動物の脳のネットワークによる機能の特徴を、コンピュータ上で近いことを実現するモデル。
入力に対して多次元でのフィルタリングを行って出力するシステムであり、出力が最適化されるようにフィルタ関数を変化させることが学習である。
解説
イメージ
同義語
- 人工NN
実現手法
- 順伝播方ニューラルネットワーク
GALLERIA XTを購入
ドスパラでGALLERIA XT (2016/6)を購入。
とりあえず、ランキングトップになっている無難なところのスペックのものを選択。
OS ：Windows 10 Pro 64bit のインストール（標準構成から変更）
CPU :インテル Core i7-6700
メモリ ：16GB
HDD :480GB SSD + 2TB HDD + 2TB HDD（標準構成に追加=>Ubuntu用に）
GPU :NVIDIA GeForce GTX960 2GB
Ubuntuのインストール 16.04
日本語版のものをダウンロード
https://www.ubuntulinux.jp/download/ja-remix
ubuntu-ja-16.04-desktop-amd64.iso（ISOイメージ）
http://cdimage.ubuntulinux.jp/releases/16.04/ubuntu-ja-16.04-desktop-amd64.iso
上記、ダウンロードしたISOイメージをDVDに焼く。
GALLERIAを起動字にF2でBOOTでDVDを選択。
2つめのHDDにUbuntuをインストール。
(一応、SSDはそのままWindowsを残しておく）
Ubuntuでの前準備
インストール後の設定。そのままだとネットにつながったりつながらなかったりしたため、DNSの設定
sudo vi /etc/resolvconf/resolv.conf.d/head
nameserver 8.8.8.8
sudo resolvconf -u
と、各種アップグレード
sudo apt update sudo apt upgrade
CUDAのインストール
sudo apt install nvidia-cuda-toolkit nvidia-361
==> Configuring Secure Boot
Your system has UEFI Secure Boot enabled. UEFI Secure Boot is not compatible with the use of third-party drivers.
と表示される。「はい」を選択する。パスワード設定が２回ほど求められる。
その後再起動。
sudo reboot
ただ、このまま再起動するとGUIからはログインできないような状態になってしまう模様。
そのため、再起動時にF2から BOOTの設定で UEFIのモードを OtherOS に設定を変更して再起動を実施するとnvidiaのドライバーを認識して起動できる模様。
※NVIDIAのサイトから最新のドライバをダウンロードしてインストールする形でも動作すると思われるが、今回はパッケージからインストールしている。
※GUIを停止してインストールするなどいくつか方法があるのかもしれない。
cuDNN V4 のインストール
https://developer.nvidia.com/cudnn
からダウンロード。参考にしたブログなどには登録まで１、２日かかると書かれていたが、私が試した時点ではすぐに登録が完了できた。
で、V4をダウンロードしてインストール
cuDNN v4 Library for Linux
※最新は、5.1だったがTensorFlowの指定のあるv4をインストール（5.1でも動きそうな気はする）
ダウンロードしたファイル ホームに設置して解答し、各ディレクトリに配置。
tar zxvf cudnn-7.0-linux-x64-v4.0-prod.tgz sudo cp -a cuda/lib64/* /usr/local/lib/ sudo cp -a cuda/include/* /usr/local/include/ sudo ldconfig
Tensorflowのインストール
python3で利用。pipのインストールとupgradeを行ってから、tensorflowをインストール。
sudo apt-get install python3-pip sudo pip3 install --upgrade pip export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.9.0-cp35-cp35m-linux_x86_64.whl sudo pip3 install --upgrade $TF_BINARY_URL
動作確認
python3
太字が入力した部分です。
>>> import tensorflow as tf
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcublas.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcudnn.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcufft.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcuda.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcurand.so locally
⇒CUDAが認識されてそう。
>>> hello = tf.constant(‘Hello, TensorFlow!’)
>>> sess=tf.Session()
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:924] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
I tensorflow/core/common_runtime/gpu/gpu_init.cc:102] Found device 0 with properties:
name: GeForce GTX 960
major: 5 minor: 2 memoryClockRate (GHz) 1.1775
pciBusID 0000:01:00.0
Total memory: 2.00GiB
Free memory: 1.76GiB
I tensorflow/core/common_runtime/gpu/gpu_init.cc:126] DMA: 0
I tensorflow/core/common_runtime/gpu/gpu_init.cc:136] 0: Y
I tensorflow/core/common_runtime/gpu/gpu_device.cc:806] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 960, pci bus id: 0000:01:00.0)
⇒GPUが認識されてそう。
>>> quit()
]]>認知コンピューティング。大量のデータを収集・解析し、人間との対話（自然言語処理）で最適な回答を行うことの出来る人工知能。
IBMのワトソンがそれにあたる。（IBMが定義した言葉）
解説
サービス
- IBM ワトソン
ニューラルネットワークの多層化（深層）により学習精度を上げることに成功した仕組み。
従来は単に多層化しても性能は上がらず、特定条件化以外では逆効果になると考えられていた。
解説
フレームワーク
]]>
機械にデータの集合から特徴を抽出し分類や推定を行わせること。
解説
主な用途
- 文字認識
- 画像認識
- 迷惑メールフィルタ
- 天気予報
- 金融予測
- レコメンドシステム
実現方法
サービス・ソフトウェア
サービス
ソフトウェア
]]>
用途を問わず（汎用的に）、自ら問題の解決が出来る人工知能。
イメージとしては、人間と同様の知能をもつコンピュータだが、心や意識をもつコンピュータという意味合いは含まない。
解説
現状利用されいている人工知能、機械学習は画像認識・音声認識・囲碁など特定の分野について学習や性能強化のための情報を、個別に最適化して与える必要があるものとなっている。
画像認識の人工知能に囲碁を行わせることは出来ないし、逆もしかりである。
そのような特定分野にのみ対応した人工知能（NarrowAI)ではなく、最初は何も出来ない状態だとしても、ある程度の問題と得たい結果を与えることで、どんなことについてでもそれなりに学習が可能なシステムである。
イメージ
- 2001年宇宙の旅のHAL 9000
- どらえもん
- ターミネータのスカイネット
同義語
- Artifical General Intelligence / アーティフィカル ジェネラル インテリジェンス
- AGI / エイジーアイ
- 人工一般知能
- 一般人工知能
- 人工汎用知能
- 強いAI
実現手法
- 全能アーキテクチャ
]]>
コンピュータで、記憶・学習・推論・判断をして問題を解決出来る知的な処理を人工的に実現したもの。
解説
現時点では特定の用途の特定の問題をよりスマートに解決出来る仕組みに対して人工知能と呼ぶ事が多い。（特定型AI・弱いAI)
広く一般の人がイメージすると思われる、ターミネータやドラえもんなどのような人工知能は汎用人工知能（強いAI)と区別して呼ばれる。
また、文字認識、画像認識、音声認識など一般化した人工知能と同等の技術は、自動化や機会学習と呼ばれる場合が多い。そのため、人間でなければ出来ないと思われるようなこと（コンピューターには難しいと思われること）を実現している仕組みを『人工知能』として定義される場合もある。
関連項目
人工知能を搭載している製品・システム
同義語
- AI / エーアイ
- Artifical Intelligence / アーティフィカル インテリジェンス
関連用語
- 汎用人工知能
- 弱いAI
- 強いAI
外部リンク
]]>
このサイトは残念ながら（当然ながら）汎用人工知能の創り方かたを掲載しているサイトではありません。
このサイトの内容
このサイトArtNueralは『汎用人工知能の創り方』を編み出すべく研究・空想・妄想している内容およびを関連情報・世間の話題等を掲載していくサイトです。
汎用人工知能の実現方法に向けた内容として実現方法のアイディア及び脳の仕組みに関する考察等も掲載しますが、現実的（キャッチー）なネタとしてはニューラルネットワーク等の基礎的なところの演習や、ディープラーニング周りのソフトウェア・サービスの利用についても掲載します。
なお、実空間における機械的な部分（ロボティクス）の技術、実現方法については含めません。
このサイトの目的
汎用人工知能に関する研究内容・情報を発信することで、同様の目的を持った人たちの情報を集めやすくし、汎用人工知能の実現を早めることを目的とする。
このサイトの注意事項
記載している単語、用語、内容は私の考えにより定義しているため、一般（主流）な意味合いとは異なっている場合があります。
このサイトの著者について
高橋 輝（たかはし あきら）。1981年生まれ。秋田県出身。神奈川県在住。
]]>