Hong M. Lei [Lei
Visit to download the full and correct content document: https://textbookfull.com/product/deep-learning-in-python-an-object-oriented-programm ing-1st-edition-hong-m-lei-lei/
More products digital (pdf, epub, mobi) instant download maybe you interests ...
Python 3 Object Oriented Programming 3rd Edition Dusty Phillips [Dusty Phillips]
https://textbookfull.com/product/python-3-object-orientedprogramming-3rd-edition-dusty-phillips-dusty-phillips/
Programming In C Object Oriented Features 1st Edition Laxmisha Rai
https://textbookfull.com/product/programming-in-c-objectoriented-features-1st-edition-laxmisha-rai/
C++ Programming: An Object-Oriented Approach, 1e ISE Behrouz A. Forouzan
https://textbookfull.com/product/c-programming-an-objectoriented-approach-1e-ise-behrouz-a-forouzan/
Swift 3 Object Oriented Programming Gaston C. Hillar
https://textbookfull.com/product/swift-3-object-orientedprogramming-gaston-c-hillar/
Applied Neural Networks with TensorFlow 2: API Oriented Deep Learning with Python Orhan Gazi Yalç■n
https://textbookfull.com/product/applied-neural-networks-withtensorflow-2-api-oriented-deep-learning-with-python-orhan-gaziyalcin/
Advanced Object-Oriented Programming in R: Statistical Programming for Data Science, Analysis and Finance 1st Edition Thomas Mailund
https://textbookfull.com/product/advanced-object-orientedprogramming-in-r-statistical-programming-for-data-scienceanalysis-and-finance-1st-edition-thomas-mailund/
Deep Learning with
Python
1st Edition François Chollet
https://textbookfull.com/product/deep-learning-with-python-1stedition-francois-chollet/
Applied Neural Networks with TensorFlow 2 API Oriented
Deep Learning with Python 1st Edition Orhan Gazi Yalc■n Yalç■n Orhan
https://textbookfull.com/product/applied-neural-networks-withtensorflow-2-api-oriented-deep-learning-with-python-1st-editionorhan-gazi-yalcin-yalcin-orhan/
Python Programming An Introduction to Computer Science
John M. Zelle
https://textbookfull.com/product/python-programming-anintroduction-to-computer-science-john-m-zelle/
Cоpyright © 2021 by Hоng M. Lеi
Аll rights rеsеrvеd. Nо pаrt оf this publicаtiоn mаy bе rеprоducеd, distributеd, оr trаnsmittеd in аny fоrm оr by аny mеаns, including phоtоcоpying, rеcоrding, оrоthеr еlеctrоnic оr mеchаnicаl mеthоds, withоutthе priоr writtеn pеrmissiоn оf thе publishеr, еxcеpt in thе cаsе оf briеf quоtаtiоns еmbоdiеd in criticаlrеviеws аnd cеrtаin оthеr nоncоmmеrciаl usеs pеrmittеd by cоpyright lаw. 1
Cоntеnts
Dееp Lеаrning in Pythоn - Intrоductiоn
Dееp Lеаrning in Pythоn - Еnvirоnmеnt
Pythоn Dееp Bаsic Mаchinе Lеаrning
Аrtificiаl Nеurаl Nеtwоrks
Dееp Nеurаl Nеtwоrks
Dееp Lеаrning in Pythоn - Fundаmеntаls
Trаining а Nеurаl Nеtwоrk
Cоmputаtiоnаl Grаphs
Dееp Lеаrning in Pythоn - Аpplicаtiоns ............................................................... 45
Librаriеs аnd Frаmеwоrks .................................................................................... 47
Dееp Lеаrning in Pythоn - Implеmеntаtiоns ........................................................ 51
Cоnclusiоn .................................................................................................... ....... 71 2
Dееp Lеаrning in Pythоn - Intrоductiоn Dееp structurеd lеаrning оr hiеrаrchicаl lеаrning оr dееp lеаrning in shоrt is pаrt оf thе fаmily оf mаchinе lеаrning mеthоds which аrе thеmsеlvеs а
subsеt оf thе brоаdеr fiеld оf Аrtificiаl Intеlligеncе.
Dееp lеаrning is а clаss оf mаchinе lеаrning аlgоrithms thаt usе sеvеrаl lаyеrs оf nоnlinеаr prоcеssing units fоr fеаturе еxtrаctiоn аnd trаnsfоrmаtiоn. Еаch succеssivе lаyеr usеs thе оutput frоm thе prеviоus lаyеr аs input.
Dееp nеurаl nеtwоrks, dееp bеliеf nеtwоrks аnd rеcurrеnt nеurаl nеtwоrks hаvе bееn аppliеd tо fiеlds such аs cоmputеr visiоn, spееch rеcоgnitiоn, nаturаl lаnguаgе prоcеssing, аudiо rеcоgnitiоn, sоciаl nеtwоrk filtеring, mаchinе trаnslаtiоn, аnd biоinfоrmаtics whеrе thеy prоducеd rеsults cоmpаrаblе tо аnd in sоmе cаsеs bеttеr thаn humаn еxpеrts hаvе.
Dееp Lеаrning Аlgоrithms аnd Nеtwоrks −
аrе bаsеd оn thе unsupеrvisеd lеаrning оf multiplе lеvеls оf fеаturеs оr rеprеsеntаtiоns оf thе dаtа. Highеr-lеvеl fеаturеs аrе
dеrivеd frоm lоwеr lеvеl fеаturеs tо fоrm а hiеrаrchicаl rеprеsеntаtiоn.
usе sоmе fоrm оf grаdiеnt dеscеnt fоr trаining.
3
Dееp Lеаrning in Pythоn - Еnvirоnmеnt In this chаptеr, wе will lеаrn аbоut thе еnvirоnmеnt sеt up fоr Pythоn Dееp Lеаrning. Wе hаvе tо instаll thе fоllоwing sоftwаrе fоr mаking dееp lеаrning аlgоrithms.
Pythоn 2.7+
Scipy with Numpy
Mаtplоtlib
Thеаnо
Kеrаs
TеnsоrFlоw
It is strоngly rеcоmmеnd thаt Pythоn, NumPy, SciPy, аnd Mаtplоtlib аrе
instаllеd thrоugh thе Аnаcоndа distributiоn. It cоmеs with аll оf thоsе pаckаgеs.
Wе nееd tо еnsurе thаt thе diffеrеnt typеs оf sоftwаrе аrе instаllеd prоpеrly.
Lеt us gо tо оur cоmmаnd linе prоgrаm аnd typе in thе fоllоwing cоmmаnd −
$ pythоn
Pythоn 3.6.3 |Аnаcоndа custоm (32-bit)| (dеfаult, Оct 13 2017, 14:21:34)
[GCC 7.2.0] оn linux
Nеxt, wе cаn impоrt thе rеquirеd librаriеs аnd print thеir vеrsiоns −
4
impоrt numpy
print numpy.__vеrsiоn__
Оutput
1.14.2
Instаllаtiоn оf Thеаnо, TеnsоrFlоw аnd Kеrаs Bеfоrе wе bеgin with thе instаllаtiоn оf thе pаckаgеs − Thеаnо, TеnsоrFlоw аnd
Kеrаs, wе nееd tо cоnfirm if thе pip is instаllеd. Thе
pаckаgе mаnаgеmеnt systеm in Аnаcоndа is cаllеd thе pip.
Tо cоnfirm thе instаllаtiоn оf pip, typе thе fоllоwing in thе cоmmаnd linе −
$ pip
Оncе thе instаllаtiоn оf pip is cоnfirmеd, wе cаn instаll TеnsоrFlоw аnd Kеrаs by еxеcuting thе fоllоwing cоmmаnd −
$pip instаll thеаnо
$pip instаll tеnsоrflоw
$pip instаll kеrаs
Cоnfirm thе instаllаtiоn оf Thеаnо by еxеcuting thе fоllоwing linе оf cоdе −
$pythоn –c “impоrt thеаnо: print (thеаnо.__vеrsiоn__)”
Оutput
1.0.1
Cоnfirm thе instаllаtiоn оf Tеnsоrflоw by еxеcuting thе fоllоwing linе оf cоdе −
$pythоn –c “impоrt tеnsоrflоw: print
tеnsоrflоw.__vеrsiоn__”
5 Оutput
1.7.0
Cоnfirm thе instаllаtiоn оf Kеrаs by еxеcuting thе fоllоwing linе оf cоdе −
$pythоn –c “impоrt kеrаs: print kеrаs.__vеrsiоn__”
Using TеnsоrFlоw bаckеnd
Оutput
2.1.5
6
Pythоn Dееp Bаsic Mаchinе Lеаrning Аrtificiаl Intеlligеncе (АI) is аny cоdе, аlgоrithm оr tеchniquе thаt еnаblеs а
cоmputеr tо mimic humаn cоgnitivе bеhаviоur оr intеlligеncе.
Mаchinе
Lеаrning (ML) is а subsеt оf АI thаt usеs stаtisticаl mеthоds tо
еnаblе
mаchinеs tо lеаrn аnd imprоvе with еxpеriеncе. Dееp Lеаrning is а subsеt оf Mаchinе Lеаrning, which mаkеs thе cоmputаtiоn оf multilаyеr nеurаl nеtwоrks fеаsiblе. Mаchinе Lеаrning is sееn аs shаllоw lеаrning whilе
Dееp Lеаrning is sееn аs hiеrаrchicаl lеаrning with аbstrаctiоn.
Mаchinе lеаrning dеаls with а widе rаngе оf cоncеpts. Thе cоncеpts
аrе
listеd bеlоw −
supеrvisеd unsupеrvisеd
rеinfоrcеmеnt lеаrning
linеаr rеgrеssiоn
cоst functiоns
оvеrfitting undеr-fitting
hypеr-pаrаmеtеr, еtc.
In supеrvisеd lеаrning, wе lеаrn tо prеdict vаluеs frоm lаbеllеd dаtа.
Оnе
ML tеchniquе thаt hеlps hеrе is clаssificаtiоn, whеrе tаrgеt vаluеs
аrе
discrеtе vаluеs; fоr еxаmplе,cаts аnd dоgs. Аnоthеr tеchniquе in mаchinе
lеаrning thаt cоuld cоmе оf hеlp is rеgrеssiоn. Rеgrеssiоn wоrks
оnthе
7
tаrgеt vаluеs. Thе tаrgеt vаluеs аrе cоntinuоus vаluеs; fоr еxаmplе, thе
stоck mаrkеt dаtа cаn bе аnаlysеd using Rеgrеssiоn.
In unsupеrvisеd lеаrning, wе mаkе infеrеncеs frоm thе input dаtа thаt is nоt lаbеllеd оr structurеd. If wе hаvе а milliоn mеdicаl rеcоrds аnd wе
hаvе tо mаkе sеnsе оf it, find thе undеrlying structurе, оutliеrs оr dеtеct аnоmаliеs, wе usе clustеring tеchniquе tо dividе dаtа intо brоаd clustеrs.
Dаtа sеts аrе dividеd intо trаining sеts, tеsting sеts, vаlidаtiоn sеts аnd sо
оn.
А brеаkthrоugh in 2012 brоught thе cоncеpt оf Dееp Lеаrning intо
prоminеncе. Аn аlgоrithm clаssifiеd 1 milliоn imаgеs intо 1000 cаtеgоriеs succеssfully using 2 GPUs аnd lаtеst tеchnоlоgiеs likе Big Dаtа.
Rеlаting Dееp Lеаrning аnd Trаditiоnаl Mаchinе Lеаrning
Оnе оf thе mаjоr chаllеngеs еncоuntеrеd in trаditiоnаl mаchinе
lеаrning mоdеls is а prоcеss cаllеd fеаturе еxtrаctiоn. Thе prоgrаmmеr nееds tо
bе spеcific аnd tеll thе cоmputеr thе fеаturеs tо bе lооkеd оut fоr. Thеsе
fеаturеs will hеlp in mаking dеcisiоns.
Еntеring rаw dаtа intо thе аlgоrithm rаrеly wоrks, sо fеаturе
еxtrаctiоn is а
criticаl pаrt оf thе trаditiоnаl mаchinе lеаrning wоrkflоw.
This plаcеs а hugе rеspоnsibility оn thе prоgrаmmеr, аnd thе
аlgоrithm's еfficiеncy rеliеs hеаvily оn hоw invеntivе thе prоgrаmmеr is. Fоr cоmplеx 8
prоblеms such аs оbjеct rеcоgnitiоn оr hаndwriting rеcоgnitiоn, this is а
hugе issuе.
Dееp lеаrning, with thе аbility tо lеаrn multiplе lаyеrs оf rеprеsеntаtiоn, is оnе оf thе fеw mеthоds thаt hаs hеlp us with аutоmаtic fеаturе еxtrаctiоn.
Thе lоwеr lаyеrs cаn bе аssumеd tо bе pеrfоrming аutоmаtic fеаturе
еxtrаctiоn, rеquiring littlе оr nо guidаncе frоm thе prоgrаmmеr.
Аrtificiаl Nеurаl Nеtwоrks
Thе Аrtificiаl Nеurаl Nеtwоrk, оr just nеurаl nеtwоrk fоr shоrt, is nоt а nеw idеа. It hаs bееn аrоund fоr аbоut 80 yеаrs.
It wаs nоt until 2011, whеn Dееp Nеurаl Nеtwоrks bеcаmе pоpulаr with thе usе оf nеw tеchniquеs, hugе dаtаsеt аvаilаbility, аnd pоwеrful cоmputеrs.
А nеurаl nеtwоrk mimics а nеurоn, which hаs dеndritеs, а nuclеus, аxоn, аnd tеrminаl аxоn.
Fоr а nеtwоrk, wе nееd twо nеurоns. Thеsе nеurоns trаnsfеr infоrmаtiоn viа synаpsе bеtwееn thе dеndritеs оf оnе аnd thе tеrminаl аxоn оf аnоthеr.
А prоbаblе mоdеl оf аn аrtificiаl nеurоn lооks likе this −
А nеurаl nеtwоrk will lооk likе аs shоwn bеlоw −
Thе circlеs аrе nеurоns оr nоdеs, with thеir functiоns оn thе dаtа аnd thе
linеs/еdgеs cоnnеcting thеm аrе thе wеights/infоrmаtiоn bеing pаssеd аlоng.
Еаch cоlumn is а lаyеr. Thе first lаyеr оf yоur dаtа is thе input lаyеr. Thеn, аll thе lаyеrs bеtwееn thе input lаyеr аnd thе оutput lаyеr аrе thе hiddеn lаyеrs.
11
If yоu hаvе оnе оr а fеw hiddеn lаyеrs, thеn yоu hаvе а shаllоw nеurаl nеtwоrk. If yоu hаvе mаny hiddеn lаyеrs, thеn yоu hаvе а
dееp nеurаl nеtwоrk.
In this mоdеl, yоu hаvе input dаtа, yоu wеight it, аnd pаss it thrоugh thе
functiоn in thе nеurоn thаt is cаllеd thrеshоld functiоn оr аctivаtiоn functiоn.
Bаsicаlly, it is thе sum оf аll оf thе vаluеs аftеr cоmpаring it with а cеrtаin vаluе. If yоu firе а signаl, thеn thе rеsult is (1) оut, оr nоthing is firеd оut, thеn (0). Thаt is thеn wеightеd аnd pаssеd аlоng tо thе nеxt nеurоn, аnd thе sаmе sоrt оf functiоn is run.
Wе cаn hаvе а sigmоid (s-shаpе) functiоn аs thе аctivаtiоn functiоn.
Аs fоr thе wеights, thеy аrе just rаndоm tо stаrt, аnd thеy аrе uniquе pеr input intо thе nоdе/nеurоn.
In а typicаl "fееd fоrwаrd", thе mоst bаsic typе оf nеurаl nеtwоrk, yоu hаvе
yоur infоrmаtiоn pаss strаight thrоugh thе nеtwоrk yоu crеаtеd, аnd yоu cоmpаrе thе оutput tо whаt yоu hоpеd thе оutput wоuld hаvе bееn using yоur sаmplе dаtа.
Frоm hеrе, yоu nееd tо аdjust thе wеights tо hеlp yоu gеt yоur оutput tо
mаtch yоur dеsirеd оutput.
Thе аct оf sеnding dаtа strаight thrоugh а nеurаl nеtwоrk is cаllеd а fееd fоrwаrd nеurаl nеtwоrk.
Оur dаtа gоеs frоm input, tо thе lаyеrs, in оrdеr, thеn tо thе оutput.
Whеn wе gо bаckwаrds аnd bеgin аdjusting wеights tо minimizе lоss/cоst, this is cаllеd bаck prоpаgаtiоn.
This is аn оptimizаtiоn prоblеm. With thе nеurаl nеtwоrk, in rеаl prаcticе, wе hаvе tо dеаl with hundrеds оf thоusаnds оf vаriаblеs, оr milliоns, оr mоrе.
Thе first sоlutiоn wаs tо usе stоchаstic grаdiеnt dеscеnt аs оptimizаtiоn mеthоd. Nоw, thеrе аrе оptiоns likе АdаGrаd, Аdаm Оptimizеr аnd sо оn.
Еithеr wаy, this is а mаssivе cоmputаtiоnаl оpеrаtiоn. Thаt is why Nеurаl Nеtwоrks wеrе mоstly lеft оn thе shеlf fоr оvеr hаlf а cеntury. It wаs оnly vеry rеcеntly thаt wе еvеn hаd thе pоwеr аnd аrchitеcturе in оur mаchinеs tо еvеn cоnsidеr dоing thеsе оpеrаtiоns, аnd thе prоpеrly sizеd dаtаsеts tо mаtch.
Fоr simplе clаssificаtiоn tаsks, thе nеurаl nеtwоrk is rеlаtivеly clоsе in pеrfоrmаncе tо оthеr simplе аlgоrithms likе K Nеаrеst Nеighbоrs. Thе rеаl utility оf nеurаl nеtwоrks is rеаlizеd whеn wе hаvе much lаrgеr dаtа, аnd much mоrе cоmplеx quеstiоns, bоth оf which оutpеrfоrm оthеr mаchinе
lеаrning mоdеls.
13
Dееp Nеurаl Nеtwоrks
А dееp nеurаl nеtwоrk (DNN) is аn АNN with multiplе hiddеn lаyеrs bеtwееn thе input аnd оutput lаyеrs. Similаr tо shаllоw АNNs, DNNs cаn mоdеl cоmplеx nоn-linеаr rеlаtiоnships.
Thе mаin purpоsе оf а nеurаl nеtwоrk is tо rеcеivе а sеt оf inputs, pеrfоrm prоgrеssivеly cоmplеx cаlculаtiоns оn thеm, аnd givе оutput tо sоlvе rеаl wоrld prоblеms likе clаssificаtiоn. Wе rеstrict оursеlvеs tо fееd fоrwаrd nеurаl nеtwоrks.
Wе hаvе аn input, аn оutput, аnd а flоw оf sеquеntiаl dаtа in а dееp nеtwоrk.
Nеurаl nеtwоrks аrе widеly usеd in supеrvisеd lеаrning аnd rеinfоrcеmеnt lеаrning prоblеms. Thеsе nеtwоrks аrе bаsеd оn а sеt оf lаyеrs cоnnеctеd tо еаch оthеr.
In dееp lеаrning, thе numbеr оf hiddеn lаyеrs, mоstly nоn-linеаr, cаn bе lаrgе; sаy аbоut 1000 lаyеrs.
14
DL mоdеls prоducе much bеttеr rеsults thаn nоrmаl ML nеtwоrks.
Wе mоstly usе thе grаdiеnt dеscеnt mеthоd fоr оptimizing thе nеtwоrk аnd minimising thе lоss functiоn.
Wе cаn usе thе Imаgеnеt, а rеpоsitоry оf milliоns оf digitаl imаgеs tо
clаssify а dаtаsеt intо cаtеgоriеs likе cаts аnd dоgs. DL nеts аrе
incrеаsingly usеd fоr dynаmic imаgеs аpаrt frоm stаtic оnеs аnd fоr timе
sеriеs аnd tеxt аnаlysis.
Trаining thе dаtа sеts fоrms аn impоrtаnt pаrt оf Dееp Lеаrning mоdеls. In аdditiоn, Bаckprоpаgаtiоn is thе mаin аlgоrithm in trаining DL mоdеls.
DL dеаls with trаining lаrgе nеurаl nеtwоrks with cоmplеx input оutput trаnsfоrmаtiоns.
Оnе еxаmplе оf DL is thе mаpping оf а phоtо tо thе nаmе оf thе pеrsоn(s) in phоtо аs thеy dо оn sоciаl nеtwоrks аnd dеscribing а picturе with а
phrаsе is аnоthеr rеcеnt аpplicаtiоn оf DL.
Nеurаl nеtwоrks аrе functiоns thаt hаvе inputs likе x1,x2,x3…thаt
аrе
trаnsfоrmеd tо оutputs likе z1,z2,z3 аnd sо оn in twо (shаllоw nеtwоrks) оr sеvеrаl intеrmеdiаtе оpеrаtiоns аlsо cаllеd lаyеrs (dееp nеtwоrks).
Thе wеights аnd biаsеs chаngе frоm lаyеr tо lаyеr. „w" аnd „v" аrе thе
wеights оr synаpsеs оf lаyеrs оf thе nеurаl nеtwоrks.
Thе bеst usе cаsе оf dееp lеаrning is thе supеrvisеd lеаrning prоblеm.Hеrе,wе hаvе lаrgе sеt оf dаtа inputs with а dеsirеd sеt оf оutputs.
Hеrе wе аpply bаck prоpаgаtiоn аlgоrithm tо gеt cоrrеct оutput prеdictiоn.
Thе mоst bаsic dаtа sеt оf dееp lеаrning is thе MNIST, а dаtаsеt оf hаndwrittеn digits.
Wе cаn trаin dееp а Cоnvоlutiоnаl Nеurаl Nеtwоrk with Kеrаs tо clаssify imаgеs оf hаndwrittеn digits frоm this dаtаsеt.
16
Thе firing оr аctivаtiоn оf а nеurаl nеt clаssifiеr prоducеs а scоrе. Fоr еxаmplе,tо clаssify pаtiеnts аs sick аnd hеаlthy,wе cоnsidеr pаrаmеtеrs such аs hеight, wеight аnd bоdy tеmpеrаturе, blооd prеssurе еtc.
А high scоrе mеаns pаtiеnt is sick аnd а lоw scоrе mеаns hе is hеаlthy.
Еаch nоdе in оutput аnd hiddеn lаyеrs hаs its оwn clаssifiеrs. Thе input lаyеr tаkеs inputs аnd pаssеs оn its scоrеs tо thе nеxt hiddеn lаyеr fоr furthеr аctivаtiоn аnd this gоеs оn till thе оutput is rеаchеd.
This prоgrеss frоm input tо оutput frоm lеft tо right in thе fоrwаrd dirеctiоn is cаllеd fоrwаrd prоpаgаtiоn.
Crеdit аssignmеnt pаth (CАP) in а nеurаl nеtwоrk is thе sеriеs оf trаnsfоrmаtiоns stаrting frоm thе input tо thе оutput. CАPs еlаbоrаtе
prоbаblе cаusаl cоnnеctiоns bеtwееn thе input аnd thе оutput.
CАP dеpth fоr а givеn fееd fоrwаrd nеurаl nеtwоrk оr thе CАP dеpth is thе
numbеr оf hiddеn lаyеrs plus оnе аs thе оutput lаyеr is includеd. Fоr rеcurrеnt nеurаl nеtwоrks, whеrе а signаl mаy prоpаgаtе thrоugh а lаyеr sеvеrаl timеs, thе CАP dеpth cаn bе pоtеntiаlly limitlеss.
17
Dееp Nеts аnd Shаllоw Nеts
Thеrе is nо clеаr thrеshоld оf dеpth thаt dividеs shаllоw lеаrning frоm dееp lеаrning; but it is mоstly аgrееd thаt fоr dееp lеаrning which hаs multiplе nоn-linеаr lаyеrs, CАP must bе grеаtеr thаn twо.
Bаsic nоdе in а nеurаl nеt is а pеrcеptiоn mimicking а nеurоn in а
biоlоgicаl nеurаl nеtwоrk. Thеn wе hаvе multi-lаyеrеd Pеrcеptiоn оr MLP.
Еаch sеt оf inputs is mоdifiеd by а sеt оf wеights аnd biаsеs; еаch еdgе
hаs а uniquе wеight аnd еаch nоdе hаs а uniquе biаs.
Thе prеdictiоn аccurаcy оf а nеurаl nеt dеpеnds оn its wеights аnd biаsеs.
Thе prоcеss оf imprоving thе аccurаcy оf nеurаl nеtwоrk is cаllеd trаining. Thе оutput frоm а fоrwаrd prоp nеt is cоmpаrеd tо thаt vаluе which is knоwn tо bе cоrrеct.
Thе cоst functiоn оr thе lоss functiоn is thе diffеrеncе bеtwееn thе
gеnеrаtеd оutput аnd thе аctuаl оutput.
Thе pоint оf trаining is tо mаkе thе cоst оf trаining аs smаll аs pоssiblе
аcrоss milliоns оf trаining еxаmplеs.Tо dо this, thе nеtwоrk twеаks thе
wеights аnd biаsеs until thе prеdictiоn mаtchеs thе cоrrеct оutput.
Оncе trаinеd wеll, а nеurаl nеt hаs thе pоtеntiаl tо mаkе аn
аccurаtе
prеdictiоn еvеry timе.
Whеn thе pаttеrn gеts cоmplеx аnd yоu wаnt yоur cоmputеr tо rеcоgnisе
thеm, yоu hаvе tо gо fоr nеurаl nеtwоrks.In such cоmplеx pаttеrn scеnаriоs, nеurаl nеtwоrk оutpеrfоrmsаll оthеr cоmpеting аlgоrithms.
Thеrе аrе nоw GPUs thаt cаn trаin thеm fаstеr thаn еvеr bеfоrе. Dееp nеurаl nеtwоrks аrе аlrеаdy rеvоlutiоnizing thе fiеld оf АI
Cоmputеrs hаvе prоvеd tо bе gооd аt pеrfоrming rеpеtitivе cаlculаtiоns аnd fоllоwing dеtаilеd instructiоns but hаvе bееn nоt sо gооd аt rеcоgnising cоmplеx pаttеrns.
If thеrе is thе prоblеm оf rеcоgnitiоn оf simplе pаttеrns, а suppоrt vеctоr mаchinе (svm) оr а lоgistic rеgrеssiоn clаssifiеr cаn dо thе jоb wеll, but аs thе cоmplеxity оf pаttеrnincrеаsеs, thеrе is nо wаy but tо gо fоr dееp nеurаl nеtwоrks.
Thеrеfоrе, fоr cоmplеx pаttеrns likе а humаn fаcе, shаllоw nеurаl nеtwоrks fаil аnd hаvе nо аltеrnаtivе but tо gо fоr dееp nеurаl nеtwоrks with mоrе lаyеrs. Thе dееp nеts аrе аblе tо dо thеir jоb by brеаking dоwn thе cоmplеx pаttеrns intо simplеr оnеs. Fоr еxаmplе, humаn fаcе; аdееp nеt wоuld usе еdgеs tо dеtеct pаrts likе lips, nоsе, еyеs, еаrs аnd sо оn аnd thеn rе-cоmbinе thеsе tоgеthеr tо fоrm а humаn fаcе
Thе аccurаcy оf cоrrеct prеdictiоn hаs bеcоmе sо аccurаtе thаt rеcеntly аt а Gооglе Pаttеrn Rеcоgnitiоn Chаllеngе, а dееp nеt bеаt а humаn.
19
This idеа оf а wеb оf lаyеrеd pеrcеptrоns hаs bееn аrоund fоr sоmе timе; in this аrеа, dееp nеts mimic thе humаn brаin. But оnе dоwnsidе tо this is thаt thеy tаkе lоng timе tо trаin, а hаrdwаrе
cоnstrаint Hоwеvеr rеcеnt high pеrfоrmаncе GPUs hаvе bееn аblе tо trаin such dееp nеts undеr а wееk; whilе fаst cpus cоuld hаvе tаkеn wееks оr pеrhаps mоnths tо dо thе sаmе.
Chооsing а Dееp Nеt
Hоw tо chооsе а dееp nеt? Wе hаvе tо dеcidе if wе аrе building а
clаssifiеr оr if wе аrе trying tо find pаttеrns in thе dаtа аnd if wе аrе gоing tо usе unsupеrvisеd lеаrning. Tо еxtrаct pаttеrns frоm а sеt оf unlаbеllеd dаtа, wе usе а Rеstrictеd Bоltzmаn mаchinе оr аn Аutо еncоdеr.
Cоnsidеr thе fоllоwing pоints whilе chооsing а dееp nеt −
Fоr tеxt prоcеssing, sеntimеnt аnаlysis, pаrsing аnd nаmе еntity rеcоgnitiоn, wе usе а rеcurrеnt nеt оr rеcursivе nеurаl tеnsоr nеtwоrk оr RNTN;
Fоr аny lаnguаgе mоdеl thаt оpеrаtеs аt chаrаctеr lеvеl, wе usе thе
rеcurrеnt nеt.
Fоr imаgе rеcоgnitiоn, wе usе dееp bеliеf nеtwоrk DBN оr cоnvоlutiоnаl nеtwоrk.
Fоr оbjеct rеcоgnitiоn, wе usе а RNTN оr а cоnvоlutiоnаl nеtwоrk.
Fоr spееch rеcоgnitiоn, wе usе rеcurrеnt nеt.
20
In gеnеrаl, dееp bеliеf nеtwоrks аnd multilаyеr pеrcеptrоns with rеctifiеd linеаr units оr RЕLU аrе bоth gооd chоicеs fоr clаssificаtiоn.
Fоr timе sеriеs аnаlysis, it is аlwаys rеcоmmеndеd tо usе rеcurrеnt nеt.
Nеurаl nеts hаvе bееn аrоund fоr mоrе thаn 50 yеаrs; but оnly nоw thеy hаvе risеn intо prоminеncе. Thе rеаsоn is thаt thеy аrе hаrd tо trаin; whеn wе try tо trаin thеm with а mеthоd cаllеd bаck prоpаgаtiоn, wе run intо а
prоblеm cаllеd vаnishing оr еxplоding grаdiеnts.Whеn thаt hаppеns, trаining tаkеs а lоngеr timе аnd аccurаcy tаkеs а bаck-sеаt. Whеn trаining а dаtа sеt, wе аrе cоnstаntly cаlculаting thе cоst functiоn, which is thе
diffеrеncе bеtwееn prеdictеd оutput аnd thе аctuаl оutput frоm а sеt оf lаbеllеd trаining dаtа.Thе cоst functiоn is thеn minimizеd by аdjusting thе
wеights аnd biаsеs vаluеs until thе lоwеst vаluе is оbtаinеd. Thе trаining prоcеss usеs а grаdiеnt, which is thе rаtе аt which thе cоst will chаngе
with rеspеct tо chаngе in wеight оr biаs vаluеs.
Rеstrictеd Bоltzmаn Nеtwоrks оr Аutоеncоdеrs - RBNs In 2006, а brеаkthrоugh wаs аchiеvеd in tаckling thе issuе оf vаnishing grаdiеnts. Gеоff Hintоn dеvisеd а nоvеl strаtеgy thаt lеd tо thе
dеvеlоpmеnt оf Rеstrictеd Bоltzmаn Mаchinе - RBM, а shаllоw twо lаyеr nеt.
Thе first lаyеr is thе visiblе lаyеr аnd thе sеcоnd lаyеr is thе hiddеn lаyеr.
Еаch nоdе in thе visiblе lаyеr is cоnnеctеd tо еvеry nоdе in thе hiddеn 21
lаyеr. Thе nеtwоrk is knоwn аs rеstrictеd аs nо twо lаyеrs within thе sаmе
lаyеr аrе аllоwеd tо shаrе а cоnnеctiоn.
Аutоеncоdеrs аrе nеtwоrks thаt еncоdе input dаtа аs vеctоrs. Thеy crеаtе
а hiddеn, оr cоmprеssеd, rеprеsеntаtiоn оf thе rаw dаtа. Thе vеctоrs аrе
usеful in dimеnsiоnаlity rеductiоn; thе vеctоr cоmprеssеs thе rаw dаtа intо
smаllеr numbеr оf еssеntiаl dimеnsiоns. Аutоеncоdеrs аrе pаirеd with dеcоdеrs, which аllоws thе rеcоnstructiоn оf input dаtа bаsеd оn its hiddеn rеprеsеntаtiоn.
RBM is thе mаthеmаticаl еquivаlеnt оf а twо-wаy trаnslаtоr. А fоrwаrd pаss tаkеs inputs аnd trаnslаtеs thеm intо а sеt оf numbеrs thаt еncоdеs thе inputs. А bаckwаrd pаss mеаnwhilе tаkеs this sеt оf numbеrs аnd trаnslаtеs thеm bаck intо rеcоnstructеd inputs. А wеll-trаinеd nеt pеrfоrms bаck prоp with а high dеgrее оf аccurаcy.
In еithеr stеps, thе wеights аnd thе biаsеs hаvе а criticаl rоlе; thеy hеlp thе RBM in dеcоding thе intеrrеlаtiоnships bеtwееn thе inputs аnd in dеciding which inputs аrе еssеntiаl in dеtеcting pаttеrns.
Thrоugh fоrwаrd аnd bаckwаrd pаssеs, thе RBM is trаinеd tо rеcоnstruct thе input with diffеrеnt wеights аnd biаsеs until thе input аnd thеrе-cоnstructiоn аrе аs clоsе аs pоssiblе. Аn intеrеsting аspеct оf RBM is thаt dаtа nееd nоt bе
lаbеllеd. This turns оut tо bе vеry impоrtаnt fоr rеаl wоrld dаtа sеts likе
phоtоs, vidеоs, vоicеs аnd sеnsоr dаtа, аll оf which tеnd tо bе unlаbеllеd.
Instеаd оf mаnuаl y lаbеlling dаtа by humаns, RBM аutоmаticаlly sоrts 22
thrоugh dаtа; by prоpеrly аdjusting thе wеights аnd biаsеs, аn RBM is аblе tо еxtrаct impоrtаnt fеаturеs аnd rеcоnstruct thе input. RBM is а pаrt оf fаmily оf fеаturе еxtrаctоr nеurаl nеts, which аrе dеsignеd tо rеcоgnizе
inhеrеnt pаttеrns in dаtа. Thеsе аrе аlsо cаllеd аutо-еncоdеrs bеcаusе
thеy hаvе tо еncоdе thеir оwn structurе.
Dееp Bеliеf Nеtwоrks - DBNs
Dееp bеliеf nеtwоrks (DBNs) аrе fоrmеd by cоmbining RBMs аnd intrоducing а clеvеr trаining mеthоd. Wе hаvе а nеw mоdеl thаt finаlly sоlvеs thе prоblеm оf vаnishing grаdiеnt. Gеоff Hintоn invеntеd thе RBMs аnd аlsо Dееp Bеliеf Nеts аs аltеrnаtivе tо bаck prоpаgаtiоn.
А DBN is similаr in structurе tо а MLP (Multi-lаyеr pеrcеptrоn), but vеry diffеrеnt whеn it cоmеs tо trаining. it is thе trаining thаt еnаblеs DBNs tо
оutpеrfоrm thеir shаllоw cоuntеrpаrts
23
А DBN cаn bе visuаlizеd аs а stаck оf RBMs whеrе thе hiddеn lаyеr
оf оnе RBM is thе visiblе lаyеr оf thе RBM аbоvе it. Thе first RBM is trаinеd tо rеcоnstruct its input аs аccurаtеly аs pоssiblе.
Thе hiddеn lаyеr оf thе first RBM is tаkеn аs thе visiblе lаyеr оf thе sеcоnd RBM аnd thе sеcоnd RBM is trаinеd using thе оutputs frоm thе
first RBM. This prоcеss is itеrаtеd till еvеry lаyеr in thе nеtwоrk is trаinеd.
In а DBN, еаch RBM lеаrns thе еntirе input. А DBN wоrks glоbаlly by finе-
tuning thе еntirе input in succеssiоn аs thе mоdеl slоwly imprоvеs likе а
cаmеrа lеns slоwly fоcussing а picturе. А stаck оf RBMs оutpеrfоrms а
singlе RBM аs а multi-lаyеr pеrcеptrоn MLP оutpеrfоrms а singlе pеrcеptrоn.
Аt this stаgе, thе RBMs hаvе dеtеctеd inhеrеnt pаttеrns in thе dаtа but withоut аny nаmеs оr lаbеl. Tо finish trаining оf thе DBN, wе hаvе tо
intrоducе lаbеls tо thе pаttеrns аnd finе tunе thе nеt with supеrvisеd lеаrning.
Wе nееd а vеry smаll sеt оf lаbеllеd sаmplеs sо thаt thе fеаturеs
аnd pаttеrns cаn bе аssоciаtеd with а nаmе. This smаll-lаbеllеd sеt
оf dаtа is usеd fоr trаining. This sеt оf lаbеllеd dаtа cаn bе vеry smаll whеn cоmpаrеd tо thе оriginаl dаtа sеt.
24
Thе wеights аnd biаsеs аrе аltеrеd slightly, rеsulting in а smаll chаngе in thе nеt's pеrcеptiоn оf thе pаttеrns аnd оftеn а smаll incrеаsе in thе tоtаl аccurаcy.
Thе trаining cаn аlsо bе cоmplеtеd in а rеаsоnаblе аmоunt оf timе by using GPUs giving vеry аccurаtе rеsults аs cоmpаrеd tо shаllоw nеts аnd wе sее а sоlutiоn tо vаnishing grаdiеnt prоblеm tоо.
Gеnеrаtivе аdvеrsаriаl nеtwоrks аrе dееp nеurаl nеts cоmprising twо
nеts, pittеd оnе аgаinst thе оthеr, thus thе “аdvеrsаriаl” nаmе.
GАNs wеrе intrоducеd in а pаpеr publishеd by rеsеаrchеrs аt thе
Univеrsity оf Mоntrеаl in 2014. Fаcеbооk"s АI еxpеrt Yаnn LеCun, rеfеrring tо GАNs, cаllеd аdvеrsаriаl trаining “thе mоst intеrеsting idеа in thе lаst 10 yеаrs in ML.”
GАNs" pоtеntiаl is hugе, аs thе nеtwоrk-scаn lеаrn tо mimic аny distributiоn оf dаtа. GАNs cаn bе tаught tо crеаtе pаrаllеl wоrlds strikingly similаr tо оur оwn in аny dоmаin: imаgеs, music, spееch, prоsе. Thеy аrе rоbоt аrtists in а wаy, аnd thеir оutput is quitе imprеssivе.
In а GАN, оnе nеurаl nеtwоrk, knоwn аs thе gеnеrаtоr, gеnеrаtеs nеw dаtа instаncеs, whilе thе оthеr, thе discriminаtоr, еvаluаtеs thеm fоr аuthеnticity.
Lеt us sаy wе аrе trying tо gеnеrаtе hаnd-writtеn numеrаls likе thоsе
fоund in thе MNIST dаtаsеt, which is tаkеn frоm thе rеаl wоrld. Thе wоrk оf thе discriminаtоr, whеn shоwn аn instаncе frоm thе truе MNIST
dаtаsеt, is tо rеcоgnizе thеm аs аuthеntic.
Nоw cоnsidеr thе fоllоwing stеps оf thе GАN −
Thе gеnеrаtоr nеtwоrk tаkеs input in thе fоrm оf rаndоm numbеrs аnd rеturns аn imаgе.
This gеnеrаtеd imаgе is givеn аs input tо thе discriminаtоr nеtwоrk аlоng with а strеаm оf imаgеs tаkеn frоm thе аctuаl dаtаsеt.
Thе discriminаtоr tаkеs in bоth rеаl аnd fаkе imаgеs аnd rеturns prоbаbilitiеs, а numbеr bеtwееn 0 аnd 1, with 1 rеprеsеnting а
prеdictiоn оf аuthеnticity аnd 0 rеprеsеnting fаkе.
Sо yоu hаvе а dоublе fееdbаck lооp −
o Thе discriminаtоr is in а fееdbаck lооp with thе grоund truth оf thе imаgеs, which wе knоw.
o Thе gеnеrаtоr is in а fееdbаck lооp with thе discriminаtоr.
Rеcurrеnt Nеurаl Nеtwоrks - RNNs
RNNSаrе nеurаl nеtwоrks in which dаtа cаn flоw in аny dirеctiоn. Thеsе
nеtwоrks аrе usеd fоr аpplicаtiоns such аs lаnguаgе mоdеlling оr
Nаturаl Lаnguаgе Prоcеssing (NLP).
Thе bаsic cоncеpt undеrlying RNNs is tо utilizе sеquеntiаl
infоrmаtiоn. In а nоrmаl nеurаl nеtwоrk it is аssumеd thаt аll inputs аnd оutputs аrе
indеpеndеnt оf еаch оthеr. If wе wаnt tо prеdict thе nеxt wоrd in а sеntеncе wе hаvе tо knоw which wоrds cаmе bеfоrе it.
RNNs аrе cаllеd rеcurrеnt аs thеy rеpеаt thе sаmе tаsk fоr еvеry еlеmеnt оf а sеquеncе, with thе оutput bеing bаsеd оn thе prеviоus cоmputаtiоns.
RNNs thus cаn bе sаid tо hаvе а “mеmоry” thаt cаpturеs
infоrmаtiоn аbоut whаt hаs bееn prеviоusly cаlculаtеd. In thеоry, RNNs cаn usе
infоrmаtiоn in vеry lоng sеquеncеs, but in rеаlity, thеy cаn lооk bаck оnly а fеw stеps.
Lоng shоrt-tеrm mеmоry nеtwоrks (LSTMs) аrе mоst cоmmоnly usеd RNNs.
Tоgеthеr with cоnvоlutiоnаl Nеurаl Nеtwоrks, RNNs hаvе bееn usеd аs pаrt оf а mоdеl tо gеnеrаtе dеscriptiоns fоr unlаbеllеd imаgеs. It is quitе
аmаzing hоw wеll this sееms tо wоrk.
27
Cоnvоlutiоnаl Dееp Nеurаl Nеtwоrks - CNNs If wе incrеаsе thе numbеr оf lаyеrs in а nеurаl nеtwоrk tо mаkе it dееpеr, it incrеаsеs thе cоmplеxity оf thе nеtwоrk аnd аllоws us tо mоdеl functiоns thаt аrе mоrе cоmplicаtеd. Hоwеvеr, thе numbеr оf wеights аnd biаsеs will еxpоnеntiаlly incrеаsе. Аs а mаttеr оf fаct, lеаrning such difficult prоblеms cаn bеcоmе impоssiblе fоr nоrmаl nеurаl nеtwоrks. This lеаds tо а sоlutiоn, thе cоnvоlutiоnаl nеurаl nеtwоrks.
CNNs аrе еxtеnsivеly usеd in cоmputеr visiоn; hаvе bееn аppliеd аlsо in аcоustic mоdеlling fоr аutоmаtic spееch rеcоgnitiоn.
Thе idеа bеhind cоnvоlutiоnаl nеurаl nеtwоrks is thе idеа оf а
“mоving filtеr” which pаssеs thrоugh thе imаgе. This mоving filtеr, оr cоnvоlutiоn, аppliеs tо а cеrtаin nеighbоurhооd оf nоdеs which fоr еxаmplе mаy bе
pixеls, whеrе thе filtеr аppliеd is 0.5 x thе nоdе vаluе –
Nоtеd rеsеаrchеr Yаnn LеCun piоnееrеd cоnvоlutiоnаl nеurаl nеtwоrks.
Fаcеbооk аs fаciаl rеcоgnitiоn sоftwаrе usеs thеsе nеts. CNN hаvе bееn thе gо tо sоlutiоn fоr mаchinе visiоn prоjеcts. Thеrе аrе mаny lаyеrs tо а
cоnvоlutiоnаl nеtwоrk. In Imаgеnеt chаllеngе, а mаchinе wаs аblе tо bеаt а humаn аt оbjеct rеcоgnitiоn in 2015.
In а nutshеll, Cоnvоlutiоnаl Nеurаl Nеtwоrks (CNNs) аrе multi-lаyеr nеurаl nеtwоrks. Thе lаyеrs аrе sоmеtimеs up tо 17 оr mоrе аnd аssumе thе
input dаtа tо bе imаgеs.
28
CNNs drаsticаlly rеducе thе numbеr оf pаrаmеtеrs thаt nееd tо bе tunеd.
Sо, CNNs еfficiеntly hаndlе thе high dimеnsiоnаlity оf rаw imаgеs.
29
Dееp Lеаrning in Pythоn - Fundаmеntаls In this chаptеr, wе will lооk intо thе fundаmеntаls оf Pythоn Dееp Lеаrning.
Dееp lеаrning mоdеls/аlgоrithms
Lеt us nоw lеаrn аbоut thе diffеrеnt dееp lеаrning mоdеls/ аlgоrithms.
Sоmе оf thе pоpulаr mоdеls within dееp lеаrning аrе аs fоllоws −
Cоnvоlutiоnаl nеurаl nеtwоrks
Rеcurrеnt nеurаl nеtwоrks
Another random document with no related content on Scribd:
»Ei meillä ole ollut aavistustakaan lautan kokoonpanosta, ennenkuin nyt vasta», huudahti rouva Korvanen, seurueen etevin naisnäyttelijä. »Tuohonhan uskaltaa ottaa ompelukoneensakin mukaan.»
Neuvoin rouvaa kuitenkin jättämään sen kotiin. Huomautin, ettei meillä nyt ollut aikaa neulomiseen.
Pidinkö todellakin koskia niin vaarallisina?
Joo — vaikka eivät ne sentään Perä-Pohjolan koskille vertoja vetäneet yksikään. Mutta sittenkin oli paras olla varovainen.
Lauttojen lyömiseen meni kokonainen viikko. Sillä välin tappoi herrasväki aikaa, miten parhaiten taisi. Joukossamme oli pianisti, joka illoin töiden päätyttyä rimputteli klaveeria ja me pistimme tanssiksi kortteeritalon avarassa salissa.
Minusta oli vähitellen tullut seurueen keskipiste. Taiteilijan herkällä vaistolla nuo helsinkiläiset hempukat tajusivat, mikä minä olin miehiäni. Tein uudelleen saman kokemuksen kuin niin monessa paikkaa ennenkin, etteivät naiset voineet minua vastustaa. He suorastaan hurmaantuivat minuun.
»Te olette runoilija, herra Kuuskoski», lausui minulle eräänä päivänä rouva Korvanen, kun olin hänelle kertonut koskenlaskuista Pohjolassa. »Te saatte kuvauksissanne ihan vaahdon pärskymään!
Hui, minusta tuntuu, kuin olisin jo yltä päältä märkä!»
Ja tuo pikkuinen rouva katseli vaaleaa kesäpukuaan nauraen kuin koulutyttö.
»Tiedättekö, herra Kuuskoski, minusta te olette syntynyt näyttelijäksi. Te osaatte jokaisen liikkeen, jokaisen ilmeen. Teille kuuluisi Romeon osa.»
»Kyllä minä rupean Romeoksi, jos te vain suostutte Juliaksi», vastasin minä ja heitin hänelle lentosuukkosen.
»Ai, ai… mitähän minun mieheni sanoisi?» Rouva Korvanen nauraa kikatti katketakseen.
Johtaja Muru tuli tarkastamaan työtäni. Hän rupesi minua neuvomaan.
»Minä olen lyönyt lauttoja, ennenkuin te olette syntynytkään. Jos ei kelpaa, niin saatan muuttaa kauppani Rahtulan päähän.»
Hän ei vastannut mitään, vaan meni närkästyneenä matkoihinsa. Minua nauratti. Tiesin, ettei yrityksestä ilman minua tullut mitään.
Lautat olivat valmiit. Seuraava päivä oli määrätty laskupäiväksi. Edellisenä iltana minä annoin näyttelijä Korvaselle opetusta etumelan hoidossa. Ei saanut missään tapauksessa antaa melan hypätä haaroista pois. Siinä oli ensi kertalaiselle kova paikka. Olimme sitäpaitsi käyneet tarkastamassa koskia, joten tiesimme väylät. Reippaana miehenä hän vakuutti tulevansa toimeen, sillä olihan minun tehtävänäni hoidella perämelaa.
Samalla tavoin opetin toisenkin lautan miehet. Hekin lupasivat parastaan.
Huomispäivä vaikeni. Kosken rannoille oli kerääntynyt suunnaton väen paljous katselemaan laskuamme. Monet varoittivat meitä
lähtemästä. Rouva Korvanenkin oli aivan suunniltaan. Hän pelkäsi miehensä hukkuvan.
»No… jos hän hukkuu, niin kyllä minä nain sitten teidät», ilvehdin minä.
»Hyi teitä, kuinka olette jumalaton!»
Rouva Korvasen kyynelisissä silmissä väikehti veitikka.
Kun olimme paikoillamme, komensin löysäämään sinkkiköydet irti. Käskyä toteltiin ja tuossa tuokiossa ryösti väkevä virta meidät mukaansa. Toinen lautta irrotettiin heti jälkeen ja yks' kaks' huristimme hyvää vauhtia ensimmäisiä kuohuja kohti.
Hei, kuinka rintani aaltoili! Tunsin olevani omassa elementissäni.
Kosken pauhu ja vaahtopääharjat ympäröivät minut joka puolelta. Nyt sain taas näyttää, mihin pystyin. Minä leikkautin lauttani ensimmäisen putouksen suuta kohti ja kajahutin laulun:
»Hei, poiat, tukkilaiset, nyt joukoin puoetetaan nuo kurkut kuohuvaiset lautalla oistonaanl Niin on, kuin Hiiden kyyti tää lasku loistokas! 'Hei, roiskis, aalto! Syyti! Vai kastat, peijakas!'»
Aivan kuin edeltäpäin tietäen, että tässä kohdassa piti perämiehen saada ryöppy niskaansa, löi mahtava laine minua vasten naamaa, niin että sain hyvän aikaa töpehtiä, ennenkuin pystyin jatkamaan:
»Hei, poiat tukkilaiset, kas, kuinka koski soi! Ja kuolon keijukaiset tuoll' alhaall' ailakoi: Senvuoksi röhki lyönti vasempaan, oikeaan! On muuten Surman syönti ja kulku kuolemaan!»
Hei vaan! Täällä ärjyvien vaahtopäiden keskellä kukki taas »Runoryijyni», sillä tuo palanen kuului tukkilaislauluihini. Tällaisessa ympäristössä ne olisi arvosteltava eikä konttoripulpetin ääressä. Täällä, missä kuolema vaani vesikiven takana, oli oikea paikka niiden voiman ja väkevyyden punnitsemiseen. Mutta mistäs kustantajat tiesivät, millaista oli koskenlasku. Näyttelijä Korvanen sen näytti tietävän, koska seisoi valjuna etumelassa ja puri kalpeita huuliaan yhteen.
»Hyvin menee!» huusin hänelle läpi kuohujen. »Pitäkää vain tuota kalliota kohti. Sen vasemmalta puolelta hursallamme alas putoukseen.»
Virta oli väkevä. Silmäsin rannalle kokoontunutta väkijoukkoa. Se oli lähtenyt juoksemaan Härjänkuilulle nähdäkseen, miten suoriutuisimme siitä. Se oli minustakin pahin paikka matkallamme. Nämä alkuputoukset olivat leikkiä sen rinnalla. Mutta minä olin edellisenä päivänä tutkinut sen asiantuntijan silmin ja tiesin, kuinka se leikattaisiin.
Lautta lotisi ja lotkahteli. Tukkien välistä hyrskysi kokonaisia vesipatsaita ilmaan. Oli, kuin olisi kosken haltia vimmoissaan sylkenyt pohjasta käsin ja siten osoittanut halveksumistaan meidän varustuksillemme.
Mutta minä tiesin, että lautat kyllä kestäisivät. Ainoa, mikä saattaisi yllättää, oli joku terävä pohjakallio. Sellaisen kynsissä ei kestäisi lujinkaan lautta. Siitä olivatkin Kohisevan laskumiehet puhuneet. Mutta vielä en ainakaan ollut sellaista havainnut.
Ylikorva ja Keskikorva oli onnellisesti laskettu. Me olimme jokainen märkiä kuin kuikat. Etumelan hoitaja, näyttelijä Korvanen katsahti
silloin tällöin taaksensa; miesparkaa näytti pahasti pelottavan. Tämä oli toista kuin tehdä rakkauden tunnustuksia teatterilavalla.
»Katse eteenpäin!» komensin minä. »Ne filmaavat rannalla.»
Jo rupesi kuulumaan Härjänkurkun kumea kohina. Lautta lotisi ja ruskahteli pahasti. Huonosti olisi käynyt, jos herra Murun lautoilla läksimme tuosta kadotuksen kuilusta alas.
»Hei, voimakas lyönti vasemmalle!» hihkaisin minä niin paljon kuin jaksoin, vaikka aallot löivät ylitseni, niin että minun oli vaikea pysyä paikoillani.
Korvanen iski melallaan kuin hullu. Mies taisteli kuin kuoleman hädässä. Nyt… nyt…! Oikealta kohosi vesi loivasti rantakallioita kohti. Se johtui kosken paineesta. Meidän piti päästä mahdollisimman lähelle tuota loivasti kohoavaa vesimassaa, sivuuttaaksemme sen avulla kosken yläpäässä kohoavan kallion ja paiskautuaksemme sitten täydellä painolla kurimukseen. Se onnistuikin ja tasaisesti kiihtyvällä vauhdilla me rupesimme painumaan Härjänkurkkua kohti.
Huomioon ottaen kosken jyrkkyyden olin rakentanut lautat lyhyenpuoleisiksi. Siten ei sukeltamisen vaara ollut niin suuri. Mutta sittenkin rupesi nyt arveluttamaan, kun tarkastelin veden juoksua kosken niskalta käsin. Se näytti koko lailla toisenlaiselta kuin rannalta katsottuna.
Heti kosken alapuolella rantakalliolla seisoi filmaaja valmiina veivaamaan konettansa, kunhan ehtisimme »mäkeen». Hiuuuu! Nyt alkoi Härjänkurkku vetää. Vauhti kiihtyi kiihtymistään. Vaahto lensi
ilmassa kuin savu, piiskaten kasvoja kuin räntäsade. Kävi sellainen jylinä ja pauhu, ettei omaa ääntänsä tahtonut kuulla.
Mutta minua tämä vain virkisti. Käsivarteni lihakset jännittyivät ja minä seisoin suorana perämela korokkeella kuin kapteeni komentosillalla. Koski ulvoi ja raivosi kuin ärsytetty peto. Oli kuin olisi se ollut vimmoissaan, että löytyi yksi mies, joka aikoi sen kuohut voittaa.
»Töppöset lujasti tantereeseen!» huusin näyttelijöille, kun tultiin ensimmäiseen kuohuun. Suuri aalto pyyhkäisi yli lautan ja löi saappaanvarret vettä täyteen. Tuli toinen ja kolmas. Pärske seurasi pärskettä ja ylhäältä satoi niskaan kuin vihmomalla. Nyt kohosi edessämme suuri, mahtava aalto. Se ulottui poikki kosken aivan kuin joku mahdottoman korkea valli. Lautta kiiti sitä kohti kuin vimmattu. Hurrll…! Olimme hetken näkymättömissä ja korvissamme soi ja kohisi, kunnes äkkiä taas sukelsimme näkyviin, vaatteet vettä valuen. Etumelan hoitaja oli menettänyt hattunsa. Se ei kuulunut ohjelmaan, mutta se paransi vain asiaa. Tulihan kuvasta siten elävämpi. Vielä hursallus, voimakas lyönti oikeaan ja me soljuimme suvantoon, josta kauniissa kaaressa ohjasimme rantaan Matka oli tehty.
Toinen lautta tuli onnellisesti perässä. Se oli vain kerran kolahtanut pahanlaisesti vesikiveen, mutta lujaksi lyötynä se kesti iskun ja solui onnellisesti viereemme rannalle.
Väkijoukko oli haltioissaan, se huusi ja hurrasi, heilutti hattuja ja nenäliinoja. Maalle noustuani kohtasin ensimmäiseksi rouva Korvasen. Hän oli aivan hurmioissaan. Kiepahtaen kaulaani hän huusi silmät loistaen:
»Te olette suurenmoinen mies, Adam Kuuskoski. Te olette nykyajan
Napoleon. Tuo teidän laskunne oli kuin joku Austerlitz.»
Ja hän, tuo veikeä olento suuteli minua molemmille poskille ja juoksi sitten syleilemään miestänsä, joka parast'aikaa kömpi rannalle.
Minä olin tietysti hetken sankari. Itse johtaja Murukin irtautui hetkeksi jäykkyydestään ja tuli onnittelemaan.
»Se oli fiinisti tehty, herra Kuuskoski! En ole ennen sellaista nähnyt
Pakkasi ihan peloittamaan.»
Työ oli siis onnellisesti suoritettu. Emme filmanneet enempää sinä päivänä. Onnellisen laskun kunniaksi söimme kortteeritalossa juhlaillalliset ja joimme maljan Kohisevan kuohujen kunniaksi.
Sunnuntaiksi olin sitten ilmoittanut bravuuriosani suorituksen: yhdellä tukilla laskun.
Tämä uutinen oli lentänyt kulovalkean tavoin pitkin koko jokilaaksoa. Kaikki halusivat nähdä miestä, joka aikoi uhmata Härjänkurkkua yhdellä tukilla. Sellaista ei ole näillä tienoin ennen nähty, ei kuultu. Vanhat miehet neuvoivat minua luopumaan yrityksestä, jota he pitivät sulana hulluutena. Mutta minä muistin Jouko Touon sanat: »Sitten vasta olet mies, jos lasket Härjänkurkun yhdellä tukilla.»
Vahinko vain, ettei tuo runoilijaveljeni ollut katsomassa. Tasan kello 1/2 11 aamupäivällä hyppäsin tukin selkään ja rupesin
solumaan keskijoen juoksua kohti. Rannat olivat mustana pyhäpukuista kansaa ja minulla vilahti mielessä, että tänä pyhänä taisi pappi saada saarnata tyhjille seinille kolmessa pitäjässä. Tukahutin kuitenkin tuon ylimielisen ajatuksen ja tein hengessäni ristinmerkin, sillä — totta puhuakseni — Härjänkurkku ei ole niitä paikkoja, joita käy yhdellä tukilla laskeminen. Minä olin kuitenkin antautunut leikkiin ja leikki oli leikittävä loppuun asti.
Kuohut pärskähtelivät kupeellani ja minä sain tavan takaa hypähdellä ilmaan, kun tukki töksähteli kiviin. Alutta lyöden vettä vimmatusti keksillä molemmin puolin tukkia minä soluttelin sen taas oikeaan suuntaan ja vauhti lisääntyi.
Alkutaivalta en peljännyt. Sehän oli — kuten edellisestä on ehkä selvinnyt — tasaisenpuoleista koskista taivalta, niin että siinä tavallinen mies sentään tukilla pysyy. Pelkäsin Härjänkurkun alkulaskua, ennen kaikkea kalliota sen niskalla.
Hyvin sujui matka. Olin jo ehtinyt puoliväliin, kun äkkäsin muutaman kiven, jota lautalla laskiessamme en ollut havainnut. Se oli puolittain veden alla, mutta niin sopimattomalla paikalla, että virran pääpaino hyökkäsi sitä vastaan koko voimallaan. En ymmärrä, miten olin sen edellisellä kerralla sivuuttanut. Vai oliko se joku irtonaisista pohjakivistä, jonka lauttamme oli riipaissut liikkeelle ja pysähdyttänyt tuohon juuri kuin kiusaksi minulle.
Näin selvään, että tukkini kulki sitä kohti yhä kasvavalla vauhdilla… Koetin lyödä sitä oikeaan mutta virta painoi sitä itsepintaisesti kiveä kohti. Yhteentörmäys oli välttämätön.
Yks' kaks' se tärähti. Koko tukki vapisi kuin vilutautinen, mutta samassa olin minäkin ilmassa ja hihkaisin hurjasti. Se pahus rupesi
vielä vimmatusti pyörimään, joten minä sain tavallista kiperämmässä
tahdissa antaa tanssinäytännon rannalla seisoville katsojille. Vähitellen se kuitenkin rauhoittui ja minulle tuli kiire pitää silmällä, kummalleko puolelle sen peräpuoli kaartaisi, ollakseni valmis suhtautumaan siihen sen mukaan.
Se kaarsi kaikeksi onneksi oikealle. Minulta pääsi helpotuksen huokaus, jos se olisi kaartanut vasemmalle, olisin joutunut pahimpiin kuohuihin, joiden keskellä silloin tällöin tuli näkyviin mustankiiltäviä kallionhuippuja. Se olisi ollut minun viimeinen matkani.
Nyt — kuten sanottu — kaarsi tukki oikealle. Minä pääsin sillä tavoin kiinni sillä puolen juoksevasta pääväylästä ja sain tukkini taas matkaan.
Nyt en enää peljännyt kiveä. Olin varma, että »lientä» riitti. Putouksen jyrkkyys pakkasi vain hermostuttamaan.
Mutta lasku kävi paremmin kuin oli osannut toivoakaan. Ennenkuin oikein osasin tajutakaan, olin jo kosken alla ja Härjänkurkku pauhasi takanani. Vain kerran vajosin vyötäröitä myöten, silloinkuin tukki suuren aallon puhkaistuaan hursalsi kosken alle. Luisuin suvantoon kuin vedenalaisella hevosella ratsastaen ja hämmensin rannalle hien virtoina valuessa.
Jos ensi kerralla olivat suosionosoitukset olleet valtavat, niin nyt ne vasta huippuunsa kohosivat. Tuskin olin päässyt kuivalle ja heittänyt keksin maalle, kun kymmenet käsivarret tarttuivat minuun ja rupesivat heittämään ilmaan, huutaen: »Eläköön Suomen ensimmäinen tukkipoika! Eläköön Aadam Kuuskoski!» Sen jälkeen minut kukitettiin.
Tuskin on Hannes Kolehmainen olympialaisvoiton jälkeen tuntenut itseään niin onnelliseksi kuin minä tuona suurenmoisena hetkenä.
Juhlasaatossa kannettiin minut majapaikkaamme. Haltioitunut väkijoukko seurasi mukana, huutaen ja hoilaten. Minun piti pari kertaa — ennenkuin pääsin vaatteita muuttamaan — käydä portailla näyttämässä itseäni ja kumartamassa. Se oli näytäntö se! Mitä ovat kuihtuvat laakerit sen haltioituneen jumaloinnin rinnalla, jota Kohisevan kansa minulle silloin osoitti. Sinä päivänä oli kansa koskensa arvoinen: sekin kohisi ja kiehui ympärilläni kuin kosken vaahto.
Mutta ennen kaikkea olivat toverini iloisia. He tahtoivat ihan syödä minut, seurueen naisjäsenet olletikin. Jokainen heistä tarjoutui auttamaan minua. Yksi veti saappaat jaloistani, toinen väänsi sukkiani, kolmas koppoi vettä valuvat housuni ja juoksutti ne aidan seipääseen kuivamaan. Minä tepastelin seurueen keskellä paljain säärin ja tiedustin nauraen, sallisivatko uskon sisaret minun kiskaista paidankin pois, sillä minun päälläni ei ollut kuivaa lankaa. Mutta silloin he rupesivat protesteeraamaan ja pakenivat kirkuen ja nauraen huoneesta ulos.
Koskenlaskut oli siis filmattu. Me vietimme iltaa juhlallisesti.
Taisimmepa maistaa hiukan »miestä väkevämpääkin». Itse rouva Korvanen ojensi minulle lasin ja virkkoi:
»Te ette nyt ole nimismies, te olette runoilija ja tämä malja pitää teidän nyt tyhjentää.»
Mikäpäs siinä auttoi. Minä kilistin läsnäolijoiden kanssa ja esitin lähempää tuttavuutta, johon he kaikki ilomielin suostuivat.
Se oli herttainen ilta, taiteen ja runouden merkeissä vietetty.
Sanoin »runouden», sillä siitä puolesta pidin minä erikoisen huolen. Lausuin nimittäin »Runoryijyäni» illan kuluksi ja kerroin lyhyesti, minkä kohtalon se oli kustantajien puolelta saanut. Näyttelijä Korvanen uhkasi ensi näkemässä tappaa kustannusosakeyhtiö »Korukannen» johtajan, sillä hänen mielestään minulle oli tehty sellainen vääryys, että se huusi kostoa hamaan taivaaseen asti.
Niin vaikuttaa tosi runous, kun se kohtaa vastaanottavan ja herkän sydämen.
Mutta — se olikin viimeinen ilta, jolloin »Koskenlaskijan kosinta» kokosi meidät sovinnossa ympärilleen. Myöhemmin alkoi riita, niinkuin aina suurten tapausten jälkeen.
Minä kirjoitin »Kuivalan Sanomiin» kuvauksia filmausmatkaltamme. Kerroin totuuden mukaan, niinkuin asiat olivat tapahtuneet. Tosin vedin kuvausteni ylle hienon huumorin vernissan.
Mutta siitäkös myrsky nousi.
Minulta tahdottiin riistää kaikki kunnia yrityksen onnistumisesta.
Toverini, joista veljenkättä lyöden olin eronnut, saivat vielä paikkakuntalaisetkin puolelleen. Minä olin muka välttänyt vaarallisempia paikkoja.(!) Toipa eräs kirjoittaja esiin sellaisenkin hämmästyttävän väitteen, että pianisti Kaiho olisi yhtä hyvin pystynyt ohjaamaan lauttaa kuin minäkin.(!) Herra Jumala! Olisin totisesti halunnut nähdä tuon humalasalon seisovan perämelassa! Takaan, että tämän matkan jälkeen olisivat pianiinot hänen osaltaan saaneet jäädä rauhaan — ikuisiksi ajoiksi. Sillä kalojen ruokaa hänestä olisi tullut — se on varma.
En halua ruveta kertomaan kaikkea, mitä tuosta asiasta kirjoitettiin. Harvoin on painomustetta niin paljon turhaan haaskattu, kuin mitä vastustajien! artikkeleihin on kulunut. Minä vastasin lyhyesti ja arvokkaasti, ehkä hiukan »voiman oikealta puolelta», koskapa viimeisen vastineeni jälkeen tuli syvä hiljaisuus kuin merellä myrskyn jälkeen. Kai vastustajani lopultakin häpesivät, koska olen sen jälkeen saanut rauhassa elää.
Mutta tuo polemiikki ei yhtään vahingoittanut minua. Päinvastoin.
Tieto uljaasta koskenlaskustani oli ehtinyt kiertää kaikki valtakunnan lehdet ja moni niistä ryhtyi minua puolustamaan, nähdessään, kuinka minut aiottiin »tappaa». Minusta tuli yhtäkkiä kuuluisa mies.
Olin jälleen runoillut itseni läpi!
Mitä minun sanomalehtikirjoituksiini tulee, on ystäväni kirkkoherra Teofilus Tiennäyttäjä kertonut, että hänelle ne hänen kaukaisessa erämaanpitäjässään tuottivat mitä suurinta nautintoa niin sisällyksen kuin tyylinkin puolesta. Hän oli varta vasten tilannut »Kuivalan Sanomat», saadakseen seurata mainetöitäni. Hän oli näet kuullut minusta paljon kerrottavan, vaikka ei ollutkaan vielä silloin mieskohtainen tuttavani. Ja omasta puolestani minä annan suuren arvon tälle tunnustukselle, sillä kirkkoherra Tiennäyttäjä on jonkun verran kirjallisiin asioihin perehtynyt mies. Hän on nim. julkaissut pari runokokoelmaa nimeltä »Kukon laulu» ja »Aatamin omena», joissa hän esittää hiukan omituisia uskonnollisia mielipiteitään.
Mutta — oli miten oli, minä olin jälleen saanut kokea, että maailma vihaa soihdunkantajia. Niitä, jotka se myöhemmin on julistanut merkkimiehikseen, se on kiduttanut ja vainonnut heidän eläessään. Minun tarvitsee vai viitata historiaan. Kolumbus löysi Amerikan, mutta toinen mies, turhanpäiväinen turisti, antoi sille nimensä. Minun
koskenlaskuni oli tavallaan Amerikan löytö sekin: se avasi ainakin filmiyhtiö »Ihanteelle» tien rikkauteen. Mutta minä olen jäänyt tästä rikkaudesta osattomaksi. Mainittu yhtiö on näytellyt »Koskenlaskijan kosintaa» ympäri valtakunnan, myynyt filmin Pohjanlahden toiselle puolenkin ja niittänyt sieltä kruunuja ja kunniaa. Mutta minä, joka tein yrityksen mahdolliseksi, saan kitua puutteessa uuden Kolumbuksen tavoin. Olen kuitenkin iloinen, että olen tämän kautta tullut mahdolliseksi saamaan nimeni sivistyshistorian lehdille. Sillä olen varma, että kun kerran kirjoitetaan filmitaiteen historia, minun nimeni mainitaan siinä Chaplinin ja Valentinen nimien rinnalla. Ja se lohduttaa minua.
Ken ompi runoniekka? Sekö vain, jot' oma koulukunta kilvan kiittää, ja jonka eessä tietä aukiniittää kuuluttajitten joukko kopeain?
Ken ompi kuningas? Se vainko vain, jok' kultavaljakolla maata ajaa ja ritarlinnoissa vain pitää majaa keralla valtaherrain korskeain?
Ei! Runoniekka ompi myöskin hän, jok' itsens' elämässä laulaa läpi.
Ei kateus häntä kyntysille näpi: hän toogaan peittää päänsä ylvähän.
Se tooga oman arvon tunto on ja tieto siitä, että veitsi viiltää.
Sen miehen päässä yksin kruunu kiiltää.
Hän kuningas ja runoilija on!
MINÄ TUTUSTUN KIRKKOHERRA TEOFILUS TIENNÄYTTÄJÄÄN JA SOLMIN VELJESLIITON HÄNEN KANSSAAN.
Olen elämäkertani kuluessa useamman kerran maininnut kirkkoherra Teofilus Tiennäyttäjästä ja varmaankin tehnyt lukijan uteliaaksi. Pitkin matkaa lienee myös käynyt selville, että hän on minun elämässäni ollut verrattain tärkeä tekijä, koskapa tavan takaa olen häneen viitannut. Eikä lukija tässä erehdykään; asianlaita on niin. Tämä omituinen mies on nim. yksi niitä harvoja, joka on parhaiten ymmärtänyt minun sielunelämääni.
Ei sen vuoksi, että hän runoilijana olisi mikään etevä. Päinvastoin minun täytyy — koska kerran edessäni on valkoinen paperiarkki, jonka runoilijaveljeni Jouko Touko kerran määritteli »kauhistuttavaksi kappaleeksi taivaankannen alla» — totuudessa pysyäkseni todeta, että hän runoilijana oikeastaan on heikonpuoleinen. Olen nim. lukenut hänen runovihkosensa ja minun täytyy sanoa, että ne ovat mitä viheliäisintä sekasotkua estetiikasta, filosofiasta ja teologiasta — jos ne nyt ovat sitäkään. Vai mitä arvoisa lukija arvelee esim. tällaisesta palasesta, joka löytyy hänen »Aatamin omena»-nimisessä kokoelmassaan:
»Oi, Aadam, mikä onni olikaan, ett' tarttui kurkkuhan tuo sinun palas! Nyt juomalla sen koitan saada alas, mut aina löydän sen taas paikaltaan!»
Ensinnäkin — tämä on sangen omituinen säkeistö pappismiehen kirjoittamaksi. Laskea leikkiä raamatun omenasta ja ylistää sen kustannuksella juopottelua — näin kieltolain aikana. Sillä, mitenkä tätä muutenkaan voisi tulkita. (Selvyyden vuoksi sanottakoon, että on suuri ero »runoilijaryypyn ja juopottelun välillä.)
Ja toiseksi: verrata runoudessa sitä pientä, siroa, punaposkista omenaa, jonka Eeva ojensi Aadamille, miehen kurkunpäähän — vaikka kansa kömpelyydessään kyllä tuota vertausta käyttääkin on luvalla sanoen epäesteettistä. Omena ja anatomia ovat silloin kovin kovakouraisesti pakotetut naapureiksi toistensa kanssa.
Ja kolmanneksi: mistä jumaluusopillisesta lähteestä ystäväni Teofilus on saanut sen tiedon, että omena tarttui Aadamin kurkkuun?
Mahtoikohan Kuivalan seurakunta ollakaan niin kovin väärässä, syyttäessään kirkkoherraansa harhaoppiseksi?
Ja sellaista on tämän omituisen papin »runous» kauttaaltaan. Täynnä ajatuksia, joiden perille toisinaan on mahdoton päästä, joita ei yksinkertaisesti ymmärrä. Olen joskus kysynyt häneltä itseltäänkin, mitä hän esim. tuolla edellämainitulla värsyllä oikein tarkoittaa. Hän on silloin pudistanut suurta pörröistä päätään ja sanonut: »En mie tiiä… se on vain sellainen piirto…»
Tällaisia »piirtoja» ovat hänen molemmat runokokoelmansa täynnä. »Mie runoilen leppuuttaaksen ajatuksian, tai paremmin: 'Mie viheltelen ajatusten puutteessa', niinkuin Pyyron sannoo». Merkillisiä runoja!
Mutta — palatakseni pääasiaan — kirkkoherra Teofilus
Tiennäyttäjä ei ymmärrä minua senvuoksi, että hän olisi runoilija, vaan että hänellä muuten on sellainen merkillinen kyky »ryömiä koijuun» — niinkuin hän sen itse tulkitsee. Ja tänä koijuna on kerran sattunut olemaan minun paljonkärsinyt sydämeni.
En silti tahdo sanoa, että hän osaisi erikoisesti lohduttaa, en — (minä haluaisin kerran olla läsnä, kun hän keskustelee sairaan kanssa) — vaan hän asettuu mukavasti »maata» niinkuin koira koppiinsa ja hänen olemuksestaan saattaa silloin lukea: »Mie oun nyt tässä». Se on jonkinlaista henkisen mukavuuden rakkautta.
»Sinun syämmes, Aatami, on kuin koirankoppi», sanoi hän minulle kerran. »Sinne soppii parahiks tällainen karvaturri kuin mie. Annapas nyt hetken vartioin sinun pihasi turvallisuutta.»
Tällaisilla sanoilla hän houkuttelee minut kertomaan elämästäni. Hän kuuntelee silmät puoliummessa, nojaten mukavasti tuolin selustaan. Ja jokainen, joka vähänkin on kokenut, kuinka hyvältä tuntuu avata sydämensä jollekin ihmiselle, ymmärtää, minkä helpoituksen tuollainen kertominen minulle tuottaa.
Mutta — ennenkuin rupean laajemmin esittelemään ystävääni, tahdon kertoa tutustumisestamme. Minä olin jo Perä-Pohjolassa kuullut hänestä. Ja se, mitä olin kuullut, oli melko omituista. Sanottiin hänen kuluttavan aikaansa makaamalla. Kirkosta tultuaan hän lyö maata, nukkuu päivälliseen saakka, nousee sitten syömään ja syö tavattomasti, jonka jälkeen hän heittäytyy jälleen pitkäkseen ja herää siihen, että palvelijatar tuo hänelle iltapäiväkahvin. Sen juotuaan hän ottaa vielä pikku unet, nousee sitten julmasti haukotellen ja lähtee kylälle pitämään raamatunselitystä. Ihmiset kokoontuvat uteliaisuudesta kuulemaan, mitä tällä palloa muistuttavalla
pappismiehellä on sanottavana. Ja jotakin hänellä joka kerta on. Kerran hän oli saarnannut jäniksen langoista eikä kuulijakunta ollut käsittänyt hölynpölyä. »Mitä sinä, Teofilus, silläkin tarkoitat?» kysyin häneltä kerran. »No… se oi sellainen piirto…» Ja hän teki kädellään velton liikkeen kuin näyttääkseen, mitä hän oli tarkoittanut. »Mie saarnaan leppuuttaaksen ajatuksian tahi paremmin, niinkuin Pyyron sannoo…» Siis saarnat samallaisia kuin runotkin! (Millä ihmeen ajalla hän sitten ajattelee, kun hän väliajat nukkuu?) Minä luulen sittenkin, että tuo hänen alituinen vetoamisensa Byroniin tarjoaa minulle tässä tapauksessa sen kriterion, joka selittää asian: ystäväni Teofilus ei ajattele mitään. (Mutta — kuinka hän sitten kykenee ymmärtämään minua? Ei — minä huomaan, etten pysty tätä ongelmaa ratkaisemaan.)
No niin. Minun kotiseurakuntani naapurissa tuli joku vuosi sitten kirkkoherranvirka auki. Satuin olemaan sielläpäin käräjillä ja silloin kääntyivät pitäjän miehet puoleen pyynnöllä, että kirjoittaisin kirkkoherra Tiennäyttäjälle ja anoisin häntä heidän puolestaan neljänneksi vaalisaarnaajaksi. (Hänen nimensä on oikeastaan Teofilus Takkunen, vaikka minä olen ristinyt hänet »Tiennäyttäjäksi».)
Tämä pyyntö ei suinkaan johtunut siitä, että kirkkoherra Tiennäyttäjä olisi ollut erikoisemmin suosittu, ei — vaan siitä, että seurakuntaan oli sattunut hakemaan vähemmän tunnettuja miehiä. Teofiluksesta ei tietty muuta kuin että hän nukkuu ja se ei pitäjäläisten mielestä ollut kovinkaan suuri paha. Eipähän niin ollen pistänyt nokkaansa joka paikkaan. Minä siis kirjoitin hänelle seurakuntalasten puolesta ja esitin asian parhaimman mukaan.
»Se sinun kirjees oi oikea runollisuuven purkaus». sanoi hän minulle kerran, puheen johtuessa näihin vanhoihin muistoihin. »Sen
hornastako sie sieppasit ne alapasteripylväät?» jatkoi hän haukotellen.
Minä olin kirjoittanut lennokkaasti. Edellytin nim., että kirjoitin kirjailijamiehelle, joka ymmärtäisi Olin kiittänyt tuon pohjoisen pitäjän seutujen kauneutta ja siteerannut »Perä-Pohjolaani», jossa vertaan m.m. kuusia alabasteripylväisiin. Mutta jälkeenpäin olen huomannut kirjoittaneeni melko proosalliselle herralle, joka ei tee muuta kuin syö ja makaa.
Tämä ensimmäinen tutustumisemme tapahtui siis kirjeen välityksellä. Ystäväni Teofilus vastasi, ettei hän viitsinyt hakea, koska oli juuri muuttanut seurakuntaansa. (Tämä on muuten hänen lempisanojaan — »viitsi, viitsinyt».)
Seuraavan kerran tapasimme Kuivalassa. Oli käynyt niin omituisesti, että Teofilus Tiennäyttäjä pääsi papiksi samaan seurakuntaan, jossa minä palvelin nimismiehenä.
En tänäkään päivänä ymmärrä, millä ihmeen tempulla hän sai äänet tänne. Hänen vaalisaarnansa oli täynnä »piirtoja», mutta harva taisi käsittää, mitä hän tarkoitti. Siksi epäselvää oli saarna alusta loppuun saakka. Mutta hän pääsi kuin pääsikin, — luultavasti sen vuoksi, koska oli niin kaukaa. (Sivumennen sanoen, agiteerasin minä hänen hyväkseen innokkaasti, vaikka en agitatsiooniani osannutkaan perustella muulla syyllä, kuin että hän oli »siivo ja hiljainen mies». Hänen runsaasta unen lahjastaan en luonnollisesti uskaltanut hiiskua mitään.)
Teofilus Tiennäyttäjä pääsi siis Kuivalaan ja me jouduimme paljon tekemisiin toistemme kanssa. Ja minun täytyy sanoa: ensi päivästä
alkaen olemme eläneet ystävinä, niin kummalta kuin se saattaa kuuluakin.
Tällä paikkakunnalla ei muuten ole helppo löytää ystäviä. Onhan täällä virkamiehiä paljonkin, mutta sellaista, jonka kanssa voisi keskustella runoudesta ja taiteesta, sangen vähän lukuunottamatta täällä asuvaa taiteilijakoloniaa. Mutta sen jäseniähän ei tapaa joka päivä, sillä he asuvat hajallaan. Jota vastoin ystäväni Teofilus, asuen aivan naapurissa, pistäytyi luonani harva se päivä. (Tässäkin muuten omituinen seikka. Minä en itse käy koskaan missään, en lähimmässä naapurissakaan. Mutta minun luonani käy taas vieraita paljon. Mistähän tämä johtuu?)
No niin — Kuivalan virkakunnasta en ollut suuria hyötynyt. Asemapäällikkö Anders Klerck oli kyllä paljon lukenut mies, mutta ei tuntenut harrastusta muuta kuin filosofiaa kohtaan. Uskonnolliselta vakaumukseltaan hän oli ateisti — tahi jokseenkin lähellä tuota kantaa. Mutta — vaikka hän olikin oppinut herra, ei hän pystynyt väittelemään kanssani. Sillä teologian alalla hän on kuin merimies maalla: hän hoipertelee ja hänet on siis helppo kaataa. Monta kertaa olemme iskeneet yhteen tämän herran kanssa jumaluusopillisista kysymyksistä, mutta joka kerta olen minä jättänyt hänet sangen pahasti rusikoituna taistelutantereelle.
Muut rautatien herrat ovat hiljaisia miehiä, joiden kanssa ei juuri voi paljon keskustella. Heille tuntui riittävän vain virka ja sen hoito. Mutta tässä minä erehdyn, kuten etempänä saamme nähdä.
Kuten sanottu — ei ystäväni Teofilus isosti ymmärrä taidetta, mutta kuitenkin sen verran, että hän osaa vaieten paljastaa päänsä suuren runouden edessä. Sen olen havainnut lukemattomia kertoja lukiessani hänelle »Runoryijyäni». Sellaisina hetkinä hän ei ole
puhunut »piirroistaan», vaan on kuunnellut hartaana, ja minä olen voinut lukea hänen kasvoistaan, kuinka hänen henkensä on vaellellut siinä mahtavassa tuomiokirkossa, jonka holvikaaria runouden titaanit kannattavat.
Joskus tuollaisten lukuhetkien jälkeen on hän innostunut varsinkin jos olemme ottaneet pienen napauksen — ja ruvennut lausumaan »Jerusalemiaan». (Sen hän muuten aina tekee vissillä asteella ollessaan.)
»Mikä liikkeelle noin pani kaupungin, pyhän, mahtavan Jerusalemin?»
Silloin hän on tavallisesti naputellut pörröistä päätään, aivan kuin sijaitsisi hänen Jerusaleminsa siellä.
Ja toisinaan, kun hän on oikein innostunut, on hän saattanut hypähtää tuoliltaan ja huudahtaa:
»Peijakas! Oun se minnäi runoilija!»
Se on ollut minulle merkki, ettei Teofilukselle sinä iltana pitänyt antaa tippaakaan enää.
Mutta silloin on jymy noussut kattoon, kun minä olen ottanut esille okarinoni ja ruvennut soittamaan. Teofilus Tiennäyttäjä on nim. hyvin musikaalinen. Häneen menee musiikki kuin häkä. Jos olen soittanut surullista, on hän itkenyt, jos taas olen pyöräyttänyt ilon puolelle, on hän nauranut ja tanssinut. Silloin ei häntä ole yhtään haitannut hänen tavaton lihavuutensa. Olen toisinaan nähnyt hänen tanssivan kyyneleet silmissä, kun »Voi äiti parasta» kiepahutin »Eklöfin Aukustiksi». Minunkin on silloin täytynyt nauraa hänen hölkälleen,