ハイ、年も明けまして、いよいよ明日にはジャンプが発売されますね。 今回は復習の意味でも前回の感想記事をお送りします! (いや、単に年末年始の記事更新が出来なかっただけです(^_^;) 更に今回もさらりと前半部分のみのダイジェスト記事で申し訳ない!) 前回ラストは鬼殺隊・柱がひとり、義勇さんが累の頸を一刀両断! 死に逝く前に累の過去回想となりました。 「体が弱かった」「生まれつきだ」 「走ったことがなかった」「歩くのでさえも苦しかった」 無惨様が現れるまでは 累は病弱だったようですが、その前に現れたの鬼舞辻無惨だったようです。 ……うーん? はっきり顔が描かれている訳ではありませんが、ちょっと以前登場した際とちょっと雰囲気が異なりますよね? 【鬼滅の刃】天国と地獄について【きめつのやいば】. この辺りにもなにか含む謎があるのでしょうか。あと累の前に現れたのはなにか意味があったのでしょうか? たまたま病弱な少年を鬼にしたら、たまたま十二鬼月になるような資質を持っていた?? 思わず疑問符の嵐です(^_^;) 「何てことをしたんだ」 「累…!! 」 鬼になった累は身近な人物(? )を殺害してしまったようです。 もちろん親として、人として、そのことを咎める累のお父さん。 母親は我が子が犯してしまった罪を前に、泣き崩れるばかりのようです。 「何故俺の親は俺を殺そうとするのか」 人だった頃の回想ゆえか、これまた累の父親の表情は明瞭ではありませんが、それでも断腸の思いで刃を握っていることが伺えます。鬼となって人を殺め、あまつさえ食べてしまう……。しかも激しい飢餓状態に陥る上に、人間だった頃の自我も失って行くようで、これはもう悲劇しか生みませんよね。うーん、鬼舞辻無惨は意識してそういう状況を生み出しているようですし、これはもう確かに混じりけ無しの諸悪の根源です(^_^;) はっと「何か」に気付いてしまった累。那田蜘蛛山では最後まで見せなかった表情です。 悔恨の念に駆られる累に、煽り吹き込む無惨サン。やっぱりちょっと雰囲気違う? 回想は終わり、いまの累は頸を落とされて倒れぬように歩くだけです。悔恨は続きます。 累の体から、大きな悲しみの匂いを感じる炭治郎。そっとその背中に手を伸ばします。 炭治郎の優しく温かく差し伸べられた手を目にし、はっきり全てを思い出した累……! 両親の逝き先とは違う地獄を覚悟する累。そこへ差し伸べられる、愛情に満ちた優しい手。 「全部僕が悪かったよう」 「ごめんなさい」 家族は地獄の業火のなかへ……!
アニメ「鬼滅の刃」観てますか?
いろいろと興味深い新情報が載っていましたが、一番衝撃的だったのは、青い彼岸花が咲いていた場所かな。 無惨さまは、竈門家を襲ったりせずに、道に迷ったフリでもして立ち寄って、「青い彼岸花って知らない?」って訊けばよかったのに。そうすれば、ヒノカミ神楽の継承者が鬼狩りになることもなく、目的のブツを手に入れることができたはず。 そうならなかったのは、日頃の悪業の報いなんだろうな、やっぱり。 ――この調子で新情報にコメントを付けていくと、大長文になるので、描き下ろしマンガに絞って思ったことを述べます。 吾峠先生の作品って、人として大事な部分に触れてきますね。 総括すると、そんな感想になりました。 掲載順どおりに行くと、最初は 『突撃!!
不死川玄弥死す 先に逝ってしまった弟。 死後のアレコレは一切なく、生きたままの涙腺を刺激するお別れである。 もう間違いなく兄の不死川玄弥も遠からず逝くでしょう。死んだ玄弥はこの世に留まる地縛霊みたいに兄とやり取りするのか、成仏前の「真っ暗な世界」で待ってるのか、一足先に天国(? )に行ってるのか気になります。 ・現世にいて現れる故人 ・真っ暗な世界で成仏してない故人 ・成仏して天国(地獄)で過ごす もうクライマックス(むしろ死後の世界があるので続けられそうでもあるが)の『鬼滅の刃』、これから情け容赦無くバンバン死にそうなので、死んだ後にキャラがどこに立ってるかというのも面白い見方かもね。まる。
『鬼滅の刃』179話:兄を想い弟を想い うわっ!まじか! ヤりやがった…。 けっこう重要人物がバンバン逝くことに定評のある『鬼滅の刃』だけど、それは兄(姉)とか先輩格が若輩者に託して逝くって思ってただけに、炭治郎の同期の不死川玄弥と柱とはいえ14歳の時透無一郎の死は衝撃が走ったわい。 玄弥の死に至るまでの過程、無一郎の死後の世界のやり取りがすこぶる泣けました。 吾峠呼世晴先生は本当に人を殺すのが上手い ですね(←言い方)。 2人とも満身ボロボロで、凄惨と言ってもいいような状態なのに、見事に2人の満足感と至福感を描いてるからヤバイ。なんて荘厳なシーンなんだろう。まるで「フランダースの犬」のラストシーンのような感動がありました。 『鬼滅の刃』の死後の世界って何なんだろ 現世に現れる死者 66話 『鬼滅の刃』は故人が登場することがけっこうあるのですが、大きく分けて2つの種類があります。一つは「あの世(? )」で登場する故人。このケースは重要キャラが死んだ後や死にそうになった時に現れます。もしくは死んだキャラがそのままあの世でやり取りしたり。 もう一つは現世に現れる故人である。炭治郎の母や弟妹、錆兎と真菰、煉獄さんのお母さん、胡蝶カナエ、猗窩座が人間だった時の奥さん…等。ただの深層意識なのか、現世に現れていたのか。後者なら、 まだ成仏してなかったからという解釈 も出来るので気になるマン。 錆兎と真菰、煉獄さんの母なんて深層真理とかいレベルでなく、 普通に現世に現れてた からね。現世に現れる故人ってのは成仏してない(できてない)って意味なのだろうか。猗窩座(狛治)の奥さんなんて現世に留まって死ぬの待ってた節すらありますからね。 154話 「もうやめにしましょう」「向こうに行きましょう」ってずーっと現世で成仏せずに旦那が死ぬの待ってたかのような言い回しでした。現世に現れる故人は成仏せずに留まってるように見える。 そういう意味で捉えると、煉獄さんのお母さんは旦那(最終決戦には参戦してる先代の炎柱)が死ぬのを現世で待ってるような気もしてくる。もしくは成仏してても現世に干渉できたか。 また、死ぬと「現世」とは別に「真っ黒な世界」がある。 そこが天国と地獄にも行っておらず、まだ成仏してない境目? 「きっと俺は地獄を見るだろう･･･」困難にぶつかったあなたに贈る「鬼滅の刃・竈門炭治郎」再起の名言 | 毎日が発見ネット. 「この世」と「あの世」の間? 163話 あ、やっと死にました?良かった。 これで私も安心して成仏できます。 『鬼滅の刃』では死後に真っ暗な世界がある様子。上弦の弐(童磨)や上弦の陸(妓夫太郎と堕姫)の死後に描かれていました。そこでしのぶちゃんは「これで私も安心して成仏できます」と意味深なこと言ってました。死んだのにまだ成仏してなかったんだ。 現世ではないけど成仏する前の世界って感じでしょうか。しのぶちゃんはこの真っ暗な世界で童磨が息絶えるの待ってました。やっと忌々しい姉の敵が死んだので成仏できると。 この 真っ暗な世界は「天国」と「地獄」の境目 に別れることが伺えます。童磨なんてしのぶちゃんを「俺と一緒に地獄へ行かない?」ってナンパして振られてましたし。妓夫太郎は妹の堕姫を(おそらく)天国へ行かせようとしていました。 97話 俺はこっとに行くから、お前は反対の方、明るい方へ行け 妓夫太郎と堕姫の兄妹の死後の真っ暗な世界のやり取りから察するに、「明るい方」というのが天国なのでしょうか。妹を天国へ行かせようとしたが兄妹揃って一緒に地獄へ向かって行ったのはグッとくるものがありました。 死後の成仏前に「真っ暗な世界」があり、そこが天国と地獄の境目になってる。この漫画に地獄の描写は今の所ないけど、明るいところって(多分)天国の描写はけっこうあります。 よく分からん死後の世界?
現在は第3次AIブームと呼ばれ、その主役は、ディープラーニング(深層学習)です。 ディープラーニングは、学習によって自動で特徴量を抽出できるため、大量のデータを入力さえすれば、勝手に賢くなると思われています。 そこで、一時は、大量の会話データを入力すれば、自動で会話できるようになるかと思われていましたが、実際は、そうはなりませんでした。 それでは、なぜ、ディープラーニングは、会話、自然言語処理に対応できないのでしょう?
情報抽出 最後に、自然言語から構造化された情報を抽出します(情報抽出)。 例えば、ある企業の社員情報を記録したデータベースに、社員番号、氏名、部署名、電子メールアドレスなどをフィールドや属性として持つレコードが格納されているとき、構造化されたデータは、コンピュータでそのまま処理できます。 4. 自然言語処理モデル「GPT-3」の紹介 | NTTデータ先端技術株式会社. 自然言語処理の8つの課題と解決策とは? ここからは上記の自然言語処理の流れにおいて使われている具体的な手法と、そこに何の課題があってどのような研究が進行中であるかを簡単に紹介します。 4-1. 固有表現抽出 「モノ」を認識する 日付・時間・金額表現などの固有表現を抽出する処理です。 例)「太郎は5月18日の朝9時に花子に会いに行った。」 あらかじめ固有表現の「辞書」を用意しておく 文中の単語をコンピュータがその辞書と照合する 文中のどの部分がどのような固有表現かをHTMLのようにタグ付けする
太郎 は5月18日 のに花子 に会いに行った。 人名:太郎、花子 日付:5月18日 時間:朝9時 抽出された固有表現だけを見ると「5月18日の朝9時に、太郎と花子に関係する何かが起きた」と推測できます。 ただし、例えば「宮崎」という表現は、地名にも人名にもなり得るので、単に文中に現れた「宮崎」だけを見ても、それが地名なのか人名なのかを判断することはできません。 また新語などが常に現れ続けるので、常に辞書をメンテナンスする必要があり、辞書の保守性が課題となっています。 しかし、近年では、機械学習の枠組みを使って「後続の単語が『さん』であれば、前の単語は『人名』である」といった関係性を自動的に獲得しています。 複数の形態素にまたがる複雑な固有表現の認識も可能となっており、ここから多くの関係性を取得し利用する技術が研究されています。 4-2. 述語項構造解析 「コト」を認識する 名詞と述語の関係を解析する(同じ述語であっても使われ方によって意味は全く異なるため) 例)私が彼を病院に連れていく 「私が」「彼を」「病院に」「連れて行く」の4つの文節に分け、前の3つの文節が「連れて行く」に係っている。 また、「連れて行く」という出来事に対して前の3つの文節が情報を付け足すという構造になっている。 「私」+「が」→ 主体:私 「彼」+「を」→ 対象:彼 「病院」+「に」→ 場所:病院 日本語では助詞「が」「に」「を」によって名詞の持つ役割を表すことが多く、「連れて行く」という動作に対して「動作主は何か」「その対象は何か」「場所は」といった述語に対する項の意味的な関係を各動詞に対して付与する研究が進められています。 4-3.
出力ラベルと正解の差 ノードの誤差を計算 y = y t 43. 自分が情報を伝えた先の 誤差が伝播してくる z = WT 2 yf (az) 44. 自分の影響で上で発生した誤差 45. 重みの勾配を計算 ⾃自分が上に伝えた 情報で発⽣生した誤差 En = yzT = zxT 46. 47. 48. Update parameters 正解t 重みの更新 W1 = W1 W2 = W2 49. -Gradient Descent -Stochastic Gradient Descent -SGD with mini-batch 修正するタイミングの違い 50. の処理まとめ 51. 入力から予測 52. 正解t 誤差と勾配を計算 53. 正解t 勾配方向へ重み更新 54. ちなみにAutoencoder Neural Networkの特殊系 1. 入力と出力の次元が同じ 2. 教師信号が入力そのもの 入力を圧縮※1して復元 ※1 圧縮(隠れ層が入力層より少ない)でなくても,適切に正則化すればうまくいく 55. Autoencoder 56. マルチラベリングのケースに該当 画像の場合,各画素(ユニット)ごとに 明るさ(0. 0:黒, 1. 0:白)を判定するため 57. Autoencoderの学習するもの 58. Denoising Autoencoder add noise denoise 正則化法の一つ,再構築+ノイズの除去 59. 60. Deepになると? 絶対に超えられないディープラーニング（深層学習）の限界 – AIに意識を・・・ 汎用人工知能に心を・・・ ロボマインド・プロジェクト. many figures from eet/courses/cifarSchool09/ 61. 仕組み的には同じ 隠れ層が増えただけ 62. 問題は初期化 NNのパラメータ 初期値は乱数 多層(Deep)になってもOK? 63. 乱数だとうまくいかない NNはかなり複雑な変化をする関数なので 悪い局所解にいっちゃう Learning Deep Architectures for AI (2009) 64. NN自体が表現力高いので 上位二層分のNNだけで訓練データを 再現するには事足りちゃう ただしそれは汎化能力なし 過学習 inputのランダムな写像だが, inputの情報は保存している Greedy Layer-Wise Training of Deep Networks [Bengio+, 2007] 65.
自然言語処理とディープラーニングの関係 2. 自然言語処理の限界 1.