Yutaka Nakano nknytk

機械生成データによる日本語校正の精度向上

以前の日本語校正ツールについての記事で

日本語の文字列に機械的に誤りを加えることで、無尽蔵の学習データを手に入れられるかもしれない。

と書いた。今回はこれを検証した結果を報告する。

概要
検証の背景と目的

日本語校正の実装

自分のtypoの多さが気になっているが、書いた文をじっくり読み返して校正するのが面倒なので誰かに校正してほしいと常々思っている。既存の日本語校正ツールには使いづらい点があったため、自分で入力ミス訂正ツールを作ってみた。

この記事では

既存の日本語校正ツールの紹介
- RedPen

TyE

まとめ

GPD Pocketの内部に熱伝導シートを貼り筐体から熱を発散させることで、CPUファンを完全に停止して無音化しても温度上昇を抑え安全に運用できる。

目的

GPD PocketにUbuntu 20.04を導入したところ、負荷とは無関係にCPUファンが一定の速度で回り続けており、音が気になる。
CPUファンを完全に停止して無音化したい。ただし、熱による処理性能の低下は防ぎたい。

実施内容

これは Raspberry Pi Advent Calendar 2020 12月6日分の投稿記事です。

ざっくりまとめ

Raspberry Pi Zero WHを使い、気温・湿度・CO2を計測、記録する装置を作り、約半年運用しました。気づいたことは

接触不良に気をつけよう
換気していない状態でのガスコンロ使用と筋トレはCO2濃度を爆上げする
換気扇の威力は絶大
換気するなら空気の流れを作ろう
平均湿度が60%を切るくと踵が割れてくる

やりたいこと

IntelがDNNのCPU実行を高速化するiDeepというモジュールを開発し、chainer 4.0.0からiDeepを使えるようになった。
どんな処理がどれくらい速くなるのか確認したい。

iDeepの使い方

Ubuntuならpipでインストールできる。

きっかけ

この2ヶ月ほど業務でGradient Boosting Decision Tree(GBDT)を使用しており、性能の高さに感心し、決定木のアルゴリズムに興味を持ちました。決定木の分岐条件の作り方について調べた時に、性能向上に繋がりそうな改善策を思いついたので、実装して本当に性能が向上するか試してみてみたくなりました。

考えていること

決定木を作るためのアルゴリズムはID3, ID4.5, CARTなどいくつか存在します。私が調べた範囲では、どのアルゴリズムも

特徴量は全て独立変数であると考える

	import os
	import model


	def main():
	check_speed(model.MobileNetV2())
	check_speed(model.ResNet50())
	check_speed(model.EfficientNetLite4())
	check_speed(model.SSDMobileNetV1())
	check_speed(model.TinyYOLOV3())

	import ctypes
	import queue
	import threading
	import multiprocessing
	from multiprocessing.managers import SharedMemoryManager
	from time import time


	def main():
	test_configs = [