Bach chorales generation”, G. Hadjeres and F. Pachet

57. ユビキタス言語 ● TensorFlowが普及することで柔軟なモデルが定義できるようになった一方、 APIが低レイヤすぎると感じることも… ○ TensorFlow上のAPIは、Deep Learningでのユビキタス言語と抽象度が異なる Words in Deep Learning World APIs in TensorFlow neuron - layer op network session forward-propagation compute train minimize

58. Wrapper Framework ● Theano/TensorFlow上に、Deep Learning用の使いやすいAPIを構築する高レベルフレームワークが多数出てきている ○ Keras(2015)：Theano/TensorFlowをバックエンドにしたレイヤ粒度のAPI ○ tf-slim(2016): TensorFlow公式のWrapper ● かつては単一ライブラリで賄っていたものが、2つのドメインに分割 ○ 高度な最適化を伴う、数値計算グラフのドメイン ○ Deep Learningモデルのドメイン

59. まとめ ● Deep Learningは知覚系のタスクを中心に大きな成功を収めている ○ 理論的背景はまだ未知の部分が多い ● Deep Learningのドメインモデルも旧来から大きく変化 ○ 人工ニューロンから計算グラフへ ○ フレームワーク実装の深化、ドメイン分割

60. おまけ: tiny-dnn

61. tiny-dnn(2012-) ● C++での高レベルAPIを持ったdeep learningフレームワーク ● Header-only、かつ外部依存無しで手軽に使えることが最大の売り ○ 組み込み系含む、アプリケーションへの統合がやりやすい ○ 別フレームワーク(Caffe)で学習した結果をインポートできる ● Google Summer of Code 2016にOpenCVを経由して参加し、開発が活性化 ○ 2016/1-2017-1の間で、Github starが150 -> 2400まで伸びた ○ 個人レポジトリからOrganizationに移行。現在Core member4名＋Reviewer2名 ● ドメインモデルは第3世代相当 ○ 実装をシンプルに留めるための意図的なデザイン

62. API比較 network<sequential> net; net << conv<>(28, 28, 5, 1, 32) << max_pool<relu>(24, 24, 2) << conv<>(12, 12, 5, 32, 64) << max_pool<relu>(8, 8, 64, 2) << fc<relu>(4*4*64, 1024) << dropout(1024, 0.5f) << fc<>(1024, 10); x = tf.Variable(tf.random_normal([-1, 28, 28, 1])) wc1 = tf.Variable(tf.random_normal([5, 5, 1, 32])) wc2 = tf.Variable(tf.random_normal([5, 5, 32, 64])) wd1 = tf.Variable(tf.random_normal([7*7*64, 1024])) wout = tf.Variable(tf.random_normal([1024, n_classes])) bc1 = tf.Variable(tf.random_normal([32])) bc2 = tf.Variable(tf.random_normal([64])) bd1 = tf.Variable(tf.random_normal([1024])) bout = tf.Variable(tf.random_normal([n_classes])) conv1 = conv2d(x, wc1, bc1) conv1 = maxpool2d(conv1, k=2) conv1 = tf.nn.relu(conv1) conv2 = conv2d(conv1, wc2, bc2) conv2 = maxpool2d(conv2, k=2) conv2 = tf.nn.relu(conv2) fc1 = tf.reshape(conv2, [-1, wd1.get_shape().as_list()[0]]) fc1 = tf.add(tf.matmul(fc1, wd1), bd1) fc1 = tf.nn.relu(fc1) fc1 = tf.nn.dropout(fc1, dropout) out = tf.add(tf.matmul(fc1, wout), bout) tiny-dnn (C++)TensorFlow (Python)