要約
Pythonを実際に活用した企業の例を紹介することで、Pythonがどのような用途に活用されているのかを具体的に知ることができ、Pythonを学ぶ上でのモチベーション向上にもつながります。
以下、コード付きで2つの企業を紹介します。
詳細内容
1. InstagramInstagramは毎日億単位の写真とビデオをホストしており、ユーザーには自分の写真やビデオを共有する機能があります。
しかし、この膨大な量の投稿から不正なコンテンツを検出することは困難でした。
そこで、InstagramはPythonを使用して、機械学習アルゴリズムを介して不正なコンテンツを自動的に検出および削除する方法を開発しました。
以下は、Instagramが使用したPythonコードの例です。
まず、画像を解析し、イメージの色、コントラスト、キャプションなどのメタデータを収集します。
その後、この情報を基に、不正なコンテンツを含む可能性がある投稿を特定します。
最後に、特定された投稿を人間のチームに送り、検査して削除するかどうかを判断するよう依頼します。
“`python
import cv2
import numpy as np
import pandas as pd#画像をロード
image_path = ‘image.png’
image = cv2.imread(image_path)#カラーを変換
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#イメージの明るさを調整
clahe = cv2.createCLAHE(clipLimit=10.0, tileGridSize=(8,8))
gray = clahe.apply(gray)#イメージをバイナリに変換
(thresh, binary) = cv2.threshold(gray, 180, 255, cv2.THRESH_BINARY)#不連続なイメージを削除
kernel = np.ones((10,10),np.uint8)
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
opening = cv2.morphologyEx(closing, cv2.MORPH_OPEN, kernel)
image_final = cv2.erode(opening,kernel,iterations=1)#画像からテキストを抽出して保存
filename = “{}.png”.format(os.getpid())
cv2.imwrite(filename, image_final)
img = Image.open(filename)text = pytesseract.image_to_string(img)
os.remove(filename)
“`Instagramは、このような技術を使用することで、急成長するプラットフォームを維持し、コンテンツフィルタリングシステムの開発・維持を支援しています。
2. GoogleGoogleはその多数のプロダクトとサービスの中で、さまざまなプログラム言語を使用していますが、Pythonもその中の一つです。
特に、機械学習、自然言語処理、Webアプリケーション開発などの分野で、Pythonを積極的に使用しています。
例えば、Googleは、TensorFlowという機械学習フレームワークをPythonで開発しており、その他の機械学習やデータサイエンス関連のプロジェクトも Pythonで作られることが多いです。
また、PythonのWebフレームワークDjangoを使用して、Googleが所有するサービスやアプリケーションの多くを作成しています。
以下は、Googleが開発したTensorFlowを使用したPythonコードの例です。
これは、画像分類アルゴリズムを構築するためのものです。
TensorFlowは、畳み込みニューラルネットワーク（CNN）と呼ばれる機械学習アルゴリズムを使用し、画像を解析して異常値を検出します。
“`python
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(“/tmp/data/”, one_hot = True)n_classes = 10
batch_size = 128x = tf.placeholder(‘float’, [None, 784])
y = tf.placeholder(‘float’)keep_rate = 0.8
keep_prob = tf.placeholder(tf.float32)def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding=’SAME’)def maxpool2d(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding=’SAME’)def convolutional_neural_network(x):
weights = {‘W_conv1’:tf.Variable(tf.random_normal([5,5,1,32])),
‘W_conv2’:tf.Variable(tf.random_normal([5,5,32,64])),
‘W_fc’:tf.Variable(tf.random_normal([7*7*64,1024])),
‘out’:tf.Variable(tf.random_normal([1024, n_classes]))} biases = {‘b_conv1’:tf.Variable(tf.random_normal([32])),
‘b_conv2’:tf.Variable(tf.random_normal([64])),
‘b_fc’:tf.Variable(tf.random_normal([1024])),
‘out’:tf.Variable(tf.random_normal([n_classes]))} x = tf.reshape(x, shape=[-1, 28, 28, 1]) conv1 = tf.nn.relu(conv2d(x, weights[‘W_conv1’]) + biases[‘b_conv1’])
conv1 = maxpool2d(conv1) conv2 = tf.nn.relu(conv2d(conv1, weights[‘W_conv2’]) + biases[‘b_conv2’])
conv2 = maxpool2d(conv2) fc = tf.reshape(conv2,[-1, 7*7*64])
fc = tf.nn.relu(tf.matmul(fc, weights[‘W_fc’])+biases[‘b_fc’])
fc = tf.nn.dropout(fc, keep_rate) output = tf.matmul(fc, weights[‘out’])+biases[‘out’] return outputdef train_neural_network(x):
prediction = convolutional_neural_network(x)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))
optimizer = tf.train.AdamOptimizer().minimize(cost) hm_epochs = 10
with tf.Session() as sess:
sess.run(tf.initialize_all_variables()) for epoch in range(hm_epochs):
epoch_loss = 0
for _ in range(int(mnist.train.num_examples/batch_size)):
epoch_x, epoch_y = mnist.train.next_batch(batch_size)
_, c = sess.run([optimizer, cost], feed_dict={x: epoch_x, y: epoch_y, keep_prob: keep_rate})
epoch_loss += c print(‘Epoch’, epoch+1, ‘completed out of’,hm_epochs,’loss:’,epoch_loss) correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1)) accuracy = tf.reduce_mean(tf.cast(correct, ‘float’))
print(‘Accuracy:’,accuracy.eval({x:mnist.test.images, y:mnist.test.labels, keep_prob: 1.0}))train_neural_network(x)
“`GoogleがPythonに投資した成果は多岐にわたります。
我々にとってもPythonは大変強力なツールとなっており、Googleの活躍によってますますその価値が増しています。
コメント