サルでもわかる機械学習

Chainer2でMNIST目次
Chainer2プログラミングの全体図

1. (1)Chainer2を使用するためのimport文
2. (2)データの準備・設定(Chainer)
3. (3)モデルの記述(Chainer)　⇐ いまココ
4. (4)モデルと最適化アルゴリズムの設定(Chainer)
5. (5)学習と結果の出力(Chainer)
6. (6)学習結果のパラメータの保存(Chainer)
7. (7)推測(Chainer)

#3 モデルの記述
class MyModel(Chain):
    def __init__(self):
       super(MyModel,self).__init__(
            # パラメータを含む関数の宣言
        )
    def __call__(self, ...):
    # モデルを記載

Windows 8.1
Anaconda
Python 3.5
Chainer 2.0

Chainerのインストール方法はChainer2.0をWindowsにインストールをご覧下さい。

このページは、(2)データの準備・設定の続きであり、今回は、MNISTのモデルの記述を行っていきます。

(2)データの準備・設定終了時の、以下のような状態から始めます。

以下のコードを入力して、Shift + Enterを押します。

'''
今回は、手書き数字MNIST画像を、multiple layer perceptron(多層パーセプトロン)という
ニューラルネットワークモデルを用いて機械学習で分類します。
層構造のイメージは、以下のリンクが参考になります。
https://qiita.com/kenmatsu4/items/7b8d24d4c5144a686412
ネットワークは3層で、入力層、隠れ層、出力層の3層とします。
28x28のグレースケール画像を、0から255までの値をとる各ピクセルの値を、
784個、横に並んだ数字の配列に変換して（、さらに255で割って）、
入力層に入れます。入力層のunit数は784個となります。
中間層のunit数（n_mid_units）は、今回は、100個に設定しています。
手書き数字の０から９まで10種類の画像を分類するため、
出力層のunit数（n_out）は、10個となります。
'''

class MLP(chainer.Chain):

    def __init__(self, n_mid_units=100, n_out=10):
        super(MLP, self).__init__(
            l1=L.Linear(None, n_mid_units),
            l2=L.Linear(n_mid_units, n_mid_units),
            l3=L.Linear(n_mid_units, n_out),
        )

    def __call__(self, x):
        h1 = F.relu(self.l1(x))
        h2 = F.relu(self.l2(h1))
        return self.l3(h2)

すると、以下のような画面になります。（ほとんど何もおこりません。）

図は作成中

Chainerで、Multiple layer Perceptoronのモデルを記述する作業は上記でおしまいです。

次は、(4)モデルと最適化アルゴリズムの設定に進んでください。

Chainer: ビギナー向けチュートリアル Vol.1 mitmul 2017年05月18日に更新 https://qiita.com/mitmul/items/eccf4e0a84cb784ba84a

Chainer2に関しては、以下の本がかなりおすすめです。

Deep Learningについての理論については、以下の本が超お勧めです。

次 (4)モデルと最適化アルゴリズムの設定(Chainer)

前 (2)データの準備・設定(Chainer)

Chainer2でMNIST目次
Chainer2プログラミングの全体図

1. (1)Chainer2を使用するためのimport文
2. (2)データの準備・設定(Chainer)
3. (3)モデルの記述(Chainer)　⇐ いまココ
4. (4)モデルと最適化アルゴリズムの設定(Chainer)
5. (5)学習と結果の出力(Chainer)
6. (6)学習結果のパラメータの保存(Chainer)
7. (7)推測(Chainer)