ディープラーニング製品が出てきたあとのクリエイターの未来を予言しようぜ☆（＾～＾）

「　未来を予言しようぜ☆？」

「　今を生きればいいのに……☆」

服ができてる！！Adobe Research等の研究チームがディープラーニングを用いて衣服アニメーションを生成する新アプローチ「GANPaint Studio」を公開！！

「　↑　すごいことばかりで、何が　すごいのか分からないから　もうなんでも　普通に見えるのよね」

「　ディープラーニング を速く覚えなければ、と　遅れを感じ始めたクリエイターもいるだろ☆
Adobeの描画ツールの使い方を速く覚えなければ……、ぐらいの意味で言っていて
べつに これは蜂です。これは船です。これはトラックです。 とか調べたいわけではないよな☆」

「　ディープラーニングが 終わったあとのツール を使いこなそう、という意味でしょ」

「　残念だったな☆　お父んが口を挟むスペースは無いぜ☆」

「　じゃあ　勝手に　未来を予言しよ☆」

「　好きにしろだぜ☆！」

何に ディープラーニングを使っているか、という違い

“ディープラーニングを用いて衣服アニメーションを生成する新アプローチ“

「　↑　この日本語は何を言ってるんだぜ☆？」

「　ディープラーニングを使って衣服アニメーションを生成するソフトは 今までにもあったが、 新しいアプローチで行った、
とかなら　なんか　あんまり　べつに、だよな☆」

「　記事の原文無いの？」

Learning an Intrinsic Garment Space for Interactive Authoring of Garment Animation

「　↑　ここだろ☆」

「　ほーん、 今までには無かったが、ディープラーニングを使ってできるようになった らしいぜ☆
そういえば 研究チームが発表したとか書いてあったよな☆ 研究と付いていて、新しくないものを発表するわけがないよな☆」

「　そうとも限らんが☆」

learned intrinsic garment space

「　↑　衣服のスペース を学習したらしいぜ☆」

「　↑　つまり　上図のように　スカート　があったとするだろ☆」

「　これは　どんぶり　を被った脚か☆？」

「　Skeb で絵をリクエストしてるクリエイターなら　もっと　リクエストしたくなるような絵を描きなさいよ！」

「　↑　多分、ボディのアクションに応じて 衣服の取りうる形 を学習したんじゃないか☆？」

「　どんなアクションしたら　こんなスカートになるのか……☆？」

「　↑　確かに　人体の取りうる形は　たくさん　ありそうだよな☆
こういうポーズが　すごい数　作られて、　トレーニング・データ train_X　と呼ぶとしよう☆」

「　ポーズじゃなくて、 体の動き のようよ」

「　計算資源持っていていいよな☆　富岳にやらせようぜ☆」

「　富岳は GPU 入ってんのかだぜ☆？」

「　GPU は書いてないんで　分からないぜ☆ ディープラーニングの時代になんで GPU 書いてないんだろうな☆？」

「　↑　じゃあ、上に向かって飛んでるとか、重力があるとか、なんか　いくつかの　入力（feature）があるんだろ☆
その結果、スカートの形状が上図のようになったとするだろ、これは　トレーニング・データ train_y だぜ☆」

「　これは　機械学習する前のデータか☆？」

「　そうそう……、機械学習勢は　トレーニング・データを　じゃぶじゃぶ生成して、　数を集めるんだぜ☆
この作業は　ディープ・ラーニングを始める前にやることで、
１か月に 30万件 作成しても ３か月で 90万件、これじゃ全然５億件に届かん、教師データの生成 速くせな☆
みたいなのも　見どころのひとつだぜ☆
Adobe の研究チームが何件 教師データを生成したか知らんけど☆」

「　Adobeのプロダクトで 動画を作りたい人は　教師データを生成したいわけではないのよ！　見どころじゃないの！　使う方なの！」

「　こんな train_X が来たら、 train_y が出てくる、というのを えんえん とやるわけだぜ☆
これが　機械学習☆
機械学習をするとき、ディープ・ニューラル・ネットワーク（DNN）を使っていたら　ふつうのディープ・ラーニング☆
今では　いろんな　ディープ・ラーニングがある☆」

「　train_X の方は たくさんあるんで 大文字の X、
train_y の方は １つしかないので 小文字の y だぜ☆」

「　変なの☆」

「　これは fit と呼ばれるフェーズで、この対応付けが終わると　成果物として　予測モデル　という　容量食うデータができる☆
この予測モデルにも　決定木モデルや　線形回帰モデル　など　数種類あって　どれを使うかも　機械学習勢が考えるところだぜ☆」

「　Adobe のプロダクトで　動画を創りたい人には　どうでもいいことね」

「　で、トレーニング・データは全部使ってしまうのではなく、　答え合わせ用に残しておくんだぜ☆
バリデーション・データ val_X を入れると、答えの val_y は出てくるか試すんだぜ☆
このときの val_y が、 よく記事で出てくる　Prediction ☆　予測という意味だぜ☆」

「　予測が当たるようなら　使い物になりそうねぇ」

「　お父んは　機械学習 の説明をしただけで ディープ・ラーニング の説明はしてないと思う☆」

「　ディープじゃないニューラル・ネットの ラーニングは、 ↑上図 桃色の入力層と、黄緑色の 出力層を除くと、１層しか　真ん中に持ってないんだぜ☆」

「　その真ん中の層は　何やってんの？」

「　野球のバッティングで　腰ばかり見ているコーチとか要るだろ☆
腰ばかり見ているコーチ、足元ばかり見ているコーチ、顔の向きばかり見ているコーチ　とか役割が分かれてるんだぜ☆
そのコーチらは　与えられた 各feature に対して、 0.7倍 とか 0.3倍 とか重み（W） を持ってるわけだぜ☆
で、こいつはイケる！と思ったコーチは発火する☆　あとは　発火したコーチたちの意見を集めて　重心が低いタイプ　とか答えを出すんだぜ☆
雑に説明すれば☆」

「　そういうコーチが　７人いる、とか　決めとくんだぜ☆　そこが　中間層☆
ディープでないラーニングの　ニューラル・ネットは　中間層が　１層☆」

「　ディープな　ニューラル・ネットのラーニングは、　中間層が　２つ以上あるだけか☆？」

「　そう☆　腰ばかりを見ているコーチと、足元ばかりを見ているコーチの両方を見ている嫌らしいコーチ　みたいなやつが　２つ目の中間層に　ずらっと並んでいる☆」

「　嫌ねえ！」

「　で、　中間層は　多ければいいとか　何層もあればいいというものではなく、
入力と　出力に合わせて　ちょうどいいサイズがあるはずだぜ☆
そのちょうどいいところを人類は知らないので、計算資源と金と研究者が探すんだぜ☆　そういうやつらが強いんだぜ☆」

「　研究者たちは　どんな感じで　ディープ・ラーニングしたか　論文とかに書くだろ☆
他の連中　計算資源も　使ったデータも持ってないから　そういう　秘伝のタレの配分を明かしても　問題ないわけだぜ☆」

「　そういう技術を　どの業界で　何に使えば　どんなでかい問題を解決して、それが金になるか　が重要なんだぜ☆」

「　Adobe はそれを　衣服のひらひらの計算　を　ディープ・ラーニングにやらせたわけだぜ☆
それで　動画制作作業の２０％ぐらい　衣服のひらひらをいじってたのを　動画制作作業の１～２％に抑えたんだろ☆　お得だぜ☆」

「　未来を予言しようと思ったんだが　疲れたんで　終わり☆」

「　なんか　予言して終われだぜ☆」

「　入力に対して　物理演算で　衣服の計算をするやつもいれば、　もっと誇張したいクリエイターもいるだろ☆
どんな　トレーニング・データ　で学習したかで　予測は変わるんだぜ☆
予測モデル を自分のエスパー能力で感じ取って ツールを使うやつとか　出てくるだろ☆」

「　コンピューターがはじき出すのは　正解ではなく　妥当な可能性の１つですからね」

「　Adobeの社員が　この予測モデル　でき悪いな……、先月に作った予測モデル採用したろ☆！　とか　やってそうだよな☆」

「　そこらへんの、自分の感性と、予測モデル の間をどう調整できるか　言語化されていて１０年は使えるとか、そういうユーザー側の方で
ツール制作者の方を縛る手法が　あるかどうかだよな☆　新しいツールが出るたびに　つまみを ぐいっといじる、とかでもいいけど☆」

「　ツールの熟練度の問題だろ☆　合う合わないもある☆」

「　2020年モデルが　一番　感性に合ってるから　2021年モデルは使わね☆！　とか　あると思うんだが☆　同じ味が出せね、みたいな☆
色覚検定みたいに　衣服の　ふわり感とは　とかの　標準団体ができるんじゃないか☆？」

「　じゃあ　ふわり感　２２０　で☆」

「　疲れたんでおわり☆」

＜おわり＞