So-net無料ブログ作成

10月12日に小惑星が地球をかすめる ((((;゚Д゚)))) [ちょっと気になるトンデモ学説!]

明日、10月12日に小惑星が地球をかすめるという話題がネット上で取りざたされているので、どれぐらいの距離をかすめるのか調べてみました。


asteroid_sweeping.png


カラパイアによると距離は 68,000km 。なんだそれほど近くないじゃんと思うところですが、実は静止軌道のすぐ近く。気象衛星ひまわりのすぐ近くをかすめる感じです。


asteroid.png


大きさは10m-30m くらい。気象衛星ひまわりが8m位の大きさですのでぶつかったら一撃で粉砕です。実際の軌道の様子はこちら。


2012-TC4-orbit-animation-800.gif
http://earthsky.org/space/near-earth-asteroid-2012-tc4-close-pass-october-2017


これが地球に落ちてきたとしたら、どの程度の爆発力か試算してみました。

前回ロシアに落ちた隕石は17m程度の大きさで、だいたいTNT火薬500キロトン程度と言われていますので、単純にその2倍と考えるとTNT火薬1000キロトンくらいにはなりそうです。広島型原爆が15キロトン換算ですので、1000キロトンというと、広島型原爆の60倍程度ですね。

ただ、そのエネルギーがすべて地表で開放されるわけでなく、空中を滑空しているときにも開放されますので、広島型原爆60倍のものよりも被害ははるかに小さいでしょう。

しかし、ツングースカ隕石が5000キロトンということですので、その1/5だとしても都市部に落ちれば壊滅的な打撃を受けるのは間違いないです。

ミサイルも怖いですが、宇宙から降ってくる撃墜不可能な物体にも目が離せません。
(@_@;





バンダイ 65280 大人の超合金 小惑星探査機 はやぶさ(初回生産分限定特典付き)

バンダイ 65280 大人の超合金 小惑星探査機 はやぶさ(初回生産分限定特典付き)

  • 出版社/メーカー: バンダイ
  • メディア: おもちゃ&ホビー



Kenko パソコンプラネタリウムソフト 星空散歩ライトII  698310

Kenko パソコンプラネタリウムソフト 星空散歩ライトII 698310

  • 出版社/メーカー: ケンコー
  • メディア: Camera



天体衝突 (ブルーバックス)

天体衝突 (ブルーバックス)

  • 作者: 松井 孝典
  • 出版社/メーカー: 講談社
  • 発売日: 2014/04/18
  • メディア: 新書




タグ:衝突 小惑星
nice!(32)  コメント(2) 

WiFiカメラ付の重力感知ドローンを飛ばしてみた! [ロボットを作ってみる!]

先日購入したWiFiカメラ付き重力感知ドローンをセットアップしました。


DSC04845.JPG


ドローンのカメラの画像は、スマホのアプリで見ることができます。


WiFi UFO
WiFiUFO.png
https://play.google.com/store/apps/details?id=com.lewei.multiple.lewei&hl=ja


最初に行うのは、ドローンのセットアップです。重力方向をドローンに覚えさせるためにキャリブレーションを行います。


drone_calib.PNG


次にアンロックをするとモーターが回り始めます。


drone_unlock.PNG


コントロールは、左レバーが推力の調整、右レバーがコントロールです。


drone_control.PNG


実際に飛ばしてみた映像です。重力感知機能があるので制御が簡単かと思ったのですが、ドローンビギナーにはちょっと難しかったようです。





安いだけに画質もいまいちですね。階調が立っていて色がとんでいます。かなり古い安いセンサーのようです。ちょっと残念。やはり小型で画質のいいドローンは自作しかないかなぁ。
(´・ω・`)
















nice!(30)  コメント(3) 
共通テーマ:趣味・カルチャー

TensorFlow Deep MNIST for Experts をやってみた(2) [Deep Learning]

TensorFlow Deep MNIST for Experts のコードを動かしてみるもハングしてしまった件、問題となるコードの場所は分かりました。

def main(_):
 ... snip ...
  with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):             #### Change step from 20000 to 1000  ####
      batch = mnist.train.next_batch(50)
      if i % 100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
            x: batch[0], y_: batch[1], keep_prob: 1.0})
        print('step %d, training accuracy %g' % (i, train_accuracy))
      train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

    ### ここで問題発生! ####
    print('test accuracy %g' % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))  


学習ステップを1000回にしてもハングしますので、ここの処理に問題がありそうです。accuracy というオブジェクトの定義を探してみたらありました。

  with tf.name_scope('accuracy'):
    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1)) 
    correct_prediction = tf.cast(correct_prediction, tf.float32)
  accuracy = tf.reduce_mean(correct_prediction)



argmax はそのレイヤーでの最大値のインデックスを返す関数だったはず。ということは、y_convの値と 教師データの y_ のインデックス一致しているか見ているようです。

y_conv はどうやって生成されているかというと、deepnn すなわち定義されたディープニューラルネットワークの出力です。

  # Create the model
  x = tf.placeholder(tf.float32, [None, 784])

  # Define loss and optimizer
  y_ = tf.placeholder(tf.float32, [None, 10])

  # Build the graph for the deep net
  y_conv, keep_prob = deepnn(x)



ここの一連の処理の分かりやすい解説がありました。

argmax.png

MNIST には、教師データとテストデータがあります。教師データは Deep Learning をしているときに使うデータ。テストデータは、Deep Learning の結果を検証するためのデータです。

ハングアップしているコードを再確認します。

    ### ここで問題発生! ####
    print('test accuracy %g' % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))  


feed_dict は、placeholder という変数に与えるデータを置き換えるしくみです。すなわち x を mnist_test_images に、y_ を minst_test_labels に、keep_prob は 1.0 にして deepnn に突っ込んでいます。feed_dect の詳細はこちらのサイトが分かりやすかったです。


たった一行のコードですが、ここは精度を計算するために、MNIST のテストデータを deepnn に入力し y_conv を生成し、教師データと照合する処理をしています。

ということは、このテストデータの認識処理でハングしているみたいですね。うーん、明らかにPCのスペック不足ですねぇ。これは困りました。
(´・ω・`)





初めてのTensorFlow 数式なしのディープラーニング

初めてのTensorFlow 数式なしのディープラーニング

  • 作者: 足立 悠
  • 出版社/メーカー: リックテレコム
  • 発売日: 2017/10/27
  • メディア: 単行本(ソフトカバー)



TensorFlowはじめました 実践!最新Googleマシンラーニング (NextPublishing)

TensorFlowはじめました 実践!最新Googleマシンラーニング (NextPublishing)

  • 出版社/メーカー: インプレスR&D
  • 発売日: 2016/07/29
  • メディア: Kindle版



ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

  • 作者: 斎藤 康毅
  • 出版社/メーカー: オライリージャパン
  • 発売日: 2016/09/24
  • メディア: 単行本(ソフトカバー)




nice!(31)  コメント(2) 
共通テーマ:趣味・カルチャー

TensorFlow Deep MNIST for Experts をやってみた(1) [Deep Learning]

いよいよ、Deep Learning もディープな領域に入ってきました。前回の MNIST for ML Beginners では、92% の認識率でしたが、今回の例題ではそれを 99% まで高めることができるようです。

DeepMNISTforExpoerts.png

早速コードを見てみます。

# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================

"""A deep MNIST classifier using convolutional layers.
See extensive documentation at
https://www.tensorflow.org/get_started/mnist/pros
"""
# Disable linter warnings to maintain consistency with tutorial.
# pylint: disable=invalid-name
# pylint: disable=g-bad-import-order

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys
import tempfile
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'


from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

FLAGS = None


def deepnn(x):
  """deepnn builds the graph for a deep net for classifying digits.
  Args:
    x: an input tensor with the dimensions (N_examples, 784), where 784 is the
    number of pixels in a standard MNIST image.
  Returns:
    A tuple (y, keep_prob). y is a tensor of shape (N_examples, 10), with values
    equal to the logits of classifying the digit into one of 10 classes (the
    digits 0-9). keep_prob is a scalar placeholder for the probability of
    dropout.
  """
  # Reshape to use within a convolutional neural net.
  # Last dimension is for "features" - there is only one here, since images are
  # grayscale -- it would be 3 for an RGB image, 4 for RGBA, etc.
  with tf.name_scope('reshape'):
    x_image = tf.reshape(x, [-1, 28, 28, 1])

  # First convolutional layer - maps one grayscale image to 32 feature maps.
  with tf.name_scope('conv1'):
    W_conv1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

  # Pooling layer - downsamples by 2X.
  with tf.name_scope('pool1'):
    h_pool1 = max_pool_2x2(h_conv1)

  # Second convolutional layer -- maps 32 feature maps to 64.
  with tf.name_scope('conv2'):
    W_conv2 = weight_variable([5, 5, 32, 64])
    b_conv2 = bias_variable([64])
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

  # Second pooling layer.
  with tf.name_scope('pool2'):
    h_pool2 = max_pool_2x2(h_conv2)

  # Fully connected layer 1 -- after 2 round of downsampling, our 28x28 image
  # is down to 7x7x64 feature maps -- maps this to 1024 features.
  with tf.name_scope('fc1'):
    W_fc1 = weight_variable([7 * 7 * 64, 1024])
    b_fc1 = bias_variable([1024])

    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

  # Dropout - controls the complexity of the model, prevents co-adaptation of
  # features.
  with tf.name_scope('dropout'):
    keep_prob = tf.placeholder(tf.float32)
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

  # Map the 1024 features to 10 classes, one for each digit
  with tf.name_scope('fc2'):
    W_fc2 = weight_variable([1024, 10])
    b_fc2 = bias_variable([10])

    y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
  return y_conv, keep_prob


def conv2d(x, W):
  """conv2d returns a 2d convolution layer with full stride."""
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


def max_pool_2x2(x):
  """max_pool_2x2 downsamples a feature map by 2X."""
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')


def weight_variable(shape):
  """weight_variable generates a weight variable of a given shape."""
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)


def bias_variable(shape):
  """bias_variable generates a bias variable of a given shape."""
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)


def main(_):
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

  # Create the model
  x = tf.placeholder(tf.float32, [None, 784])

  # Define loss and optimizer
  y_ = tf.placeholder(tf.float32, [None, 10])

  # Build the graph for the deep net
  y_conv, keep_prob = deepnn(x)

  with tf.name_scope('loss'):
    cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=y_,
                                                            logits=y_conv)
  cross_entropy = tf.reduce_mean(cross_entropy)

  with tf.name_scope('adam_optimizer'):
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

  with tf.name_scope('accuracy'):
    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
    correct_prediction = tf.cast(correct_prediction, tf.float32)
  accuracy = tf.reduce_mean(correct_prediction)

  graph_location = tempfile.mkdtemp()
  print('Saving graph to: %s' % graph_location)
  train_writer = tf.summary.FileWriter(graph_location)
  train_writer.add_graph(tf.get_default_graph())

  with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(20000):
      batch = mnist.train.next_batch(50)
      if i % 100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
            x: batch[0], y_: batch[1], keep_prob: 1.0})
        print('step %d, training accuracy %g' % (i, train_accuracy))
      train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

    print('test accuracy %g' % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument('--data_dir', type=str,
                      default='/tmp/tensorflow/mnist/input_data',
                      help='Directory for storing input data')
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unpars



前回よりかなり複雑になってますね。実行をしてみたのですが、何度やっても9900回目くらいでPCがハングアップしてしまいます。学習もかなり時間がかかってしまいますし、仕方ないので学習ステップを 5000回くらいに変更しました。


.... snip ...
def main(_):
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

 ... snip ...
  with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(5000):             #### Change step from 20000 to 5000  ####
      batch = mnist.train.next_batch(50)
      if i % 100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
            x: batch[0], y_: batch[1], keep_prob: 1.0})
        print('step %d, training accuracy %g' % (i, train_accuracy))
      train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

    print('test accuracy %g' % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))



これでうまく行くかと思ったのですが、4900回が終わったところでまたPCがハングしてしまいました。
(´;ω;`)

タスクマネージャーを立ち上げながら処理の様子を見てみたら、終了処理のところで大量のメモリを確保にいき、メモリ不足が発生してハングしてしまっているようです。(正確には大量のスワップが発生し、HDDの帯域不足が発生したものと思います)

4GBメモリ + HDD のノートパソコンじゃ Deep Learning ムリってこと?困ったなぁ。おいおい解析していきたいと思います。
(´・ω・`)





初めてのTensorFlow 数式なしのディープラーニング

初めてのTensorFlow 数式なしのディープラーニング

  • 作者: 足立 悠
  • 出版社/メーカー: リックテレコム
  • 発売日: 2017/10/27
  • メディア: 単行本(ソフトカバー)



TensorFlowはじめました 実践!最新Googleマシンラーニング (NextPublishing)

TensorFlowはじめました 実践!最新Googleマシンラーニング (NextPublishing)

  • 出版社/メーカー: インプレスR&D
  • 発売日: 2016/07/29
  • メディア: Kindle版



ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

  • 作者: 斎藤 康毅
  • 出版社/メーカー: オライリージャパン
  • 発売日: 2016/09/24
  • メディア: 単行本(ソフトカバー)




nice!(30)  コメント(2) 
共通テーマ:趣味・カルチャー

WiFiカメラ付の重力感知ドローンを買ってみた! [ロボットを作ってみる!]

久しぶりのドローンネタです。会社の同僚からWiFIカメラ付きの重力検知ドローンが安く出てるよと教えてもらい、技術検討のために買ってみることにしました。


DSC04841.JPG


中身を空けてみると、カメラ映像を見るためのスマホホルダー、予備のプロペラ、プロペラガード、あとはプロポと本体。なかなか充実しています。


DSC04842.JPG


それよりも目を引いたのは取扱説明書です。日本語ですよ日本語。


DSC04843.JPG


しかし、よく読むと日本語がちょっとおかしい。

お客様へ、
いつもお世話にになっております。
ご注文いただいた商品が問題なく動作できる様子、大変嬉しく存じます。
不良品、飛行操作など、任意の問題があっても、直接にメールにて弊社へ連絡することができます。
ちなみに、もしこれが良いドローンと考えれば商品ページにご意見を出してお客様に参考を提供してくれれば、幸いだと思います。
今後とも弊社商品をご愛顧くださいますよう、よろしくお願いいたします。


うん初めて買ったので、いつもお世話になってないし、まだ動かしてないし、”ちなみに”ってお客様に使っちゃだめでしょ。

でも、3Dプリンター買ったときは日本語の取扱説明書があまりにも意味不明すぎて、英語版を見たくらいだったことを考えると、中国のベンチャーも着実に進化してますね。意味通じるので。

で、気になる本体をアップで映してみました。


DSC04844.JPG


プロペラ広げるとカッコイイですね。


DSC04845.JPG


カメラモジュールは小さいの使ってますね。軽量化のためかな。


DSC04846.JPG


全体重量を測ったら、なんと 25.26g !すごいな。


DSC04847.JPG


週末の3連休でファーストフライトしてみたいと思います!
(^_^)











ジーフォース PXY CAM ピクシィカム (Black) MODE1 GB302 [日本正規品]

ジーフォース PXY CAM ピクシィカム (Black) MODE1 GB302 [日本正規品]

  • 出版社/メーカー: ジーフォース
  • メディア: おもちゃ&ホビー




nice!(32)  コメント(3) 
共通テーマ:趣味・カルチャー