メルカリ、現行紙幣の出品を禁止

理由は、マネーロンダリングにつながる可能性から。
ちなみに、なぜ
1万円札を額面以上の金額で販売する出品
を落札するかについては
https://twitter.com/NAMAZUrx/status/855680168253206528/photo/1
（クレジットカードで決済することで、カード枠の現金化）

メルカリ、「現金出品」に対策　現行紙幣の出品を禁止
https://headlines.yahoo.co.jp/hl?a=20170424-00000056-zdn_n-sci
(以下太字は上記サイトより引用）

PS.その後
メルカリ、今度は"領収書"が売っていることが判明「天才すぎ」「何か問題なの？」
https://togetter.com/li/1104808

IoTによさそうなPLC

PLCって、シーケンサのほうじゃなくって、
コンセントにつないで通信するほう。
電源の線だけでいいとなると、IoTなんかに向いてるかも？

家の電源コンセントに挿すだけで、電気配線で離れた部屋とデータ通信が行えるPLCアダプター、アイ・オーが「PLC-HD240E」発売
http://internet.watch.impress.co.jp/docs/news/1056356.html

CNNとRNNとLSTMを図示してみる

「ディープラーニング」入門6時間集中講義／自然言語処理とニューラルネットワーク
http://lab-kadokawa18.peatix.com/

を聞いてきた！成果として、CNNとRNNとLSTMを図示してみる
・・・が、詳しく知っているだけではないので、
（ロリポおじさん程度の知識）
まちがていたら、ごめん

---

■CNN

こんなかんじ。

中間層は、
・畳み込み層
・プーリング層
の２つが、何段にも積み重なる感じ。

最終段（出力層のところ）には、全結合層がくる。

なお縦と横というのは、今回の説明用。
CNNの多層化構造を書くとき、実際には、横に書く。

---

■RNN

こんなかんじらしい。

中間層は、入力層の入力のほかに、となりの中間層からの入力もある。

---

■LSTM
こんなかんじらしい

RNNの一種ということらしい。

中間層１つ分で見ると、２つのノードがある。

・ｈのノード：これは出力層にいく。と同時にとなりのｈにもいく
　　→RNNと同じ

・Cのノード：記憶になる。隣のノードにいくので、記憶が伝播される・・・
　・・・が、たまにクリアされ、隣のノードの影響が消えるらしい。

Cのノードで記憶を伝播・忘却する点が、純粋な？RNNと違うところ

ローソンのLoppyで、マルチペイメントサービスを使う

昨日本家に書いた

東日本大震災の被災地の子どもたちのコンサート、4月29日に初めての東京公演
https://plaza.rakuten.co.jp/struts/diary/201704230004/

で、クラウドファンディングのお金をはらいにいったときに、
ローソンのLoppyでまよったので、メモメモ（じぶんだけかもしれないけど）

ちなみに、手順として、以下のように書かれている

手順ローソンの「Loppi」を使ってお支払い
1. Loppiのトップ画面右ボタン「各種サービスメニュー」を選択。
2. ￥マークの「各種代金・インターネット受付・～」を選択。
3. 「各種代金お支払い」を選択。
4. 「マルチペイメントサービス」を選択。
5. サービス内容を確認し、よろしければ「○はい」を選択。
6. 「お客様番号」を入力し、次の画面へ進んでください。
7. 「確認番号」を入力し、次の画面へ進んでください。
8. 通信中しておりますので、しばらくお待ちください。
9. 表示される内容を確認して、次の画面へ進んでください。
10. お支払い時の注意事項をご確認後、よろしければ「はい」を選択。
11. 本体から出力される「申込券」を持って、30分以内にレジにて現金をお支払いください。


※注その１ CAMPFIREのLoppiによる支払いは、
　　　　　Peatixの支払い方法とちがう。

peatixの場合、２次元バーコードを読み込ませるか
　　　一番左の「各種番号をお持ちの方」を選ぶ
　→受付番号と、電話番号等の入力が必要

CAMPFIREの場合、一番右の「各種サービスメニュー」
　を選ぶ
　→お客様番号と確認番号が必要

※注その２　各種代金～は似たような項目を２回選ぶ
　各種サービスメニューを選んだ後、
　「各種代金・インターネット受付・～」を選択すると
　右側にウィンドウが出るから、そこから
　「各種代金お支払い」　　　　★
　をえらび、次の画面で、
　「マルチペイメントサービス」
　をえらぶ。

ここまでの様子は、

https://www.well-net.jp/multi/119.html

で事前学習できる。

★が出るのを知らずに、きのう、ずっと悩んで立ちすくんでしまった
（そうすると＝一定時間なにもしないと、はじめの画面に戻る）

ここから先は、画面の説明どおりやればいいので、まよわない
紙が出てきたら、レジに持っていって支払うことは
peadixと同じ。

マルツオンラインが４月２４日から２８日送料無料の話

マルツオンラインが４月２４日から２８日送料無料とか、STのボード無料でもらえるとか
http://blog.goo.ne.jp/xmldtp/e/f9b3cf6211734f99b7fc23a496004df6

で書いた、マルツの送料無料の話

マルツオンライン
https://www.marutsu.co.jp/

に載ってた。

Googleニューラル機械翻訳について聞いてきた

4月２２日
「ディープラーニング」入門6時間集中講義／自然言語処理とニューラルネットワーク
に行ってきた！のつづき。、第三部（これで終わり）をメモメモ

---

６時間集中講義　自然言語とニューラルネットワーク
第三部　Googleニューラル機械翻訳

PBMT；句を利用
GNMT；Googleニューラル機械翻訳
・日本語はまだ低い。ポルトガル語はつよい
　英語と日本語の違い
　　BLUE：統計的→質的には
　　日本文法：主語の省略を許す、代名詞を落とす
　Google翻訳はよくやっている→質が違う。下訳として使える

・ニューラル機械翻訳に先行したもの
　　ルールベース機械翻訳：機械翻訳の主役だった
　　　→いまはあまり・・・
　 Combinatory
　　　→ルールベースも進化

　統計的機械翻訳モデル（SMT)
　　すべてのソースとターゲットペアに確率を割り付ける
　　対比したコーパスの学習→近い文を探す：検索

　　　P（J|E)　　　　　P(E)

　　　　　P(J|E)P(E)

　→語順が一致するとは限らない：
　　いくつも対応、バータリティ、対応するものがない

・統計的機械翻訳モデルの成功と限界
　Very Very Large Corpora
　　とても長いコーパスがいる
　スペル訂正　Power of data
　→Google翻訳は、量による質の改善ではない！
　
・パラレルコーパス
　現在のコーパス：共有されている
　　英語フランス語：３６００万
　　英語ドイツ語：５００万
　→Googleの自前のセットは、２～３桁多い。

・Googleの書籍のデジタル化
　ロゼッタストーン：最古のコーパス　パラレル　データ
　　→しゃんぽりおん
　ベフィストン碑文：楔形文字
　ベントリス：エバンスが線文字Bとしたのを解読した

・ニューラル確率言語モデル　Bengioの「次元の呪い」
　アルファベット：ワード　単語の数は追いかけられる
　文の複雑さ：限りない。量的な飛躍
　　　さらに
　見たことのない文

　→意味が違いものを捕らえるアプローチ
　　特徴ベクトルを対応付ける
　→意味をフィーチャー

・語と文の複雑さの違いについて
　単語は有限個
　文は無限→用例集は存在し得ない

・Word2Vec語の「意味ベクトル」
　語と語の間に距離
　似た意味を持つ言葉は似たベクトルを持つ
　意味を変換するベクトルは共通？

・RNNの文法認識能力

・文法の階層性
　チョムスキーの階層
　　Type-0,1,2,3

・DeepLearningの理解
　　正規文法；１９９７
　　文脈自由：
　　自然言語：Google翻訳
　実はチョムスキーはリカーシブルな世界に関心？

・方法論上の問題
　機械の能力の階層性
　　ディープラーニングの質的な違い：わかっていない
　　機械にできるかできないかは、ある程度学習させると
　　　できる・できないの判断がむずかしい
　　問題は、機械やデータではない
　　機械学習：作ってみたら、できました！
　チョムスキーは形式的に証明できる
　機械学習は・・・

・Google翻訳は、意味を理解しているか？
　そうじゃない？→記号の変換の可能性もある

・人間と機械翻訳のギャップにはしをかける
　LSTM８段
　　エンコーダーとデコーダーをアテンションでつなく
　　いろんないいとこどり
　　８ビット処理：TPU（８ビットのテンソル用ハード）も

・Encoder/decoder Hintonのオートエンコーダー
　圧縮して拡大する
　書類の分類にもつかってみる；図書のエンコーダー
　セマンティックハッシング

　AutoEncoder：うまくいく

・AttentionMachine
　固定長ベクトル：長い文でも短い文でも？

・GNMTはそういうのをみんな入れている

・WordPiece
　キャラクターをいれてキャラクターを出す
　→ワードを入れてワードを出す：精度はわるくない（効率は悪い）
　→人間の言葉は音、キャラクターモードに近い

・Wordへの分割の問題
　音のつながり：区切りの意味持たない
　日本語：構文解析が必要

　基本的な単語
　訓練用データセット：語の区切り方をサンプルで学習
　つながり情報があれば
　追加していく：バランス言い切り方を機械が決める

・意味：語に意味があるわけではない→つながりさえ維持できていれば・・・

・ワードピース３２Kに抑える　２バイトでいける
　日本発の技術

・多言語ニューラル機械翻訳
　ひとつのシステムでマルチ機械翻訳
　特徴
　　１：シンプルさ
　　２：リソースの少ない
　　３；ゼロショット翻訳：教えていない言語を生成

　実験；多対多
　　性能は落ちるが、ペイする

・ゼロショット翻訳
　インターリンガ：内部で同じ言葉があるんじゃないか？
　ちょっとデータを追加すると成績が伸びる

・ビジュアルな分析：インターリンガの存在
　内部で意味をちゃんと捉えているか：YES
　アテンションがどう動くか
　　英語、日本、韓国語：同じ文；近いところが活性化

　チョムスキー：ユニバーサルランゲージ

　ゼロショットだと、意味が分かれてしまう。

・混合言語
　日本語と韓国語を混ぜる：ちゃんぽんにならない
　ただし
　ロシア語＋ベラルーシ→ウクライナ語がでることも！

・新しい人工知能観へ
　人工知能研究のパースペクティブ
　新しい人工知能観：自らの手で作る