2018-07-26

瞑想 -マインドフルネス-

最近瞑想をしている。
瞑想といっても、お寺とかに行っているわけではなく
マインドフルネスというGoogleとかが行なっている、瞑想のやり方をアメリカの方で改良して逆輸入した瞑想法を実践している。

瞑想を実践する中で2つの変化があったので、瞑想を紹介する意味でもここで書き留めておく。

1. 俯瞰的な自分
2.感情への気づき

一つずつ説明して行く

1. 俯瞰的な自分
何かを考えている時、心の中に必ず二人の自分がいる。
例えば、怒っている時
① 怒ってる自分
② 怒りの感情

瞑想する事で、そこに3番目の自分を作る事ができる
③ ①と②を遠くから見ている自分

f:id:Hitokoto3:20180726231323p:plain

③の立場を取るだけで、冷静になれるから
まず気持ちが楽。無駄なエネルギーを使わなくて済む。

2.感情への気づき
会社でサラリーマンをしていると人間付き合いを含めてルールが多すぎる。
何々してはいけない。何々すべき。
そんな中で過ごしていると自分の感情を忘れてしまう事がある。

感情を感じられないのだ。

感情を感じられないから、新しいことを始めたい、どこかに行きたいと思ってもイマイチワクワクしない事がある。
さらに悪いことに、休みに自分は人生で何したいのかとか考えようとすると、やりたい事が見つからない、無気力さえ感じてしまう事がある。

これは、自分が持っている感情をどう感じるかを忘れてしまっているのが問題だ。（瞑想やってて、私はそうだと思いました...）

ここで少し補足すると、感情と言っても、喜怒哀楽の喜と楽を特に感じなくなる。
喜が無いと感謝とか愛情とか思い出せない。
楽が無いと自分の欲望とか信念とか思い出せない。

人への感謝が無く、楽しくも無くなると人と関わるのが面倒臭くなる。そうするとさらに感情を感じられなくなり。。。と悪循環に陥ると思う。

瞑想をするとこれらの2つの事が個人的に改善されたと感じる今日この頃

瞑想に関してオススメの本を載っけて置きます。興味があれば。。。

世界のエリートがやっている最高の休息法――「脳科学×瞑想」で集中力が高まる

作者: 久賀谷亮
出版社/メーカー: ダイヤモンド社
発売日: 2016/07/29
メディア: 単行本（ソフトカバー）
この商品を含むブログ (4件) を見る

物語になっていて読みやすいです。

サーチ・インサイド・ユアセルフ――仕事と人生を飛躍させるグーグルのマインドフルネス実践法

作者: チャディー・メン・タン,ダニエル・ゴールマン(序文),一般社団法人マインドフルリーダーシップインスティテュート,柴田裕之
出版社/メーカー: 英治出版
発売日: 2016/05/17
メディア: 単行本（ソフトカバー）
この商品を含むブログ (6件) を見る

ちょっと長いけど、これ読んで瞑想始めました。

たった一呼吸から幸せになるマインドフルネス JOY ON DEMAND

作者: チャディー・メン・タン,一般社団法人マインドフルリーダーシップインスティテュート,高橋則明
出版社/メーカー: NHK出版
発売日: 2016/11/22
メディア: 単行本（ソフトカバー）
この商品を含むブログを見る

サーチ・インサイド・ユアセルフの内容を思い出したいけど、もう一度読むのは面倒くさいのでこの本読みました。

2018-07-25

Prezi with ipad

新しいプレゼンテーションツールのPreziというのをご存知だろうか？

簡単に言うと、今までのPower PointやKeynoteより感覚的に伝えることができるプレゼンテーションツールである。（詳細は公式HPに譲ります。公式HP：https://prezi.com）

突然だが、私は常日頃プレゼンテーションが上手に出来れば世界が変わると信じていて、プレゼンテーションをサラリーマン、個人事業主、起業家にコーチングや作成手伝いをする仕事もしている。
その活動の一環として、これからPreziも広めていこうと考えている。

Preziはツールとしては申し分なくカッコいいのだが、一つだけガッカリな事があった、同じ内容で困っている人も居ると思うのでブログに書き残しておく。

2018年7月現在、Preziはなんと....

ipadでは新規作成＆編集作業が出来ない！！！

うぉい！！！∑(ﾟДﾟ)
むしろ、ipadとかのタブレットでの需要は高いだろう！！！
Prezi頑張れよ！！！

2018-06-30

MNISTデータについて

備忘録としてMNISTデータの読み込み方法を忘れないように記載しておきます。

そもそもMNISTデータセットとは機械学習のための、0~9までの手書き文字の訓練画像60,000枚、テスト画像10,000万枚で構成されています。詳しくは、英語しか見つからなかったけどWikipediaをご参照ください。→(MNIST database - Wikipedia)

データの仕様はこのサイトが詳しく書かれていました。→（MNIST データの仕様を理解しよう）

とりあえずデータをダウンロードすると4つのファイルが落ちてきます。

train-images-idx3-ubyte: 学習用の画像セット
train-labels-idx1-ubyte: 学習用のラベルセット
t10k-images-idx3-ubyte: 検証用の画像セット
t10k-labels-idx1-ubyte: 検証用のラベルセット

とりあえずデータを読み込んで、データの形を確認してみます。
なお、本ブログではゼロから作るDeep Learningのコードを参照しているので、datasetというフォルダに上記の4ファイルおよびmnist.pyが入っていると想定しています。

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 親ディレクトリのファイルをインポートするための設定
from dataset.mnist import load_mnist ＃ mnist.pyのload_mnist関数を呼び出す。

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False) # mnistデータ読み込むためのコード

print(x_train.shape) # (60000, 784)
print(t_train.shape) # (60000,)
print(x_test.shape) # (10000, 784)
print(t_test.shape) # (10000,)

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)で読み込み、データの形を確認すると、訓練データは60,000個の784次元(28 x 28のグレー画像)、テストデータは10,000個の784次元(28 x 28のグレー画像)であることがわかります。

さらに、load_mnist関数の中身は以下の感じです。
P73〜74に何をしているかは書かれています。

def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    """MNISTデータセットの読み込み
    
    Parameters
    ----------
    normalize : 画像のピクセル値を0.0~1.0に正規化する
    one_hot_label : 
        one_hot_labelがTrueの場合、ラベルはone-hot配列として返す
        one-hot配列とは、たとえば[0,0,1,0,0,0,0,0,0,0]のような配列
    flatten : 画像を一次元配列に平にするかどうか 
    
    Returns
    -------
    (訓練画像, 訓練ラベル), (テスト画像, テストラベル)
    """
    dataset = {}
    for key in key_file.keys():
        if not os.path.exists(get_save_file_path(key)):
            init_mnist(key)

Saveしたfileがある場合は init_mnist()をスキップする

        with open(get_save_file_path(key), 'rb') as f:
            dataset[key] = np.array(pickle.load(f))

セーブしたデータを読み込んで、1次元配列で読み込み

    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0

読み込んだデータを正規化する。（ピクセル数255で割る）

 if one_hot_label:
        dataset['train_label'] = _change_ont_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_ont_hot_label(dataset['test_label'])

On hot labelに変換する

    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

もし1次元配列で読み込まない場合は1 x 28 x 28の3次元配列で読み込む

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 
if __name__ == '__main__':

2017-08-07

Deeplearning ch02 or_gate.py

ゼロから作るDeep Leaning

ORゲートを設定します。基本的に、ANDゲートと閾値の大きさ以外は全て同じです。
閾値を0.7から重み $\omega_1,\omega_2$ の0.5より小さい0.2に変更することで、入力信号 $x_1,x_2$ のどちらかに1が入力された場合にも1を出力するようにしています。

import numpy as np

def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.2
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1
if __name__ == '__main__':
    for xs in [(0, 0), (1, 0), (0, 1), (1, 1)]:
        y = OR(xs[0], xs[1])
        print(str(xs) + " ->" + str(y)

2017-07-26

Deeplearning ch02 and_gate.py

ゼロから作るDeep Leaning

Chapter 02

第１章はnumpyのざっとした説明とmatplotlibの使い方の説明でしたが、第２章よりDeep Learning （深層学習に向けて初歩的なアルゴリズムパーセプトロンとAND、NAND、OR、XORゲートのプログラム内容の紹介をします。（第３章にニューロラルネットワークの説明があります。）

パーセプトロンとはパーセプトロン(perceptron)は、心理学者・計算機科学者のフランク・ローゼンブラットが1957年に考案し、1958年に論文を発表した、人工ニューロンやニューラルネットワークの一種。（Wikipediaより)複数の入力信号を処理して、一つ出力を行うアルゴリズムです。ここで言う「処理」とは信号を流す（１）か流さない（０）かを決める処理となります。

パーセブトロンのアルゴリズムを式で表すと以下のようになります。
${y=\begin{eqnarray}\begin{cases}0\ (\omega_1x_1 + \omega_2x_2 \leqq\theta) \\1\ (\omega_1x_1 + \omega_2x_2 >\theta)\end{cases}\end{eqnarray}}$
$y$ は出力信号、 $x_1,x_2$ は入力信号、 $\omega_1,\omega_2$ は重み、 $\theta$ は閾値（しきいち）を表します。入力信号に重みを掛けたものの総和が閾値を超えると出力信号１が出力されます。

import numpy as np

def AND(x1, x2):
     x = np.array([x1, x2])
     w = np.array([0.5, 0.5])
     b = -0.7
     tmp = np.sum(w*x) + b
    if tmp <= 0:
    return 0
    else:
   return 1

if __name__ == '__main__':
for xs in [(0, 0), (1, 0), (0, 1), (1, 1)]:
y = AND(xs[0], xs[1])
print(str(xs) + " -> " + str(y))

⇒ 重み $\omega_1,\omega_2$ が0.5、 $\theta$ は閾値が0.7のAND関数を定義します。入力信号 $x_1,x_2$ がそれぞれ(1,1)だとすると、 ${y=\begin{eqnarray}\ (1*0.5 + 1*0.5) - 0.7\ = 0.3>0.0\end{eqnarray}}$ となり出力信号1が出力されます。入力信号 $x_1,x_2$ がそれぞれ(0,0)とすると ${y=-0.7\leqq\theta}$ 、(1,0)とすると ${y=-0.3\leqq\theta}$ となり、出力信号は全て0です。

入力信号が0,1である理由は、パーセプトロンの組み合わせにより、複雑な関数であってもパーセプトロンで表現できるという利点を前提としており、パーセプトロンからの出力（0,1）が次のパーセプトロンに入力されると想定しているためです。

2017-07-24

Deeplearning ch01 sin_cos_graph.py

ゼロから作るDeep Learning

SinとCosのグラフをmatplotlibで描画する練習です。simple_graph.pyのグラフになかったラベルと線のスタイルを設定しています。（ラベルと線のスタイル以外の補足説明は省略しています。）

import numpy as np
import matplotlib.pyplot as plt
x = np.arange(0, 6, 0.1) 
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label="sin")
plt.plot(x, y2, linestyle = "--", label="cos")

⇒ linestyle = " XXX "を挿入することでグラフの線のスタイルの指定ができます。‘その他実線　'-' 、ダッシュドット　'-.'、ドット':'等があります。

plt.xlabel("x")

⇒　x軸のラベルを"x"とします。

plt.ylabel("y")

⇒　y軸のラベルを"y"とします。

plt.title('sin & cos')

⇒　グラフのタイトルを'sin & cos'とします。

plt.legend()
plt.show()

⇒　凡例を表示させます。設定したlabel="XXX"が凡例として表示されます。

2017-07-24

Deeplearning ch01 sin_graph.py

ゼロから作るDeep Learning

このプログラムはmatplotlibを使用してSin関数のグラフを表示させます。NuｍPyとmatplotlibの使い方の練習です。

import numpy as np

⇒ NumPyモジュールをnpという名前でインストールする事を表しています。

NumPy（ナムパイまたはナンパイ）は、プログラミング言語 Pythonにおいて数値計算を効率的に行うための拡張モジュールで、効率的な数値計算を行うための型付きの多次元配列（例えばベクトルや行列などを表現できる）のサポートをPythonに加えるとともに、それらを操作するための大規模な高水準の数学関数ライブラリを提供しています。(Wikipediaより）

ベクトル、行列計算が簡単にPythonプログラムで行えますよと個人的には理解しています。Deep Learningにおいて、画像を解析する際に画像データ情報がベクトル、行列で表されているので、計算が簡単にできたら便利です。

import matplotlib.pyplot as plt

⇒ matplotlibのmatplotlib.pyplotモジュールをpltという名前でインストールする事を表しています。import (Module) as (略称)の形式はPythonのモジュールをインストールする一般的な形式で(略称)を宣言することで、以降の文章でモジュール名も簡略化できるのでタイピングが楽になります。

x = np.arange(0, 6, 0.1) # 0から6まで0.1刻みで生成
y = np.sin(x)

⇒x軸方向の範囲を0≦x≦6で0.1刻み、yはxの値に対してのグラフをSin関数とするを指定します。arangeのrangeは範囲という意味です。

plt.plot(x, y)
plt.show()

⇒グラフを描きます。