利尻山 初冠雪

本日（2021-10-17）北海道北部で、今季初の積雪が観測されたとのことです。さっそく、北海道最北端の名山、利尻山（利尻岳）の様子をライブカメラで確認してみました。冠雪というよりも、かなりたくさんの積雪がみられました。これから長い厳冬になります。

http://www.town.rishiri.hokkaido.jp/rishiri/ 
ライブカメラから引用（15:00ころ）

同（翌朝 07:00ころ）

同（翌日 15:00ころ）

スマホでニューラルネットワーク（ml5JS/TensorflowJS利用）その１

 【what is this】分類問題等で保持しているデータを使って機械学習させ、その結果を利用して、未知のデータを予測（分類など）したい場合があります。最近では、Tensorflow/Kerasなどを使えば、それは比較的楽に実現できます。ここでは、学習結果をスマホアプリに組み込み、スマホで利用することを行いました。Javascriptから使えるTensorflowJSやML5JSを利用しました。

■ 例題：1700万種の彩色を９種に分類する
　R、G、Bそれぞれ、0〜255まで取る場合の可能な色彩の種類は約1700万になります。それを９種（緑系、桃色、橙系、青系、茶系、赤系、黄系、紫系、灰色）に分類したいとします。そのためには、以下のようにします。参考資料[1]にあるML5.JSの例題Color_Classifierを利用させていただきました。定番の手書き数字認識MNISTばかりではなく、この例題も魅力的ではないでしょうか？

• ラベル付きの色彩データ（R:81, G:183, B:155→緑系、など）5,600組を用意
• これをPC上の、下図の画面にあるようなニューラルネットワークで学習（各層へのバイアスの表示は略しています。）
• 数十秒で学習は完了（スマホでも実行は可能と思われるが）
• 学習結果のモデル（ネットワーク構造と重みデータ）をsaveしておく

■ 学習結果のモデルをスマホで利用する
　上記でsaveしておいた学習モデルを、スマホへloadします。それを利用するスマホアプリをMIT App Inventorで作成しました。すなわち、約1700万種の彩色のどれを与えても、的確に９種のいずれかに分類できます。下図に、実行例（緑系、紫系、桃色など）を示します。第２候補も示しています。

　ちょっとデザインに凝ってみます。以下の画面設計は如何でしょうか？こちらの方が、ニューラルネットワークでpredictionを行っているというrealityがあると思います。下図左側は、[紫系= 0.90, 青系 = 0.04]、右側は、[橙系 = 0.84, 黄系 = 0.12]という結果でした。どちらも納得できます。

　時間のかかる学習をPCやクラウドで実行させ、学習済みモデルをスマホへloadしてアプリケーションを作成するという一般的な方法ですが、実際にやってみると適用範囲が広そうなことを実感できます。

■ なぜスマホで？

• MIT App Inventorを使うのですが、それに搭載されているWebViewerは強力なJavaScriptエンジンなので、Tensorflow.jsやml5.jsを活用できる。
• デザインが楽しい。上図のように、好みの画面設計がとても容易にできる。
• ニューラルネットワークを使う機械学習にもっと親しめる。

（補足）

• スマホ上で、ML5JSやTensorflowJSを使うには、スマホ上にWebサーバを立ち上げ、ドキュメントルートを設定し、そこへ学習済みモデルファイルと、関連コード一式を配置する必要があります。この辺りが少し面倒ですが、分かってしまえばあまり苦になりません。
• 別の問題として、最近のAndroid OSでは、このように立てたwebサーバに対しても、セキュリティが厳しくなっていて、いくつかのpermissionsが必要になるようです。また、どのWebサーバを使うかにもよります。例えば、Pixcel3a (Android 11)の場合は、比較的新しい"Serve:HTTP Server"と、古めの"KWS"サーバは共にOKですが、古いAndroid OS（Android 8.1）で利用可能だった"KSWEB"サーバは、403 Forbiddenのエラーが発生して使えませんでした。

参考資料

[1] ml5.js examples search, https://examples.ml5js.org