常連

注目の的

社会貢献

質問力

[追伸]　**※　純粋にプログラマーとする方は読むのは時間的に無駄で、わけが分からなくなる**ので、数理系やAI関係の方にのみお願いします。
-------------------------------------------------------------------------
長い間ソフト開発に関わってきましたが、ぶっちゃけ『Computational Graphs』を知るのはごく最近の事です。
すごい新しい技術または概念だと思って、グラフ理論に関する書籍を調べたが、出ません。
★ ショックな事に, 今の時点(2018-9)＜Wekipedia＞にさえないのです。

ネットでいろいろ『Computational Graphs』に関する説明例を調べたら、どうも『Computational Graphs』そのものは四則計算が発明された時点に存在したはずだと感じました。【**そうでしょ？**】

単に、Neural network分野では四則計算の連続を『Computational Graphs』と名付けて、そのシーケンスの構造を解析し、Neural networkに対応する**Library/Framework**によって自動微分を実現してくれるということですね。【**そうでしょ？**】

当然、同じ『Computational Graphs』構造を持っても、解析せず、自動微分を実現してくれ**ない** Neural network　**Library/Framework** も存在するはず。【**そうでしょ？**】

要は『Computational Graphs』という言葉が新しいものの、
その自体は新しい技術や概念ではないのです。

##上記【**そうでしょ？**】の処について皆様のご見解をお伺いしたいのです。

どうぞ宜しくお願い致します。

**【追加】同じforward 計算式に対して、非自動微分と自動微分LIBのコーディング様式の比較**
![![イメージ説明](b2d0433ced2a85e744b640546b7ab833.jpeg)]

『Computational Graphs』という言葉に翻弄されたか？

皆さん　お世話になっております。

DLの聖殿の回りを彷徨ってまいりました。
最近入口を見つけて一歩中へ踏み出しようとしたが、
すぐさま扉にぶつかって、頭がまた痛くなりました。

例えば　YOLOというやつ。
訓練時の学習画像とTESTの画像のサイズ同じだと感じております。
こりゃ不思議だなと。
学習画像はobjectのサイズに沿って四角にクリップした画像で、これを416×416の入力画像としたら、TEST画像も416×416。

ところが、TEST画像は風景画像で、その中に現れるobjectは当然風景画像のサイズより遙かに小さいはずです。

即ち、学習されたobjectのサイズは416×416で、推定しようとする実際の対象のサイズは416×416より数倍か、10数倍小さいという事になります。

自分の知る限り、CNNがそれほどscale不変性機能を持っていないですけれども、
このCNNにおける学習画像と推論(TEST)時の画像とのサイズ不一致問題はどのようなメカニズムで解決されたのでしょうか。

どうぞ宜しくお願い致します。

CNNにおける学習画像と推論(TEST)時の画像とのサイズ不一致問題

世の中の**Deep Learning**宣伝によって、
自分にはDL(等価的ではないが、以下CNN/DNNと称します)に対する『過大視』のようのものがありました。

今になってようやく下記の幾つかの点について気付いたのです。
この分野に関心のある方、どんなご意見でも宜しいので、ご批判やコメントを承りたいと思います。
**"当たり前や,どうじて最初から分からなかったの？"**というようなご意見も歓迎いたしますが、
批判的なコメントがもっと好ましいでございます。
##

**１．** CNN/DNNは因果関係や規則を発見するのではないし、指定した仮説を現実的な意味で成立するかどうかを判定してくれるものでもない。
　　単に人間が指定した「仮説」を成立させるために、指定因果間の無理やり射影機能を持たせるに過ぎない。
　　(これは莫大なパラメーターを通じて、強烈な数値辻褄合わせで実現された)

**２．** CNN/DNNが形成後の中間数値は(eg,各「特徴map」やpooling)に表現されているデータは
    対象物の人間にとって有意味の「固有特徴」として考えにくく、
    単に強烈な数値辻褄合わせのための副産物に過ぎない。

　  ∵　それは如何なる外的な要素(eg, hyperparameters)にも敏感に反応し,全然違うものに変動するのだから。
   【画像認識の場合、中間処理結果の可視化によってobject パーツらしい模様が現れるのは、もともと画像だから、それに対する局所的な算術計算の結果も当然それなりに元の画像模様を反映する-----これ以上の意味を持たない!】
   これに関してDNNの一部の開発者の言っている画像の「Feature Extractor」という表現に惑わされないように注意したい。(Eg, YOLO作者の論文, 等)

**３．** 上述のように、DLは**能動的に** 潜在関係や規律を発見してくれるのでなく、
　　まったく"受動的に"人間が明示的、または強く暗示した関係を成立させる仕組みである。
　　これに対して、**data mining**のための一部手法、例えば、**Bayesian network**のようなものは**「能動的」に** なまのデータから関係や規則を発見する能力を持ち、『**知能**』という表現に相応しい。

**4．**  DLは本質的に『過学習』で、原理的に『過学習』は必要とし、『過学習』の上で初めて成り立つ。
　  なので、大きな『汎化性能』＝創造的な推論機能を期待(信用)できない。
　　従って、応用面においてDLの『過学習』本質と人間が期待している『汎化性能』の間に大きなジレンマが存在するはず。

　　これに対して、**Bayesian network**のようなものは**『過学習』が存在しない**。

**5．**  DLは**Bayesian network**のようなものと結婚すれば、真の『知能』に近いものが生まれるかもしれない。


**6．**  技術的な視点からすれば「Error propagation」はDLのために存在するのでなく、DLは「Error propagation」のために構造した。

　　「Error propagation」は多量の変数を最適化 ➡ 偏微分 ➡ 微分の伝達性、可分解性を利用するための数学からの要望で、多変数を最適化するための限られた手法の代表であり、簡単に置き換えられない。
　　　それに、propagation = feedbackは【古典制御理論】から【現代制御理論】までの基本方法で、安易に否定できない。

##背景
以前、NNに関する知識があるものの、深層学習について、全然経験なく、その中身もここの皆様に御伺いしながらようやくある程度分かるような気がします。。。。ただし、確実ではないのです。
当初思い込みのような部分があったと強く感じます。　
自分はどんな技術に対しても、その性格や特徴を把握してから、利用したいもので、今の自分の認識を出して、有識者の方に評をいただきたいのです。
**決して『Deep learning』の有効性を否定するのではなく**、 他の処でも述べたように、むしろこれまでのobject追跡法(特徴点法)より優れると思います。 
利用できるように努力したいのですね。　
ただし、自分の当初の感覚や期待とは大きなずれがあるかと思います。

"Deep Learning"　に対する再考

今晩は

DNNをある程度知りたいため、最近時間がある時に懸命に勉強しましたが、
やはり、設計の基本はまだ分かっていない感じです。

まず現在自分の認識が正しいかどうか確認したいのです。
##
①　CNNの各層(feature map, pooling map )のノード数は入力画像の幅と縦に正比例だと考えば良い
②　CNNの層の数は基本は入力画像の幅と縦と関係なく、学習画像の数に正比例だと考えば良い

のでしょうか。

##

ご教授お願い致します。

CNNの各層のneuron数(ノード数)と層数と訓練画像の関係

例えば、
{キャベツ、トマト、牛蒡、胡瓜、西瓜、ネギ、玉ネギ、、、}を野菜とし
{メロン、林檎、砂糖キビ、ナツメ、キウイフルーツ }を果物とします。

このような分類は視覚上全然類似性のないobjectを人間の概念による強引に分類されちゃうのです。
CNN+DNNなら、勿論このような強引さに対応できるのですが、分類精度と安定性を考えたら、やはり視覚的に近いobjectを同じclassにするほうが良いではと思い、

例えば、以下のようなやり方なら、理論上、分類の精度や安定度またはマシン訓練の難易度が改善できるかどうか、お尋ねしたいのです。

**１．まずは各object毎に識別を行います。胡瓜なら胡瓜、トマトならトマト、、、きちんと識別してから、**

**２．人間のロジック　トマト➡野菜、キウイフルーツ➡果物、、、のように既定ロジックで再度分類します。**
##
１では誤認識が発生しにくくなり、２はNNとは関係なく、単にindexingするので、誤差が発生しない、
という都合の良いやりかたではと思いますが、理論上の支持を得られるかどうか分かりません。

**★若しかして、もっとまずくなります？**

##どんなご意見やアイディアでも宜しいですので、
どうぞご発言、ご教授ください。

##
**【CONCLUSION】**

このDNN学習に関する議論を通じて、非常に重要な問題に気付きました。 

自分の中に『**意味のあるDNN学習**』と『**意味のないDNN学習**』という概念が生まれました。 

即ち,**DNNの利用形態**によく吟味しなければなりません。 

例えば、たくさんの痴漢の写真と非痴漢の写真をCNN・DNNに学習させても**「現実的な意味を持たない」**という事です。
 何故ならば、訓練に使われていない人の写真をテストする時、その推定結果は何であれ、テストされた人が本当に痴漢であるかどうかは**判断できない**のです。 

ところが、たくさんの美人の写真とブスの写真をCNN・DNNに学習させてから、
 学習写真にない新しい写真をテストする時に、CNN・DNNの判定結果(美人か、ブスか)はけっこう**信用度高い**と思います。 

なので、野菜・果物の分類問題にしても、奇数・偶数の問題にしても、
やはり、先に**ビジュアル特徴**によってそのobjectの正体を断定してから、
**ビジュアル以外のロジック**で分類するのは**論理的に妥当**だと思います。 

【論理的に**妥当でない**分類形態にする場合、**かえってDNNの"訓練"精度が高くなる**かも知れませんが、意義が全然違います】

CNN+DNN分類策略について

自分のこれまで深層学習に関する知識と感覚だと、訓練・学習**時間が超長く**、GPUを多量必要としますが、
もしかして、これは単に『**訓練・学習**』段階の話で、
実際応用段階では(一枚の画像を認識する時に)非常に早いでしょうか。
----例えば、GPUはもう要らないとか。


宜しくお願い致します。

深層学習：DNN応用時の実行速度

今晩は
GANはいろんなアプリケーションに有効であることは分かりましたが、
hyper parameterに依存度が高く過敏反応する問題点もあります。

でももし最近もっとも評判の良いGANがあれば、教えていただけませんか。

hyper parameterに依存度小さいGAN(Generative Adversarial Nets)は？

ある程度DNNを勉強したら、再び原点に戻ってしまいました。
##
**深層ネットにBPすれば、入力端への誤差feedbackは信用できなくなるか、発散したり、0になったりするという話**を昔から覚えております。

というのは微分定義の成立はあくまで滑らかな連続関数を条件とします。
画像のような非滑らか、非連続関数に基本は向いていませんね。
それにもかかわらず多層間微分結果を継承的に計算していくと、当然最終的にとんでもない結果になりかねません。


##じゃー、今、DNNは100層以上の実例もあって、どうやってBP問題を克服されたのでしょうか。

①　weightに対する 正則化？　
　　norm1正則化とnorm2正則化はみなweight値を小さくする働きで、BP問題自身と数学的なつながりを感じません。

②　drop out ?  これは①の究極・強引的なやりかたとして見なしても良いと思います。
なので微分誤差伝播問題の解決に貢献できるのは原理的に見えません。

③　ReLU ？　sigmoidより微分誤差伝播を抑制する効果があっても決定的な手になるのは信じがたいですね。　----sigmoidのほうは超滑らか(無限微分可能)なのに。

④　計算機の性能のアップやGPUなどの高速デバイスの利用も数学原理を変えるわけはありません。

##どうやってBP問題を克服されたのでしょうか。
解説やヒントを頂ければ、幸いと思います。

どうやってNNが深くなるのは可能になったの？

##自分の理解では
DNN訓練のiteration数は、**各mini-batch**に対する繰り返し学習回数で、
DNN訓練のepock数は、**全学習データ**に対する繰り返し学習回数です。

なので、もしmini-batchが一つしかない場合、
##iteration数 = epock数
と考えたら宜しいですね？

ご指導お願い致します。

DNN訓練のiteration数とepock数の関係

お世話になっております。

##やりたい事(目的)
MNISTが提供しているDNNを生成するソースコードを利用して、他の学習データ(数字でなく、英字)の訓練とテストをしたいと思います。



##確認したい事(Q1,2,3)
**DNNの層数** 及び **各層上のユニット数**(neuron数)は
**訓練データの数**、更に訓練データ中の**カテゴリ別のサンプル数の割合**によって影響されますね？   [**Q1**]

そうしたら、仮令"同じ" MNIST DBであっても、サンプルの数やカテゴリ別のサンプル数の割合がある程度変動したら、DNNの**最適層数**と**各層上の最適ユニット数**が変わるのですね？ [**Q2**]

そうしたら、上記目的達成するために、元のソースコードをいじって、DNNの層数や各層上のユニット数を多数調整したり効果確認したりする**以外に便利な方法**があれば、ぜひご教授いただきたいと思います。[**Q3**]

##

どうぞ宜しくお願い致します。

DNNの再利用に関する質問です

こんにちは。

現在無職の19歳です。全くの素人ですがご教授願います。

HOTな分野に入りたいと思い、機械学習の勉強を始めました。

独学です。

具体的には、Udemyなどのオンラインサービスや、O'REILLYの「Pythonで始める機械学習」で学んでいます。

学んでいる目的は、機械学習を通して就職をして経験を積み、フリーランスや機会があれば起業できればいいという感じです。

この目的を達成する為に、githubなどに自分の書くコードを書くとレベルの目安になり、採用されやすいということを多く見かけますが、

どのようなものを書けばよいのかわかりません。

インプットばかりでアウトプットな学びがしたいのですが、作りたいものや案が出なく困っています。

皆さんが「コードを書いて一番最初に作ったもの(システム)」についてお話聞きたいです。



現役でエンジニアとして働かれている方の多くは、大学で勉強したり、最初に目的があってから勉強を始められている方が多いと思うので、

同じような状態になられた方は少ないかもしれません。


こんな僕ですが、教えていただけると嬉しいです。

つたない文章で申し訳ありませんがよろしくお願いします。

初めてつくったものについて。

DNNの構造やweight以外のパラメーター【所謂"ハイパーパラメータ"】を決めるのは大変らしいですね。

なので、例えば、
画像認識など分野において、これまで成功したDNNの応用条件やハイパーパラメータをDNNに学習させ、この学習済みDNNで新しい応用条件を入力して、最適ハイパーパラメータを出力してくれる事は **dream**ですね.

Is not a great dream ? 
##  
まあ、"でたらめ dream"と言われそうですけれども。

ただ、世の中に
評判の良い『DNNの層数、各層のユニット数を**半自動的に決めてくれる**ツール』を教えていただけませんか。

I have a dream ----DNNでDNNの構造を決める

お世話になっております。

**tensor：張筋**
非常に初歩的な問題で、申し訳ございませんが、
##
深層学習を学習する時に、**tensor**という言葉が目につきます。
単に「配列」の事です。
どうして「配列」を言わず**tensor**と呼ばれるの？　むかつきですね。(笑)
これは**質問1**とします。

tensorにはもう一つの意味もあります。
それは多様体空間の"距離素"のような事を指します。
**質問2**　数学分野において、何故"距離素"を**tensor/張筋**と呼ぶのでしょうか。


どうぞ宜しくお願いします。

どうして「tensor」なの？

### **背景**
最近この掲示板で皆さんにお伺いしながら、D-CNNの原理を初歩的に勉強した結果として、
次のような感覚を持ちました。

【1】 
D-CNNでは
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、任意の実数label(scalar or vector)を指定可能
{**数学根拠**：NNでは任意の関数を生成可能}

【2】 
D-CNNでは
同一objectであっても、D-CNNにより抽出された「画像特徴data」はそのobjectが属するclassの他のメンバーの画像内容に左右され、一定ではない！

【3】 
同一objectであっても、D-CNNにより抽出された「画像特徴data」はそのobjectが属するclassのlabel値に左右される (突飛！)

【4】
D-CNNは本質的にvector量子化方法の一つ。
 
### **結論**

【1】 
D-CNNに抽出された「画像特徴」は人間の視覚的な「画像特徴」とは全然違う概念な量であり
人工画像特徴抽出のようなvisual semantic 性を持たない。
｛D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素に見えるのは単に元々は有意画像のため、それに対する加重平均処理(filter,所謂**「convolution」**) の結果も元の画像内容を反映しているに過ぎない ｝

【2】 
同じclassに属するobjectであっても D-CNNによって抽出された「画像特徴」はまちまちで、全然共通性を持たない可能性が高い(可比性なし)。

【3】
D-CNNに抽出された「画像特徴data」は、「**画像の固有特徴**」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための**数値合わせ的な**結果に過ぎない＝＝外部条件によって任意に変動する。

**画像の固有特徴 :** 各種moments, 輝度HIST、HOG、SIFT、topology不変量、、、 

【4】
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈ができず、数値計算上に成り立つための仕組みに過ぎず、
関数値が同じと言っても、対応する自変数同士の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
即ち、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。

### **お願い**
間違った処ご指摘お願いします。

D-CNNの画像特徴抽出に対する誤解？

深層分野の入り口で彷徨っている者です。
TensorFlowとKerasは時々ペアのように同時に現れますね。
Kerasの利用によりdeep learningの実装が簡単になる説は今も或いは今後も成立するのでしょうか。
もし成立するというなら、なぜでしょうかーーー
そもそもTensorFlowはDNNの事を相当意識して設計されたもので、そしてKerasは実体なし、TensorFlowを利用するだけのもので、若しKerasでDNNの設計・実装を簡単化にできれば、
TensorFlowのほうは最初からそうすれば良い話で、このような回りくどいやり方は必要じゃねえじゃねえか、
と思いますが、、、

どんなアイディア、解釈でも宜しいですから、ヒントを下さい。

TensorFlowとKerasの関係

皆さんお元気ですか

この間<<**DNNをon line訓練したい場合の訓練データのunbalance問題**>>を題した質問に
https://teratail.com/questions/117564?whotofollow=
の中の下記のような話を取り上げられました。
【実際に学習させたAIへの考察ですが、
女性の画像は**かなりの確率**でビルゲイツ氏かイーロンマスク氏が95%以上になり、
これは今回の学習させたデータが全員男性の顔なので、
女性の顔が渡されるとうまく判定できないけど、
とりあえず各ラベルの確率を合わせて100%にして出力しないといけないからこういう結果になるのではないかなーと推測しました。
難しい。】


もし上文の中の**「かなりの確率で」**という表現は
『TEST段階で、**未学習の女性画像**に対しても、DNNの出力(確率分布)において**突出的に高い値**を持つカテゴリが**現れた**』という意味であれば、
これはDNN自身の特徴を云々以前の問題ではと感じます。
自分が以下のように推測しますが、この分野のプロではないので、間違ったら、是非是非**ご指摘頂きたい**と思います。。

その訓練済みのDNNは
① 構造的に単に一つの「**弱学習器**」に過ぎないか、あるいは
② 学習したサンプルの**独特的な(本質的な)特徴を身に付けていない**か、
③ "過学習"の反対で-----"**学習不足**"か
④ "**汎化性が高過ぎ**"か

 のいずれかが原因でしょう。

{上記理由は極一般的で,この分野において『常識的な』事かもしれませんね}

それから、ごめんなさい！　
上記４つの**原因を解消**するために、それぞれの**手法**も教えてくださいませんか(指針的なものでも宜しいでございます)。

どうぞ宜しくお願い致します。

一つのDNN出力実例を考え、質問もさせていただきます

いつもお世話になっております。

訓練データのunbalance問題について質問をさせていただきます。

Q1: 例えば、tensorFlowを使ってDNNを行う場合、 われわれは特に**意識しなくても**、
　　**訓練データのunbalance問題** は **自動的に**解決されるのでしょうか。

Q2: Q1の極端なケースとして、例えば、手書きの**1,2,3**のサンプルを多量に学習させて、
　　**4,5,6** に関する学習サンプルは無かった場合、TESTの時に、もし**4,5,6** の画像が入力したら、
　　DCNNは勝手に **1,2,3のいずれかに無理分類**するのでしょうか。

Q3: 検査システムにおいて、オンラインで不良サンプルをDNNに学習させる場合、
不良サンプルが一個一個ランダム的に来るので、**一つ一つ来る度に** DNNに学習させるのはだめでしょうか。
【unbalance問題とそれ以上に深刻な問題になりそうだが、**非常に悪い予感があって、原因は言えません**】


皆さまのアイディアを是非お伺いさせていただきたいと思います。

どうぞ宜しくお願いします。

DNNをon line訓練したい場合の訓練データのunbalance問題

FPGAとGPUはAIを勝負の戦場としているようです。
Deep learningのFPGA実装に関する報道がよく目に付くけれども、自分にとってGPUに比べてそのメリットははっきりしていません。

推測としてFPGAがGPUに比べてAI実装においてのメリットは以下ではないかと思いますが、
**誤解に過ぎないかもしれないので**、皆さんのご高見をお伺いしたいのです。

性能的に同等であれば、
**①　FPGAのほうは面積小さくて、小さい装置に組み込みやすい。**(正しいかどうか質問----大きな疑問)
**②　FPGAの値段は安い。**(正しいかどうか質問----大きな疑問)
**③　FPGAのほうは省エネルギー。**(これは正しいかどうか質問)
**④　実行速度が遅かれ早かれ、FPGAのほうはリアルタイムである。**
**⑤　GPUの場合、CPUが不可欠に対して、FPAGはCPUを必須としない。**(正しいかどうか質問---大きな疑問)

上記５点について確実ではないので、間違った処をご指摘頂きたいと思います。
ただ、上記５点以外、全部GPUのほうが有利である事ははっきり言えます(でしょ？)。

どんなご見解でも大歓迎です。

********* 追記 **********
【「問題・課題が含まれていない質問」という指摘を受けました teratailでは、漠然とした興味から票を募るような質問や、意見の主張をすることを目的とした投稿は推奨していません。】と跳ね返されてきました！
びっくりしました！
深夜一生懸命に書いたのに。。。
ただ、「票を募る」に失笑してしまいました。なんのために？ 
もっと言えば、**あるホット技術のはっきりしない問題点に関して、具体的で意義の有る個人意見や考え方を出されても全然良い事**ではないでしょうか。
この掲示板の最終目的はそのための交流ではないだけ？
**それを書く自身が多大な労働で、敬意を持って受け入れましょう。**

多くの方にとって**蛇足**かもしれないが、下記のようなタイトルの内容を追加しなければ不満が存在するようで、追加致します。

**問題・課題**

AIの世界では高速処理が不可欠で、さもなければ実用性はなく、単に遊びに過ぎません。なので高速化実現装置について議論したいと思います。
そのために高速化手段の一つとして注目されているFPGAの特長に対する疑問を有識者に確認したいと思います。現にこのような問題に多くの方から関心を寄せているので、はっきりしたいのです。
何故ならば、**AIの実現装置を正しく選択しなければ、大変なことになります**ね。
これこそ質問の**意図**で、先に解決しなければならない**課題**です。 
これはまったく自分の長い間の実践経験からの心得です。

＊＊＊＊＊＊＊＊＊＊＊＊
【NOTE】
自分の理解力不足で誤解した記事の１，２に関する[摘要]：
<<SDAccel 背景資料 - ザイリンクス - Xilinx>>
FPGA は、**DNN (Deep Neural Network) 予測**システムにおいて**CPU/GPUより高い性能**を提供可能。
DNNシステムは、 ... SDAccel 開発環境には、
アーキテクチャ最適化コンパイラ、ライブラリ、デバッガ、
プロファイラーが含まれ、**CPU/GPUに匹敵するプログラミング環境**を実現します。 
1ワット当たりのハード ウェア アクセラレーション **性能は FPGA が格段に上**...

***********************************
https://news.mynavi.jp/article/20170102-2017_ai/2
<<柔軟性を武器にデータセンターでの活用が進むFPGA>>
("データセンター"という条件を付けていますね。)
<<ハードウェアの呪縛から開放され普及期到来のFPGA>>
「リコンフィギュレーション可能アクセラレーションスタックは、
ハイパースケールデータセンターができる限り早く実装できることを目的に開発を進めてきたものであり、
すでにトップ7社すべてに提供している」とのことで、

**●　マシンラーニング**
**●　ビデオトランスコーディング**
**●　リアルタイムデータアナリティクス**
**●　ネットワーキングやストレージの仮想化**
**●　そしてまだ見ぬアプリケーションにもFPGAの柔軟性を活用して対応を可能としているとする。**

FPGAは今後、ハイパースケールデータセンターにおけるメインストリームになれる可能性が
見えてきた」と同社では述べており、
今後、さらにソフトウェアを中心とした環境の整備を進め、
ユーザーの拡大を図っていく構えを見せている。

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

★　まあ、気づいたら、FPGA関連メーカーの言い分が多いようです。
FPGA は、**DNN (Deep Neural Network) 予測**システムにおいて**CPU/GPUより高い性能**を提供可能。
実際第三者検証できるものではない主張？？？！！

FPGAの「柔軟性」というなら確かにあると思います。
FPGAより「柔軟性」がもっと高いやつとしてシリコンウェハーあります。
シリコンウェハーならFPGAをさえ作れます。
でも、、、限ったICメーカー以外シリコンウェハーを直接使って
アプリケーションを実装する開発者はいます？