NVIDIAが解説するディープラーニングの基礎（後編）：CNN／RNNやフレームワーク概要まで（3/5 ページ）

エヌビディアは2018年4月24日、ディープラーニングに関するセミナー「NVIDIA Deep Learning Seminar 2018」を東京都内で開催した。本稿では、セッション「これから始める人のためのディープラーニング基礎講座」から、各種ニューラルネットワークやその応用例、ディープラーニングフレームワークの概要について紹介する。

[松本貴志，EE Times Japan]

RNNの弱点を改善したニューラルネットワーク「LSTM」

　そこで、RNNでは取り扱うことのできない長期依存性を持つ連続データの処理には「LSTM（Long short-term memory）」が用いられるという。LSTMについて山崎氏は、「詳細は踏み込まないが、（RNNで用いられる）隠れ層の中身をもうちょっと複雑にしたもの」と表現。「Google翻訳が出た当時、彼ら（Google）が出した（Google翻訳に関する）論文の中にLSTMが使われていた」（山崎氏）と紹介した。

LSTMのネットワーク構造イメージ（クリックで拡大）

　RNNやLSTMの応用事例として、系列データの変動予測や異常発生予測、言語翻訳などで活用が進んでいるという。

RNNやLSTMの応用領域（クリックで拡大）

ディープラーニングの実装をサポートするフレームワーク

　ディープラーニングを用いたアプリケーションを開発する場合、アルゴリズムや関連する処理を0から構築することはまれで、一般的には「ディープラーニングフレームワーク」を用いることが多い。フレームワークを活用することにより、ニューラルネットワークの学習や推論、その他関連処理をアプリケーションへ効率的に実装することができる。

　多数のベンダーがそれぞれ独自のフレームワークを開発、公開している。その中でも日本勢の動向について、山崎氏は「日本だとChainer（開発元：Preferred Networks）が有名だが、ソニーも自前のフレームワーク（Neural Network Libraries）を開発しており、先日開催したGTC 2018でも講演があった」と紹介している。

左：ディープラーニングフレームワークの例 右：フレームワークを選択する場合の検討要素（クリックで拡大）

　では、どのフレームワークを利用すればいいか。このような質問を山崎氏もよく受けるとして、「好きなものを使ってください。とお伝えしているが、フレームワークごとに特性が異なっている。1個に絞るのではなく、（用途ごとに）複数のフレームワークを使えるようになることが重要」（山崎氏）と語った。

　フレームワーク選定のポイントとしては、サポートするプログラミング言語、ユーザーコミュニティーが発達具合、といった点とともに、フレームワークが採用しているニューラルネットワークを構築する手法「Define-and-run」と「Define-by-run」の比較があるという。