音楽のブログ 主に作曲のブログです。 ＤＴＭ作曲レッスンの生徒さんも随時募集しています。skypeを用いたＷＥＢレッスンを行っております。ご興味がおありの方はこちらへどうぞ！ http://uyuu.jp/lesson.html 作曲、編曲、ミックス関連、楽曲分析の本も電子書籍で書いています。 今回はDTMでの音楽製作初心者向けの内容です。 まず昨今は既に音圧戦争なる音が大きいことが何よりも優先とされる風潮がラウドネスノーマライゼーションの登場によって変わりつつあるということを念頭において欲しく思います。 つまりカマボコみたいな波形にして音圧を出す時代は終わり、音楽は徐々に元の自然なダイナミクスを取戻しつつあるということです。多分ですが、未来においてはどこのネットサービスも、もしかしたらMP3プレーヤーでさえもラウドネスノーマライゼーションが一般的になるかもしれません。そうすると単に音圧を

ロボットから自動運転車、はては囲碁・将棋といったゲームまで、昨今多くの「AI」が世間をにぎわせています。 その中のキーワードとして、「強化学習」というものがあります。そうした意味では、数ある機械学習の手法の中で最も注目されている(そして誇張されている・・・)手法ともいえるかもしれません。 今回はその強化学習という手法について、基礎から最近目覚ましい精度を出しているDeep Q-learning(いわゆるドキュン、DQNです)まで、その発展の流れと仕組みについて解説をしていきたいと思います。 本記事の内容をベースに、ハンズオンイベントを開催しました(PyConJPのTalkの増補改訂版) Pythonではじめる強化学習 OpenAI Gym 体験ハンズオン 講義資料の方が図解が豊富なので、数式とかちょっと、という場合はこちらがおすすめです。 Tech-Circle #18 Pythonではじ

本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 「強化学習入門」の第2弾。今回は、強化学習の手法の一つ「Policy Gradient」について解説しています。加えて、「Policy Gradient」でTensorflow, Keras, OpenAI Gymを使ったCart Poleの実装内容もご紹介しています！ こんにちは、AI開発部の高橋です。今回は強化学習の手法の一つであるPolicy Gradientを説明します。そしてTensorflow, Keras, OpenAI Gymを使ってCartPoleを実装してみます。 目次 目次 1. はじめに 2. 適用例 3. Valued-Basedのおさらい 4. Policy-Based 5. 実装 6. Baseline 7. まとめ 8. 参考文献・コード 1. はじめに 強

Christopher Olah氏のブログ記事 http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/ の翻訳です。 翻訳の誤りなどあればご指摘お待ちしております。 近年、深層ニューラルネットワークには多くの興奮と関心が寄せられています。コンピュータビジョンなどの分野でブレークスルーとなる成果を達成したためです。1 しかし、それにはいくつかの懸念が残ります。そのひとつは、ニューラルネットワークが実際に 何を やっているかを理解することが、かなり難問であり得る、ということです。よく訓練されたネットワークは高品質の結果を達成しますが、どのようにしてそうしているかを理解することは困難です。ネットワークが失敗した場合、何がうまくいかなかったかについて理解することは難しいです。 一般的に深層ニューラルネットワークの挙動を理解することは困

多層パーセプトロンで手書き数字認識（2014/2/1）の続き。今回は、簡易版のdigitsデータではなく、MNISTのより大規模な手書き数字データを使って学習してみます。 MNISTデータ MNISTは、28x28ピクセル、70000サンプルの数字の手書き画像データです。各ピクセルは0から255の値を取ります。まずは、digitsデータの時と同様にMNISTのデータを描画してどのようなデータなのか確認してみます。MNISTのデータは上記サイトからダウンロードしなくてもscikit-learnのfetch_mldata()関数でWebから取得できます。取得するのは初回実行時だけで二回目以降は第二引数のdata_homeに指定した場所に保存されます。 #coding: utf-8 import numpy as np import pylab from sklearn.datasets imp

#この文書について 筆者がtiny-cnnを実装するにあたってまとめた、ニューラルネット＋tiny-cnnの解説資料です。基本的なフィードフォワード型のニューラルネットに関する解説を行いつつ、数式に対応するコードの箇所が分かるように書きました。数式と実装のギャップがあれば、適宜補足を行っています。 ざっと読むとニューラルネットの基礎、およびtiny-cnnの実装を理解するうえで役立つかもしれません。特に筆者のような、動くコードとセットでないと理解が深まらないタイプの方に役立てば幸いです。内容に間違いがあれば、ぜひ指摘をお願いします:beers::sushi: ###表記について ニューラルネットワークの基本用語で、かつ実装中に登場する言葉については__太字__で強調します。 🍄 tiny-cnnの実装に関する注釈はキノコのアイコンで記述します。キノコに深い意味はありません:cat: :

ゼロから作るDeep Learningという本をコツコツと読み進めているのですが。。。 数値計算ライブラリNumPyを利用した、行列に対してaxis(軸)を指定して集計を行うという以下のような式

RBFS, Recursive Best First Search を紹介します。 (Korf, R.E. 1993. Linear-space best-first search. Artificial Intelligence. 62(1):41–78.) IDA* + inconsistent heuristics IDA* は、 ノードを$f\leq F$の範囲で探索し、各イテレーションごとに$F$を増やしていきます。IDA*は $f$ が単調増加することを仮定しているので、F以下のノードについて特に展開順序は定めていません。しかし、$f$ が単調増加しない場合、$f=F$ のノードの子孫に $f<F$ なゴールノードが来る場合があります。 このことにより、IDA*にinconsistent heuristicsを組み合わせると、IDA*の 最良優先(Best-first orde

GoaSimple Minimalist Hugo Theme Author: Rajesh ShenoyGitHub Stars: 255Updated: 2023-05-13License: MITTags: Bootstrap Minimal GoaGoa is a clean, simple and minimalist theme for blogs and personal websites. Demo You can find the demo site in action here and the source here. Installation From the root of your blog: mkdir -p themes cd themes git clone https://github.com/kaapiandcode/hugo-goa Content c

本日学振DC2の採択通知が来た浅井です。クリスマスプレゼントかな。罰ゲームかも 今日は双方向探索の話をします。A*がある程度知られていたのと同様、双方向探索もあるていど知られていると思います。結論としては、双方向探索は ブルートフォースかそれとほとんど変わらない弱いヒューリスティクスを用いた時ぐらいしか使えない ということを示します。強力なヒューリスティクスがある場合には、A*のほうがよいです。 双方向探索 という手法があります(Pohl 1971)。スタートとゴールから交互に逆向きに探索を始め、どちらかが出会ったところで探索が終了するというものです。双方向探索を$A^＊$に用いたものを、Bidirectional A* と呼びます。 http://www.massey.ac.nz/~mjjohnso/notes/59302/l03.html より。 1つの見方としては、これはとても優れた

ドキュメント : macrosモジュール Nim Tutorial (Part III) 定数 型の種類一覧 NimTypeKind = enum ntyNone, ntyBool, ntyChar, ntyEmpty, ntyAlias, ntyNil, ntyExpr, ntyStmt, ntyTypeDesc, ntyGenericInvocation, ntyGenericBody, ntyGenericInst, ntyGenericParam, ntyDistinct, ntyEnum, ntyOrdinal, ntyArray, ntyObject, ntyTuple, ntySet, ntyRange, ntyPtr, ntyRef, ntyVar, ntySequence, ntyProc, ntyPointer, ntyOpenArray, ntyString, nty

So you want to write a Lisp interpreter? Welcome! The goal of the Make-A-Lisp project is to make it easy to write your own Lisp interpreter without sacrificing those many "Aha!" moments that come from ascending the McCarthy mountain. When you reach the peak of this particular mountain, you will have an interpreter for the mal Lisp language that is powerful enough to be self-hosting, meaning it wil

このブログページはオントロノミー合同会社発行の電子書籍「Common Lisp と 人工知能プログラミング[全]」(現在執筆中)の一部抜粋です．この内容を参考にして，５月２２日名古屋にて Common Lisp の講習会が行われます．このブログ内容に興味を持たれた方は，奮っての参加をお願いいたします．24.1 前向き推論と後向き推論推論(inference あるいは reasoning)と言っても，演繹的推論(reduction)，帰納的推論(induction)，仮説推論(abduction)という推論分類から，推論対象や推論方法に着目した常識推論，定性的推論，アナロジーによる推論，事例推論など，多種多様なものがあり，その全体像を一口で述べるのは不可能に近い．しかし，多くの推論方式において，モーダス・ポーネンスと呼ばれる最も基本的な規則が推論のベースとして用いられる．すなわち，事実として

教科書: Clojure in Action 作者: Amit Rathore出版社/メーカー: Manning Pubns Co発売日: 2011/11/28メディア: ペーパーバック クリック: 24回この商品を含むブログ (2件) を見る マクロ ? Clojureランタイムの動き ソースコード ------> [Read] -------> [Evaluate]まず、リーダーがソースコードをClojureのデータ構造に変換してから、評価されてプログラムが実行される。 マクロは評価される前のデータ構造上で振る舞いを定義することができる関数で、評価される前にプログラムからコードを操作することができる。 ソースコード ------> [Read] --- <macro> ---> [Evaluate] これができると、Clojureに新しい機能を追加することができたりするということ。 u