Webでpayment実装の話を聞いてきた!

３月２４日

html5j Webプラットフォーム部 第16回勉強会
https://html5j-webplat.connpass.com/event/53119/

にいってきて、Webでのpayment関係
（Payment Request APIと
　Paypalの新しいSDK（Braintree SDK）、
　Formにタグをいてれキャッシュカード対応させるJS　Stripe.js等）
について聞いてきたのでメモメモ

---

HTML5J　Webプラットフォーム部　第１６回勉強会

■WebPayments
・自己紹介
　フォームによるチェックアウト
　何かしらの情報をサイトに提供（例：クレジットカード）
　→スマートフォンでの入力

　サイトによって保存される情報まちまち
　→オートフィル
　オートフィルの最適化
　INPUTタグにオートコンプリート→ぴたっとはまるように

・Web Payments
　複数仕様の集合体
　Web Payment Browser API
　Web Payment handler API

Payment Request API
・フォームの変わりに、支払い専用UIを表示
　さまざまなブラウザが対応
　一貫したUX
　オープンな仕様
　支払い方法そのものではない（あくまでUI)
　→住所、クレジットカードの再入力を避ける

・動画でも
　payment gatewayにわたせば、支払い

・今後
　・Android
　・Desktop版　絶賛開発中
　・Edge
　・ios Safari独自仕様のapple pay JS
　・Facebook（Webviewにjsさしこみ

・Paayment Request API
var request
basic-cord
サードパーティが提供していれば使える

WebPayment Apps
１，２ヶ月で面白い話

まとめ
・WebPayment 一貫したUX

Payme

---

■Es
■Easy
・自己紹介
・Paypalの紹介
　paypalの仕組み
　　売り手と買い手の間を仲介
　　２億人のアクティブユーザー
・Paypalの新しいSDK　Braintree SDK

・Braintreeって？
　グループ会社：ペイメントゲートウェイ
　SDK
　日本アカウントは現在作れない

・Paypal APIの変遷
　くらっしく
　RestAPI
　BraintreeSDK
　ホールディングス
・paypalとpayment gatewayの違い
　paypal=digital wall金融庁　口座持てる

　payment gateway
受け取り側だけサービス　経済産業省

・できること
　つど決済
　定期支払い
　従量課金
　マーケットプレイス用決済
　送金

・２ステップで実装
　Client SDK
ServerSideSDK

・githubにあるからみてね

・技術的特長
　Client Side
　トーカナイゼーション（トークン化）
　BraintreeはPayment RequestAPIと連携できる

　PCIDSSを持ってないと、カードの番号を扱えない

・特徴の背景
　誰にでもわかりやすい決済導入
　実装者に依存しない
　複数決済手段の導入のしやすさ
　→決済の民主化

・ところでTokenizationって
　機密情報を一時的引換券（トークン）でおこなうしくみ
　２とのトークンと１つのノンスを利用

・Payment Tokenization
Tokenを引き渡す実装
　決済と完了させるサイトをわける

まとめ
・みんなでペイパろー

・PPUG（ぺいぱるゆーざーぐるーぷ）

■LT
Microsoft Bizspark
中小
Microsoft Dream Spark（Imagineに変更）
学生中にダウンロードすると、無料

■
・自己紹介
　Stripeに入社、Stripeジャパンに

・Increase the GDP of the Internet
　Stripeは、従来の決済方法のハードルを解消します
　５００億円くらい　しゃいん：６７９名
　パートナー：三井住友カード

・Stripe
　背景　HTTP 1.1　４０４、４０３
　４０２：Payment Required　コマースが入るという

・W3C　Stripe会員になっている

・JSライブラリ：

・Elements
　Stripe Elementクイックスタートがある
　→決済昨日が入っていないところから、決済昨日を入れるのを実演

　JSを入れるStripe.js
　elementsを生成
　
　formにdivを入れる
　card = elements.create(・・・）
　card.mount(セレクタ）

　cardにイベントをつけると、エラーを出せる

　トークン化
　postされないようにevent.preventDefaultして
　createToken

・#JP_Stripes

・エラーメッセージ：日本語でも、英語でも

■今、Online Payment/Cashlessに注目すべき理由
　～クラウド時代の決済トレンドとは～
・自己紹介
・広がり続けるインターネットのGDP
・日本：２０２０年、そしてその先に向けての不可避な流れ
・日本の現状：まだ低いオンライン決済率→現金決済
　人口減：今年より、来年のほうが売り上げが下がる
　対応２つある
　　・ほかの国から来てもらう
　　・日本にいながら海外ビジネス
　インバウンド：キャッシュレス→カード使えないの？
　シェアリングエコノミーが事前（オンライン）決済
　　＝キャッシュレスを加速
　→事前決済とキャッシュレスがUXを向上

　Store Payment：カードを写真取る
　　→Stripeがバックで走っている

　ものの輸出からデジタル輸出、越境EC
　　お菓子サブスクリプション
　　Tokyo Mirai Mode
　海外とビジネス
　　デジタルビジネスでGo Global
　　そらこむ：SIMを
　いつ課金：キャッシュフロー経営
　　AWS：クレカ後払い　提供サービスはStripeで前払い
　オンライン決済がビジネスエリアを拡張

　B2CはともかくB2Bでは日本ではクレジットカードによるオンライン決済が利用できないのでは？
　　→AWSは？？？

　与信枠：パーチェシングカードの普及（IT支払いだけ）
　バックエンドが楽になる
　与信はカード会社に

　Payment Platformをつかう

　You　Can　Start Today With Payment API！！
　コミュニティで使っている人から

「なぜ、機械翻訳が素人考えで、プロは翻訳メモリを使うのか？」の補強

前に

なぜ、機械翻訳が素人考えで、プロは翻訳メモリを使うのか？
http://blog.goo.ne.jp/xmldtp/e/20959daf8badbf9c94c4d93a9d096b09

というエントリを書いた。結論は、

・文化によって、訳文は違うのだ。
・そして、訳される文化のほうにあわせないと訳の意味が変わってしまう可能性すらある
・逆に、意味さえ通じればよいのなら、シチュエーションさえ分かれば、
　元の言葉わかんなくっても、OKなときある
・文化の理解までは、機械翻訳は行っていない。

ということなんだけど、それに関して、翻訳をやっている人がつぶやいているようなので
メモメモ

ハーフの台湾人漫画家、御村りょうのまじめな漫画翻訳は5日かかるのに八千円ほどにしかならない話
https://togetter.com/li/1093994

（以下太字は上記サイトより引用）

気軽に「漫画で食っていけなければ翻訳やればいいのに」って言ってくる人がいるけど、これ外国語をある程度判る人じゃないと判らない感覚かもしれませんけど、翻訳って外国語能力も大事だけどまず一番大事なのが母国語能力だよ、母国語に精通にしてないとまず流暢な文章ができない（続き）

あとボギャブラリーが貧困だと表現も死にいます、なのでいくら外国語に精通してても母国語が下手だとたどたどしい文章になって結果下手な翻訳に見えてしまう、逆に外国語がそこそこ、母国語に精通してるとたとえ翻訳が間違っても外国語がわからない人にはまずバレない程度の流暢な翻訳ができる

あと漫画一冊の翻訳代が8000円ほど、まじめに翻訳すると五日はかかる、これは普通にコンビニでバイトしたほうが儲かる。なので漫画の翻訳で食っていきたければ適当に翻訳して量をこなせなければいけない、実際台湾の輸入漫画はこういうのが多い、特に某出版社は翻訳の質なんか見てない

友達の（認知的）限界数を示したダンバー数って、１５０人だよねえ

どうきいても、ダンバー数の話をしている人が、１４０人って言ってて、
自分も１４０人っていう数字をどこかできいた気がしたので・・・

この数字、何回も調べているので、もう一度メモ

Don't Believe Facebook; You Only Have 150 Friends
http://blog.goo.ne.jp/xmldtp/e/7a9da995d027e504deb886dabf8b7c4d

に論文のありかを書いておいた

Visual Studio 2017が目指す世界

あとでよむ
「Any Developer, Any App, Any Platform」 ―― Visual Studio 2017が目指す世界とは？
http://www.atmarkit.co.jp/ait/articles/1703/24/news021.html

「ジブリも使う」アニメ制作ソフト、オープンソース化

「ジブリも使う」アニメ制作ソフト、ドワンゴが無償提供へ
http://wired.jp/2016/03/24/toonz-animation-software/

具体的には
OpenToonz
https://opentoonz.github.io/

ホームビルオートメーションの国際規約KNXについて聞いてきた（RESTで操作できる？）

３月２４日
KNXフォーラム２０１７
にいってきたのでメモメモ

---

■KNXのご紹介（途中から）

KNXについて
・ホームビルオートメーションの国際規約
・オープンプロトコル　ツイストペア　IP/Wifiなど
・４００のメーカー
・認定トレーニングセンター、認証テストラボあり
・相互接続性がよい
・ツールETSインサイド
・システム構築に必要なもの３階建て
・１Kmは引っ張れる
・分散処理システム
・開発は難しくない
・２５周年：新しい技術を取り入れ発展

KNXは国際標準　１４５４３
・中国も　エコーネットの中にも
・IPもKNX NET IP　１６４８４

KNXは世界に普及
・欧州を中心に世界各国で
・KNX　Award
・ソリューションのパンフレットにある

４００以上のメーカーが７０００以上の製品
・日本は３社
・７０００は認定のもの
　→認定とらなくても売っていい（ほとんどとるけど）
・ライト＆ビルディングというイベント（２年に１回）
　多数のKNX：スイッチ、ディスプレイ

KNXを使うといろいろなことができる
・照明制御、空調制御、

通信媒体
・ツイストペア：○
・電力線：あまり使われない
・Ethernet/Wifi
・無線：日本の規格にあっていない

何とでもつながります
・Bacnet,EnOcean,Ascii,OPC,DALI,・・・

コミショニングにはETSを使います
・one & onlyツール
　KNXはETSにはじまり、ETSに終わる
　WindowsベースのPCソフトウェア
　USB,IPでつなぐ　ETSインサイド
　各メーカーがカスタマイズすることも可能

使い方は講習会で習得
・KNXパートナー：ここにいたって急激に伸びる

適合性認証は認証テストラボで取得
・相互接続性抜群
・ロゴをついているものはつながる

構築に必要なものは？
・認定ケーブル
・電源
・センサー、アクチュエーター
・USBインターふぇーる「

KNXは３階建て
　システム
　エリア
　ライン

ライン：２５５のデバイスつなげられる
１５ラインまで：ラインカプラー（ルーター）
システム全体で６万５千デバイス

電源機器３５０以上
機器７００以上
バス１０００以上
電源間２００以上
機器６４台以内

変化があると、同胞パケットを投げる
・SWオン
・デバイスが検出
・同胞パケット（GO:グループオブジェクト）
・GOに関係あれば、点灯表示

ハード・ソフトから独立
・スクラッチから
・マイコンかってきて
・数行で完成する

新しい技術を取り入れ
・KNX　IoT　シティー
・KNX　インサイド

Q&A
・芋ずる式でも、スターでも
・アドレスは？シリアル番号はあるが、通信では使わず、物理アドレスを自由に触れるので
　プログラミングボタンを押して、物理アドレスを割り振る

■基調講演：ビルディングオートメーションにおける
　オープン・プロトコルへの期待
・KNXとの出会い
　きんでん：トレーニングセンター
　技能五輪で金メダル→電気設備学会誌
　DALIのアワード

・KNXとは
　先ほど話し合ったので省略
　標準化されたビルオートメーションシステム

・なぜ、ビル・ホームオートメーションが必要なのか？
　　快適に過ごしたい
　　便利に生活をしたい
　　省エネルギーを図りたい
　→お金があれば、ひつじ、オペレーターに言えば・・
　→効率化・経費削減を目指していたのに、経費増加？（オートメーション設備が）

・オープン化されたビル・オートメーション設備
　メーカー独自規格とオープン規格との違い
　オープン化のメリット
　　規格利用による開発コスト削減
　　　→参入起業の増加・製品群の充実・低価格
　　相互接続性
　　持続性
　　　→メーカーに頼ると、開発をやめてしまうと・・・

・標準化されたBA/HA技術
　ZigBee,SEP2.0　DALI。LoｎWorks、ECHONET、BACNet・・・

・KNXの優位性
　　採用メーカーの多さ
　　採用メーカーの多様性
　　充実した教育機関
　　インテグレーターの充実

・ユーザーの求めるもの
　便利なもの：使いやすく、わかりやすい
　安くて、高付加価値なもの：
　優れたデザイン：

・ユーザーインターフェース
　スイッチとしてのKNX basalte
　まとめて施工すると、施工コストの削減につながる可能性も

・ホテルのないとパネル
　KNXで遠隔制御

・標準化規格の課題
　国内需要の取り込み：便利さのアピール
　信頼性の確保
　電気用品安全法対応：PSE取得

・将来への展開
　システムごとにセンサーが存在
　→センサーを統合したセンサーネットワークによるBA・HA
　　AI→インテリジェントビル
　　ヒューマンセントリックなコントロール
・オープン規格は
　ほとんどBacnet対応
　中央管理しない：新丸ビルなどフィールドバス側：Openじゃない
　照明：フィールドバスでもDALIを使って

■Hotel of Things　客室のIoTから始めるスマートホテル
・会社案内
　フィールディングオートメーション

１．Hotel of things コンセプト
　客室のIoT化とは
　ネットワーク化された客室
　　スイッチ、エアコン、照明：KNX
　　ドアロック、モーションセンサー
　客室用GW
　　HTNG：次世代のホテルのコンセプト
　事例；プリンスギャラリー　きおいちょう
　タブレットから操作
　　　集中操作で便利→遊べた（新しい体験）
　客室の見える化

　客室エネルギーヒストリー

２．ポジショニング
・スイッチデザイン→アイコン：多言語化　おおきくわかりやすく
　サーモスタット（空調機器）
　カードホルダー：省エネはかれていない→スマートカード

・既存メーカー
　　自社技術ありきのソリューション
　HoTのアプローチ
　　ホスピタリティ業界に技術を導入
→空調だけ見える、照明だけ見える：ばらばらに動く
　　空調・照明・客室管理をつなげて制御
　便利なトイレ
　カードを変えれば、同じボタンで違う意味
　　→客室の見える化
　電気量：１００％じゃなくってもいいんじゃない？

３．市場環境
　にぎわいある：二の足を踏まれる
　今年４月
　→ホテルも省エネ施策の対象
　省エネルギー政策の動向２０１６年以降の展開

　エネルギーマネジメントの現状
　１P
　２D
　３．チェック　今○　これしかできない
　４．アクション
　KNX
　４．アクション→電気制御ができる
　→オープンプロトコル

４．まとめ
　ホスピタリティファースト
　２０２０年に向けたホテルに求められる要件
　　今、人手でカバー→不足
　政府の指針

■医療現場でよりよい・・・
・自己紹介

・本日の内容
　　病院照明
　　光が人に与える
　PDFであとでダウンロードできるようにする
　日本ピーアイで検索すると

・照明納入実績とバージョン
　MRI室　カラー演出プラン
　　検査を受ける：不安
　　無機質な空間
　　照明の使い方や色によって雰囲気を変える
　　気持ちをやわらげる
　間接照明プラン

　バージョン２
　　迷路（ろうかみたいなところ）　インタラクティブシステム
　　外に出れない患者さんに
　　　季節を感じてもらいたい
　　　動物にいやし
　　　少しでも、楽しさを感じてほしい

　TED:デザインの重要性　MRI

　バージョン３
　　RGB　導光板　スクリーンを張る
　　ICUにトップライト
　　術後、せん妄をコントロール
　　RGB導光板：いいね　サーカディアン調光も
　　→時間のメリハリがあってよい

　　不安を和らげる
　　たのしみ
　　光の影響を利用

・光が影響
　１．照明光に対する人の適応能
　　生理人類学からのアプローチ
　　　電球職は抑制
　　　高色温度は緊張
　　　メラトニン：ねむくなる
　　　胎児：お母さんの影響
　　→個人差
　２．睡眠障害：光で改善

　→要は、光は精神的にも肉体的にも影響を与える

・これからの病院照明
　時間による制御

・不適切な照明が罪になる時代
　　たばこ・・・だんだんだめ
　　へるめっと・・だんだんだめ
　　ざんぎょう・・だんだんだめ
　→将来的に罪になることも

・照明に個が求められる時代
　IoT、ビッグデータ

・光が個人に対する影響
　同じ空間に複数の人がいるときにどんな照明？
　→最適な照明
　設備制御はソフトウェアの役割に

　INPUT　情報→とれる
　　ロジック→複雑→１社ではできない
　OUTPUT　変化
　　アウトプット信号をもらえれば動ける：KNXで対応できれば

・まとめ
　個人への影響を制限する
　標準化されたプロトコル

■休憩時間
・ABBのロボット：産業用なんだけど、室内でも使える
　リンガーハットで箱詰めにつかっている？
　がっちりマン

■ETS5の概要とインターフェース
・KNXシステム
　イージーモード
　　簡易版KNX
　システムモード
　　一般にKNXと呼ばれるシステム
　ETS　Inside
　　２０１７年３月に出た、システムモードの一種

・ETSとは
　Engineering Tool Software
　Windowsで動く
　ETSを使うメリット
　　完全互換を持たせるため
　　一元で設定ができる
　　プロジェクトファイルを人に渡せる

・ライセンス
　ETS5 Demo
　無料：ｍｙKNXというアカウント作ると、だれでも使える
　５デバイスまで
　ETSAｐｐの仕様は不可

　ETS5 Lite

　ETS5 Professional
　　ドンぐるを入れる

・ETS5インターフェース
　もう日本語対応してある

・ETS設定：コーディングの知識不要
　→エンドユーザーが喜ぶ
　　プロジェクト作成
　　プロダクトファイルのインポート
　　トポロジーの設定：個別アドレス
　　デバイスの個別アドレス
　　グループに入れる
　　USBにつないでインストール
　→PLCでのコーディングができる製品もある
　照明スイッチON・OFF

・トレーニング環境
　技能五輪　KNXが指定
　　DALIは設定ツールいろいろ
　　KNXはどこのメーカーも同じ
　ETS eCampus
　ベーシックトレーニングコース：４～５日
　　ABBともう一社がやっている

■KNX最新技術動向
　KNX IoT,KNXSecure,ETSインサイド

１．KNXの通信構造と動作について
　KNXバスに突き刺さっている
　ETSによって、どれが論理的につながるか設定
　→論理的にどれがどう通信するか、ETSで定義
　→アプリ側は入っていないので、コミッショニングしてつなぐ

　どういうメッセージが流れているか
　　送信元、送信先アドレス
　　バイナリでデータ構造
　　自分以外のIDは無視する

　KNXもIoT
　IPプロトコルの上にKNXのフォーマットを入れる
　→KNXのインターネット対応
　　IPゲートウェイ
　KNX Webサービスを定義　KNX Webサービスゲートウェイ
　→RESTful XML Over HTTP
ETSI M2Mアーキテクチャとフルコンパチ
　製品出ている：
　　韓国サムスンのSmart Things

　KNX IoT 2.0
　　KNXデバイス自身が自分の情報を提供できる
　　BACnetシステムに見える
　→外部から不正アクセスされないように

・KNXセキュリティ対応
　DefCon22中国の５つ星ホテルが暇つぶしハッキングの犠牲に
　KNX協会が考えていたセキュリティ：物理的に
　→インターネットで新たなセキュリティ
　Ver2.1で追加
　　IPSecure　バイナリ暗号化
　　DataSecure　コマンド部分を暗号化
　　現在、製品化に近いが、まだ・・・

・ETSインサイド
　タブレット、スマホから実施できるようにした
　→ビデオ
　特徴：スマートシンプルセイフ
　　スマート：タブレットで直感理解（スマホはできるけど、きびしいです）
　　シンプル：エンドユーザー向け
　　セーフ：ログイン・パスワード、オーナーがパラメータ設定できる、KNXセキュア対応

　中身はWindows10　Windowsのサービスで実行される
　.net
　ETSインサイドにようこそ
　　見つかった接続：サーバーとクライアント接続
　　Autoは自動的に、マニュアルはIPアドレス指定

　建物のパーツの定義
　　オンラインカタログから
　リンクする

　インサイド１６０ユーロ
　　KNX協会：ETSを販売→新しいソリューション
　　１ラインのみ２５５のデバイス
　　今のところプラグインでの設定不可
　　１プロジェクトのみ
　設計情報はインサイドの中→いつでも変えられる

Q&A
KNXセキュア：混在可能（制御バイトで切り分ける）
リカバリーできるアプリもある
ETSの設定タブレット：設定終わったら電源OFFにしてよい
　　　
■日本KNX協会のご紹介
４２カ国目のナショナルグループ
　１０社
　教育：早稲田大学・東京大学
KNXナショナルグループ
www.knx.org/jp
info@knx.or.jp

AI詐欺に騙されるな

　現在の国内市場では「AI詐欺」と呼べるような、「いつかは実現するが、現時点では可能性にすぎない何かを、今すぐ実現できるように見せかける」ことが横行している。それは人工知能（AI）技術に対する導入企業の理解が抽象的なレベルにとどまっていることに起因している。そうした“無知”に乗じて、ITベンダーが「技術的に可能」という魅惑的なセールストークを用いているわけだ。

AI詐欺に騙されるな、経営者であっても技術を理解すべし
http://itpro.nikkeibp.co.jp/atcl/column/16/122700311/031600010/
（太字は上記サイトより引用）

日本の科学研究は「失速」

ニュース記事
日本の科学研究は「失速」　論文数、５年で８％減少
http://www.tokyo-np.co.jp/s/article/2017032201001962.html

NHK
英科学雑誌 日本の科学研究の失速を指摘
http://www3.nhk.or.jp/news/html/20170323/k10010921091000.html

たぶん、これがもと？
http://www.nature.com/nature/supplements/nature-index-2017-japan/

Windows起動時に、Chromeを全画面表示で立ち上げたい

Kioskモードにする。
自分へのメモ（＝まだやって試してはいない）。
以下のサイトにのっている（Mac版も）

デジタルサイネージ系表現に！Google Chromeをフルスクリーンモードで起動する方法【kiosk mode】
https://blog.creative-plus.net/archives/5482

眼電位でまばたきを計るめがねJINS MEMEのSDKとかVue.jsとか聞いてきた

３月２２日

第１０回　apache cordova勉強会

に行ってきた！のでメモメモ

---

■ごあいさつ　アシアル　田中さん
・ソニー株式会社様に、拍手
・今日の内容

■ごあいさつ　ソニーさま

■Vue2について
・Vue.jsことはじめ
　結構知っている、使った人
　Angular2のほうがVueより多い。Reactは少ない

　Vue.js
　ライトウェイトなSPAフレームワーク
　ほかのフレームワークよりとっつきやすい
　VirtualDOMに対抗２．０出た

・ほかのフレームワークとの比較
　開発言語
　　Vue2:JSでもtypescriptでも
　　Angular2:typescript
　　React JSX+JS
　機能
　　Vue,react ビューのみ
　開発者
　　Vue 個人（ばっくにありばば）
　　Angular2 Google

・人気あがってる

・vueでHello world

・ほかのフレームワークの違い
　コンポーネントの定義はオブジェクト→拡張、mix-in
　Angularとかはクラス
　とりあえず＜script＞タグでそこそこ書ける
　テンプレートはHTML

・Angular2のHello worldとの比較

・コンポーネント定義できる
　→WebPackでビルド（vue loder)

・周辺ライブラリ
　Vuex：Fluxの実装
　Vue-router：公式ルーター

・モバイル
　OnsenUI
　Quaser Framework
Weex Framework React NativeのVue.js判
・全然問題なく使えます。ぜひ使ってみましょう
・参考ドキュメント：公式ドキュメント

---

■Webエンジニアの可能性を広げる JINS MEME（みーむ）のアプリ開発
・メインはJINS MEME SDK for Monacaの公開(cordova pluginも）

・自己紹介・会社紹介
　Magnify life
　　人生を豊かに　
　　日本人の３人に１人がかかている
　どんな度数でもレンズ追加料金０円
　Air frame
　JINS SCREEN ブルーライトカット
　JINS MEME　ウェアラブル
　KANNSA　フル自動で作る→ハードで効率化

・JINSは先進的なデジタルサービスも
　　JINS PAINT　すまほでつくる
　　JINES VIRTUAL-FIT すまほで確認
　　JINES BRAIN レコメンド（機械学習：Tensor Flow）どれだけ似合っている

・JINES MEMEのサービス
　今回のイベントで知った：過半数

　世界初、自分を見るアイウェア
　　目は口ほどにものを言う
　普通のめがねとしても使える
　眼電位（EOG)：東北大　川島先生
　　目を動かすと電位差
　　過去：額と目の横　ケーブルからとっていた
　　瞬きと視線の移動が取れる

　比較：筋電位

→まばたき＋８方向取れる

　６軸はいっている

・わかること
①３軸加速度情報
　横方向
　進行方向
　上下
②オイラー角
　ピッチ
　ロール
　よー
・BLE LEで飛ばす

・これらのデータはJINES　MEME SDKで取れる
　めがねの中にアルゴリズム実装

・普通のめがねにこだわっている

・スマートクロージーズ　１９９５年　今と変わらない

・わたさとし先生とデザイン

・データとって、なにができるの？
　→眠気度合いの判定
　フィットネス
　作業時の集中度を可視化する「脳の万歩計」
　特定の目の使い方：事前に改善

３．JINS MEME SDK For Monacaの公開(Cordova Pluginも）
　無料版でも開発できる
　開発入門ドキュメントを作成いただきました（スライドシェア）
　Javascriptでも開発できるようになる　ハンズオンを明日行う
　今後もやるかも
　プラグいんはgithubに

４．おしらせ
　２つの定期デベロッパー
　　SDKハンズオン
　　TECH-TALKイベント

・すべての人に表現の自由を
　IS ALSとコラボ：眼球は最後まで残る→大きな可能性
jins-meme.com

---

■Cordovaを使って本気で商用ハイブリッドアプリをやってみた
・自己紹介

・プロジェクト概要
　スタートアッププロジェクト支援

・クライアントアプリ概要
　UI
　コンテンツ販売
　コンテンツ作成
　機器へ転送
　　：

・デモ

・開発環境
　cordova 6.1.1
　Node.js

・教科書では教えてくれないハイブリッドアプリ

・ハイブリッドアプリ
　普通のアプリとして動作
　　ネイティブとJSつなぐ：Cordova

・ウェブアプリとネイティブアプリのProCons
　→建前です。

・商用ハイブリッドアプリとしての宿命
　ブラウザと思われたら負け
　商用アプリとして成立させるには、何をすべきか

○あたりまえとのギャップ
　開発言語
　　Typescript：強力な型づけ
　フレームワークはなぜ必要なのか
　　→ハイブリッドで標準がない！
　　→半年後とに誕生するHotなフレームワーク
　→シンプルに倒す
　　JQuery Mobile+Backbone.js + i18next
　商品開発ではなるべくかれたもの

○自然な画面遷移
　画面遷移とページスタックのメカニズム
　画面遷移あるある
　Subflow

○ローカライズに関して
　マスターデータはExcelで管理
　外部ベンダー
　→ローカライズは運用まで含めて最初に

・妥協なき商品力のつい今日
　ユーザーインターフェース
　非同期

・商用アプリのユーザーインターフェース
　　プラットフォームのガイドライン準拠
　　プラットフォームテイスト対応→各機器のCSS
　本当に力を入れたい差別化UIに集中できる
　CSSは無茶がきく？
　　modernizrのようなアプローチ

・非同期処理との向き合い方
　JSでは一度非同期をはさむと同期処理に戻れない
　ところが、非同期処理を使う機会は多い
　　Promiseオブジェクトを導入するのが一般
　破りたいとき
　クライアントの都合でキャンセル
　　→abort()
　さらに管理オブジェクトを導入

・まとめ
独特な案形に対応しやすい
画面遷移対応
ローカライズ運用
基本UIコンポーネント対応
統一された非同期処理

・小技
　ネイティブ連携
　通常、プラグインいる
　cordova-plugin-cdp-nativebridge
　対応するメソッドが反応
　Github公開

・コードメトリクス
　はれすてっどの複雑化

学力がない子どもは上手にググれない

やはり「学力」は高いほうがいい。

学力がない子どもは上手にググれない
http://diamond.jp/articles/-/120992

１＋１＝２って、何時習いました？

下の記事で言っているように、たしかに、大学で習った。
よくわかんなかった・・・

小学生の頃『１+１』で強迫神経症に　そんな時、医師のひと言が心を救った
http://grapee.jp/308053/2

Java EE 8とMicroprofileをきいてきた！

３月２１日

JJUG ナイト・セミナー 「Enterprise Java最新動向～Java EE 8とMicroprofile～」
https://jjug.doorkeeper.jp/events/58535

を聞いてきた！のでメモメモ

---

■JavaEE8最新状況について
・JavaEE8 What's coming
・JavaEE8　FIXしていないので、かわるかも

・３月時点での最新情報
　２０１７年３月１３日GlassFish5のPromotedビルド
　２種類のビルド　Promootedビルド、Nightlyビルド

・JavaEE8のスケジュール
　４月５月　パブリックレビュー
　今年７月　ファイならいず
→ことしの９月か１０月にGlassFish５

・JavaEE8の仕様
　JSON-B、セキュリティ
　現状のステータス
　　MVC１．０はドロップ→コミュニティに移管

・Java EE8　各Specificationとサンプルコード
　JAX-RS2.1:REST
　　２．１で追加された
　　　Reactive Client API
　　　サーバーセントイベント
　　　ノンブロッキングIO
　Jax-RS振り返り
　　１．１　サーバーサイドの実装のみ
　　　クライアントは標準化されていない
　　　　Jersey,ApacheCXFが独自に用意しているもの
　　２．０　クライアントAPI登場
　　　　複雑な呼び出しもできる
　　　　同期型
　　　　非同期呼び出し　async()インボーカーを呼び出すだけ
　　　　　　　　　　　　返り値はFuture、コールバックも
　　　　　→リアクティブ・プログラミング・モデル
　JAX-RS2.0
　　リアクティブ・プログラミング・モデル
　　　→コールバックのネストで実装
　　　　コールバック・ヘル
　JaxRS-2.1 rxインボーカー
　　CompletionStageが返り値
　ScalaのFutureはチェインを組めるが、JavaのFutureはできない
　　→そこでCompletionStageが出てきた

・Server Sent Eventの特長
　Jerseyではすでに→標準化を行った
　SseEvent:
　　　SseEventSourceが受ける
　２月時点でのAPI変更：Jersey独自実装がなくなった

・JSON-P1.1
　　JSON新仕様（RFC ７１５９）に対応
　　　JSON-P1.0ではJSON RFC 4627
　→新仕様では、TOPレベルに何でもおける
　　　RFC　６９０１
　　JSONポインタで中を見れる

　　JSON Patch
　　　RFC 6902：部分的変更、演算、JSONドキュメントの変更
　　　Diff
　　　StreamAPIに対応
　　　　JSON collectors

・JSON-B
　コンベンションオーバーコンフィグレーション
　　　アノテーション、コンフィグ不要
　　　プロパティ名のカスタマイズ
　　　　無視する、フィールドの可視化、NULL
　　　　フォーマット指定（ｄｄｍｍｙｙ）
　　　　アダブタ

・プロバイダ
　もきしー
　べうのプロバイダを指定できる

・サーブレット４．０
　HTTP2サポート
　　HTTP1　テキストベース
　　HTTP2　１つの物理接続を論理でいくつもに分ける
　　　→優先度
　　　　HTTPあっぷぐれーど

・JSF2.3
　CDI統合：今までのManaged Bean非推奨
　JavaEEコンテナの外部でもCDI動作

・CDI2.0
　BeanValidation 2.0　JSR380

・セキュリティAPI
　JSR375
　いままで標準化なされていなかった
　　AAuthentication
　　Identity Store
　　セキュリティコンテキスト

---

■MicroProfile　背景と意義、そしてこれから
　講師　富士通の人

・自己紹介
・Microprofile.io
　ミッション
　　エンタープライズじゃヴぁ、マイクロサービス、ゴールは標準化
　→JavaEEでよいのでは？

・マイクロサービスアーキテクチャ
　疎結合、
　意思決定の早さ
　フィードバックループ（OODAループ）を早く

・MSAレイヤーと要素技術
　サービス分割、ステートレス、API　アプリケーション
　メモリー、REST、非同期　アプリケーションサーバー→マイクロプロファイル
　サーバーレス、IaaS,PaaS,Docker　VM/コンテナ

・JavaEEにもプロファイル
　JavaEEにプロファイルを追加できるのはOracleだけ

・JCPステージ
　イニシエーション
　どらふと
　　アーリードラフトレビュー
　　パブリックレビュー
　ファイナルリリース
　　RI（参照実装）&TCK（テスト実装）

・JavaEEでるの？：今EDR
　GlassFishのイシュー　V4以降はない：活発でない？
　JavaEEに乗れない
　　→JCPのプロセスがアジャイル的ではない

・仕様が先？実装が先？
　仕様が先：適切な競争　　　　　JCP
　実装が先：イノベーション向き　Linuxカーネル
　→もともとはOpenJDKで

・JCP　VS　OpenJDK
　OpenJDK
　　JavaSEのRI　JSRによる開発　JCP
　　JDKのオープンソース　JEPによる開発　OpenJDK

・OpenJDKとMicroProfile
　似ているところ
　　Microprofileの仕様がJavaEEの仕様
　　開始からFIXまでの時間が短い→議論しないから
　違い
　　OpenJDK：競争原理働かない
　　Microprofile：競争あり。複数ベンダーで実装

・MicroProfileとは
　２０１６年６月設立　レッドハット、IBM,ぱやらなど
　２０１７年１月　富士通参加表明
　　　　　　２Q　　１．１リリース予定

・アジャイル的にOODAループをまわす。最終的にはJCP
　　マイクロプロファイル提供
　　市場評価→最終的にはJCP

・１．０　２０１６年９月　JavaOneでリリース
　　JAX-RS、CDI,JSON-P
　１．１　２０１７年２Q
　　　フォルトトレランス

・configration API
　設定の外だし、設定動的反映、複数の設定で構成
　アノテーションも使えるように
・JWT RBAC　OpenID ConnectベースのRoleBased Access Control
　優先度高いといわれたが、進んでいない

・サービス　ヘルスチェック
　アプリケーションのヘルスチェックをするREST エンドポイント仕様
　Kubernetes helth check互換
　　プロデューサーとコンシューマー
　　@Healthが書いてあると

・フォルトトレランス
　エラーハンドリングを分離する機能
　　リトライポリシー
　　フォールバック
　　サーキットブレーカー：３つの状態　クローズド、オープン、ハーフオープン
　　バルクヘッド
　　タイムアウト

・サマリ
　オープンイノベーション
　　フィードバックループによるマイクロサービスを実践
　アプリケーションポータビリティ
　　実装を選択可能
・最終的にはJCP

WATSON VS TensorFlowとか

３月２１日

OSSユーザーのための勉強会 ＜ OSS X Users Meeting ＞ #18 AI / Deep Learning


を聞いてきた！のこうはんをメモメモ
（表題の件は一番最後）

---

■Apache SparkとDeepLearningについて
・自己紹介

・アジェンダ
　Apache　Sparkのおさらい
　DeepLearningのおさらい
　SparkでDeepLearningはどうか？
　既存のDeepLearningFrameworkの問題はどこにあったのか
　DeepLearning4J On Sparkはどう動いているのか
　Tensorflow On Sparkはどう動いているのか

・Sparkとは
　従来Hadoopで難しかったビッグデータにおける
　アドホック分析や二アリアルタイム処理を実現するための
　Inmemory分散並列処理フレームワーク

　HDFS、Cassandraなどとあいしょうよい
　YARN,Mesos、Standaloneの３種類の分散処理基盤

・Sparkはどう動くのか？
　SparkとはRDDとDAGをコアコンセプトとして設計された
　分散並列処理フレームワーク

　ドライバプログラム→ワーカーノード→ステージ１
　　　　　　　　　　　パーティション　計算

・Sparkでマシンラーニング
　MLibは大きく２つの実装に分かれる
　　spark.mlib
　　spark.ml

　どちらを使えば
　　spark.mlを使ってください
　　mlibは２系でメンテへ

　そもそもMLとは
　　データから新たな価値を見出すための手法の１つ

　MLでは前処理が重要
　　前処理８割といわれるほど、データサイエンスの占める作業のうち、大部分がこの作業
　　前処理の例
　　　フィールドの高度化（性別変換・カテゴリ変換）
　　　ID変換（Join,CookieSync,ジオコーディング）
　　　集計（GroupBy,Sum,Max,Min)
　　　形態素解析系処理（構文解析、分かち書き、ストップワード）
　　　名寄せ（表記ゆれ）
　　　クレンジング（無効値処理、欠損値補充、外れ値補正）
　　　画像系処理（特徴抽出、スライス、サイズ変換、グレースケール）
　　背景
　　　データは分析されることを前提としていない
　　　こういった配慮は事業において負荷となる

・従来の課題は何か、Sparkがなぜマッチするのか
　こうしたタあ酔うな前処理は従来のHadoopEcosystemでの実現は難しかった

・DeepLearningとは
　機械学習のひとつであるNNの層を重ね高精度な予測・分りぃ処理を行うための手法
　例：VGG16

・SparkでDeepLearningはどうか
　MLibだけではDeepLearningは難しい（多層パーセプトロンはある）
　2.1でも難しい
　　　
　16年に各DLフレームワーク
　　DL4J on Spark
　　Caffe On Spark
　　TensorSpark
　　Distributed Keras
　　Sparkling Water
　　TensorFlowonSpark
　追加されているが、すでにメンテされていないリポジトリも多く存在

・既存のDeepLearningFrameworkの課題
　機械学習の基盤とDeepLearningの基盤を別に作る必要がある
　pipelineを構築するために別のプログラムを書く必要がある
　　Hadoop/Spark Clustor
　　　１．前処理
　　　３．モデル適用

　　DeepLearning Cluster
　　　２．DL学習・テスト

　ネットワーク

・DeepLearning4Jを例にSpark上でのDLを見てみる
　データを設定に基づいて分割
　ニューラルネットの形による

・TensorFlow On Spark
　　Tensor同士でやり取りしたり
　　RDMA：リモートダイレクトメモリアクセス
　　Infinibandを使った処理、RCP

・Spark+DeepLearningのまとめ
　ディープラーニングだけを使うということにはならない
　前処理、機械学習のパイプライン：Spark
　高速処理：RDMAなども

---

■TensorFrowの特徴と最新動向
　いち早く人工知能テクノロジーを取り入れた製品・サービスを

・会社紹介
　 XEENUTS社と共同事業　AIシステムインテグレーター
　人工知能研究開発支援
　　やっても結果がでない：先行投資が必要→経営者対象
　一般物体検出ソリューション：classcat objdetector
　　GPU必須

・いち早く人工知能テクノロジーを取り入れた
　製品・サービスを市場に展開するには？

　機械学習の実現方法
　　訓練済みを投入する
　　　クラウドベンダーのものを使う：APIで使える
　　訓練から
　　　お客さん固有のもの：訓練必要：環境→訓練用プラットフォーム
　　　ここでケチると・・

　順番
　・パブリッククラウドベンダーの訓練済みサービスの活用
　・パブリッククラウドベンダーの機械学習フレームワークサービスの活用
　・オープンソースの活用
　・ゼロから構築

Google：
　TensorFlow搭載した形で
　Google Next
AWS：
　オープンソースを用意
マイクロソフト：
　半分ぐらいプレビュー
IBM
　Watson
　Apache System ML

オープンソース
・TensorFlow　だんとつ
・Caffe　　　半分くらい
・Keras
・MS-cognitive toolkit（CNTK)
・MXNet　CNTKを抜く。AWSがコミット
・torch7
・Theano
・Chainer
・Apache SystemML
→GPU対応。分散

TensorFlowとは？
　Machine Intelligenceのためのオープンソースソフトウェア・ライブラリ
　　１．０：XLA（JITコンパイラ）を実験的に
　　もっとも普及している

特徴：
・柔軟性、ポータビリティ
　　訓練済みは動く
　　研究と製品の連結：ビジネスで使っているものを出している
　JITコンパイラ

なぜ、オープンソースにしたの？
・訓練データ：すべては別
　　共通なプラットフォーム：
　　　パートナーシップ　On　AI：パブリッククラウドベンダー４社

・TensorFlowでGoogLeNet(Inceptionモデル）を実装
・TensorFrowAndroidアプリを実装（CIFAR-10モデル）
・TensorFlow Playground、TensorBoard
　　http://playground.tensorflow.org/
・訓練済み
　NoW　Photos　音声認識
　
・OpenPOWERファンデーション
　OpenPower+NVidiaP100なら２．２倍高速
　→IntelからPowerへ　Power9

・PowerAI戦略
　ディープラーニングを早く、速く

・IBM　LinuxOne発表
　メインフレームでLinuxを動かし、機械学習も

---

■WatsonとOSSのAI／
・自己紹介
・目次
　第一部　IBM Watson紹介
　第二部　OSSのかかわり

・人工知能研究とコグニティブ・システム

・IBMはちょと前までAIという言葉を使っていない
　→コグニティブ
　→Augmented Intelligence

・コグニティブ・システムの特徴
　～従来のコンピューターシステムとの違い
　　理解・推論・学習
　～人と対話をし、必要な情報の探索や高度な意思決定を支援する
　　Interacting

・Watsonコグニティブシステム
　データ：コーパス
　自然言語処理・知識表現・機械学習・ディープラーニング
　Watsonコグニティブ・サービス
　照会・応答／探索　発見

・例
　顧客接点：対話型自動応答
　　→実際にサービスイン
　探索：Watsonの知識探索・活用ソリューション　ベイラー医科大学との共同研究
　　→基本はルールベース
　意思決定支援：かんぽ生命　保険金支払い審査業務

・ところで、WATSONとは何なのか？
　いろんな意味のWATSON

　クイズに買ったWATSON：特注品
　「先進的な」WATSON：人手をかけて作っている
　「普通の」WATSON：APIをつないで作る→顧客接点系

　これからの話は普通のWATSONの話

・WATSON　API
　NLC（なしょなるらんげーじくらすふぁいやー）
　質問やテキストに含まれる１つまたは複数の意図を判定する機能
　　→意図を判断するためコグニティブ

・R&R
　複数ある検索結果の優先順位を学習によって変更する仕組み
　OSSのSolrそのまま：順位付けを変えるのに機械学習

・Visual Recognition
　事前学習あり２つ
　事前学習なし２つ
　画像トレーニング：DeepLearning
　　果物の判別

・Discovery
　まだ日本語対応できていない
　情報探索系統合プラットフォーム
　　データ取り込み機能
　　エンリッチ機能
　　ストレージ機能
　　検索機能：Elasticsearch

第二部　WatsonとOSSのかかわり
・Watson開発環境としてのOSS
　Watson API構成要素としてのOSS
　　R&RとSolrの関係
　　DiscoveryとElasticSearchの関係
　WatsonとOSS機能レベルの比較例
　　VRとTensorFlow

・Github：IBM　戦略的提携
　WatsonDevelopersCloudをGithubに構築

・Watson開発環境としてのOSS
　勝手にBlueMixにインスタンス作ってサンプル見れる

　Kibanaの利用：ログ分析に

・WatsonAPI構成要素としてのOSS
　R&RとSolrの関係
　　冗長構成もAPIが裏でやってくれます
　　日本語Kuromojiが使われている
　　APIのfselectで行うとRanker呼び出し
　Discoveryとelasticserch：scoreをそのまま使う
　　IBM独自の機能も入っている
　　queryだとスコアも

・機能レベルの比較
　VRとTensorFlowサンプルアプリとの比較
　　業務パッケージとStruts2とどっちがいい？というくらい意味のない質問

　トレーニングイメージ数
　　VR：５０個さいてい

　　http://yann.lecun.com/exdb/mnist

　　に公開されている手書き文字で学習させる
　　VRいい結果　TensorFlowより
　　VRがいい理由
　　　第１層、２層は学習済みなので


　

　


　　

ディープラーニング話とかCaffeの特徴の話とかを聞いてきた

３月２１日

OSSユーザーのための勉強会 ＜ OSS X Users Meeting ＞ #18 AI / Deep Learning


を聞いているんだけど、前半の休憩時間までをめも
途中から行ったので、はじめのほうは切れている）

---

■途中から

・AIとは何か
　ダートマス会議から６０周年
　強いAI,弱いAI

・AIの簡単な歴史
　第一次AIブーム
　第二次AIブーム
　　AI冬の時代
　第三次AIブーム
　　データマイニング・ディープラーニング（応用中心）
　　統計的機械学習が牽引

・第三次ブームのAIは何が違うのか
１．統計的機械学習デー玉イニング
２．ニューラルネットワークの復権
　　真相学習
３．AI実用化ブレークの背景
　ビッグデータ、IoT

・研究としてのAI
　メインストリームでは論理・記号・可読可能な知識を扱うAI
・機械学習MLはAIのごく一部
　　さらにニューラルネットワークはMLの一部
　　　さらにディープラーニングはNNの意一部
・AI＝シープラーニングというのは間違い
・NNとAIの関係
　黎明期は蜜月
　８０年代のAIブームでは反目
　最近ディープラーニングの流行とともに表面的な蜜月

・AIここ数年のトピック－第三次AIブーム
　統計的機械学習、データマイニング
　機械学習
　　教師あり分類学習、学習行動（強化学習）
　　教師なしクラスタリング
　　半教師あり学習→クラスタあり
　　トランスタクティブ学習

　（教師あり）分類学習：データを暮らすA,Bに分類したい

　　訓練データ－機械学習アルゴリズム－判別学習

・統計的機械学習
　応用数学に基づく機械学習
　　＝統計数学、OR
　基本的な枠組み
　　学習問題＝最適化問題に変換して解く
　　目的関数、制約式で形式化

・統計的機械学習の例：SVM
　応用数学に基づく機械学習
　例：SVM（サポートベクターマシン）
　　理論的基盤は明確＆経験的にも高性能
　　早く解けるし（ラグランジュ乗数法）、いいことを証明
　　ドメインによっては、ディープラーニングよりいい精度
　　非線形：カーネルトリック
　行動学習
　　Q-learning,TDA・・・
　教師あり学習
　　SVM、K-NN、ナイーブベイズ、Case-Based Reasoning、ニューラルネットワーク
　　アンサンブル学習：弱学習き：ランダムフォレスト、バギング
　　決定機
　教師なし
　　k-means,k-means++,階層的クラスタリング
　半教師あり学習
　　トランスタクティブ学習
　進化学習
　　クラシファイアシステム
　対話しながら

・ディープラーニングDL　VS　統計的機械学習SML

・適切な特徴量が得られた場合
　DLでもSMLでもいい勝負
　　適切な特徴：画像ではSIFT+bag of featureなど
　→いきなりRAWデータ
　いい特徴量がわからない場合
　　最初の２、３層で特徴量が学習できる場合
　　簡単に使え、そこそこの性能はDL,学習できない場合も多い
　　　うまくいく場合、お手軽に使える
　　今後はDLとSMLの定量的組織的パフォーマンス比較が必須
　DL偏重はよくない
　　有効な特徴の有無を元に、SMLとDLを使い分けるべき
　　ある程度のマンパワーとマシンパワーが必要

・昔
　アルゴリズム５つ書かないといけなかった
　１０年前くらいからアルゴリズムをライブラリにして無料公開
　DL,SMLともPythonを中心にライブラリ環境が充実　SMLはRでも
・しかしながら
　ライブラリは自由度が低い
　中身見えない
　制限されたハイパーパラメタ
・懸念
　アルゴリズムを理解せずに使ってしまう
　本当に上手に使えるのか

・NNの復権　ディープラーニング
　脳の視覚野の処理を改良
　ネオコグニトロン（福島１９７９）

・成功例
　１．一般物体認識
　２．テレビゲーム（DQN）
　３．Googleの猫
　４．AlphaGo

・DL成功例：一般物体認識　１０００、２０００の分類
　　IMAGENET
・AlphaGo
　ディープラーニングはごく一部
　評価関数の学習の一部に使われている
　強化学習とモンテカルロ木探索

・ディープラーニングは万能ではない
　おびただしい数のパラメータ
　黒魔術的チューニング
　ノード数、重み初期化
　膨大な訓練データを持っている会社しか使えない
　理論的な基盤の欠如：日本のNN研究者は敬遠気味
　うまくいく・いかないか予測不能

・失敗例：　ないている人はいる
　「Deep Learningをサービスに導入したい！」人が泣かないために知っておきたいこと
　グーグルにも分からない機械学習やディープラーニングの使い道

・AIの得意不得意
　得意
　　静的データ、閉じた世界（室内○、屋外X)
　不得意
　　物理世界、ロボット　DARPA　ロボティクスチャレンジ
　　優勝したものでも５倍、８倍速しないと・・

・自動車の自動走行
　テスラ車の最初の事故：よそうしてないこと
　アドバンスドチェス
　　カスパロフ
　→ゲームは閉じた世界

・協調する人とAI：インタラクティブAI
　人がロボットに仕事を教える

---

■Caffeの特徴と最近の動向～CNN　RNN～
・自己紹介
・Caffeとは
・そもそもDeepLearning
　単純パーセプトロン：一定の閾値で発火
　　AND,OR,NAND→重みとバイアス変化で論理回路を変えられる
　　→線形のみ
　多層パーセプトロン
　　XORも表現できる
　ニューラルネットワーク
　　入力層　隠れ層（中間層）　出力層
　さまざまな活性化関数
　　step
　 シグモイド
　　ReLU（れる）
　出力層では
　　softmaxも
　逆方向に誤差を伝播：バックプロパゲーション

・Caffe
　GPUとCPUをシームレス
　AWSを利用した構成の例
　動作環境が豊富；Ubuntu、OpenCV
　コミュニティが活発
　レファレンスモデルが豊富：Model Zooというフレームワーク
　ドキュメント充実
　おもに画像分類で利用される
　　畳み込みニューラルネットワークに最適化
　　　Cifar-10がはやっていたことに

　　特徴抽出と結合・識別・出力

特徴抽出：畳み込み層とプーリング層
　畳み込み層（Convolution層）２次元配列を数値化
　　→活性化関数ReLU
　プーリング層
　　→max pool関数

CNNは２次元配列で表現できるデータなら適用可能
→時系列データも画像で分類してみては

Caffeのとくちょうではないこと
・Caffeでしかないことは基本的にはない
・後発のライブラリに比べると抽象度低い
・環境構築
・分散処理が難しい：ネットワーク厳しい

CaffeでCNNのながれ
①データセットの順b儀
②データの格納　ｌｍｄｂ
③パラメータ設定
④学習実行
⑤学習モデルの利用

例Facebook,adobe,Yahoo Japan

・できること
　画像分類
　物体検出
　ピクセル予測による領域分割

・物体検出
　R-CNN
　領域を区切ってCNNを利用して
　Faster-RCNN

・ピクセル予測による領域分析
　FCN
　　スベテコンボリューション層で行う

Caffeの最近の動向
・ここ最近のNN界のトレンド
　再帰型ニューラルネットワーク（RNN)
　時系列データ、自然言語処理
　LSTM：長い記憶
　→Google翻訳の進化

・CaffeでRNN
　CNN+RNNの組み合わせ
　Visual Sequence Task

　人が話している

　Image Description

　Video Description

・画像とキャプションのデータセット