3_モデルの記述
差分
この文書の現在のバージョンと選択したバージョンの差分を表示します。
| 両方とも前のリビジョン 前のリビジョン 次のリビジョン | 前のリビジョン | ||
|
3_モデルの記述 [2017/10/19] adash333 [見出し] |
3_モデルの記述 [2018/10/07] (現在) |
||
|---|---|---|---|
| ライン 1: | ライン 1: | ||
| ===== (3)モデルの記述 ===== | ===== (3)モデルの記述 ===== | ||
| - | <ChainerでMNIST目次>\\ | + | <wrap hi>Chainer2でMNIST目次</wrap>\\ |
| - | [[Chainer2プログラミングの全体図|(0)Chainer2プログラミングの全体図]]\\ | + | [[Chainer2プログラミングの全体図]] |
| - | [[(1)Chainer2を使用するためのimport文]]\\ | + | -[[(1)Chainer2を使用するためのimport文]] |
| - | [[(2)データの準備・設定]]\\ | + | -[[(2)データの準備・設定|(2)データの準備・設定(Chainer)]] |
| - | (3)モデルの記述 ←いまここ\\ | + | -[[(3)モデルの記述|(3)モデルの記述(Chainer)]] <wrap hi><= いまココ</wrap> |
| - | [[(4)モデルと最適化アルゴリズムの設定]]\\ | + | -[[(4)モデルと最適化アルゴリズムの設定|(4)モデルと最適化アルゴリズムの設定(Chainer)]] |
| - | [[(5)学習（Trainerを利用しない場合）]]\\ | + | -[[(5)学習と結果の出力(Chainer)]] |
| - | [[(6)結果の出力]]\\ | + | -[[(6)結果の出力|(6)学習結果のパラメータの保存(Chainer)]] |
| + | -[[(7)推測|(7)推測(Chainer)]] | ||
| <code> | <code> | ||
| ライン 14: | ライン 15: | ||
| class MyModel(Chain): | class MyModel(Chain): | ||
| def __init__(self): | def __init__(self): | ||
| - | super(MyModel,self).__init__( | + | super(MyModel,self).__init__( |
| # パラメータを含む関数の宣言 | # パラメータを含む関数の宣言 | ||
| ) | ) | ||
| - | | ||
| def __call__(self, ...): | def __call__(self, ...): | ||
| - | # 損失関数 | + | # モデルを記載 |
| - | + | ||
| - | def fwd(self, x): | + | |
| - | # 順伝播？ ここにもモデルを記載、予測するときにこの関数を用いる | + | |
| </code> | </code> | ||
| ライン 41: | ライン 38: | ||
| [[(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。 | [[(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。 | ||
| - | {{:pasted:20171019-231608.png}} | + | {{:pasted:20171103-224810.png}} |
| - | + | ==== 1. モデルの記述 ==== | |
| - | ==== 1. データセットの準備 ==== | + | |
| 以下のコードを入力して、Shift + Enterを押します。 | 以下のコードを入力して、Shift + Enterを押します。 | ||
| <code> | <code> | ||
| - | import chainer | + | ''' |
| - | import chainer.links as L | + | 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 |
| - | import chainer.functions as F | + | 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): | class MLP(chainer.Chain): | ||
| def __init__(self, n_mid_units=100, n_out=10): | def __init__(self, n_mid_units=100, n_out=10): | ||
| - | # パラメータを持つ層の登録 | ||
| super(MLP, self).__init__( | super(MLP, self).__init__( | ||
| l1=L.Linear(None, n_mid_units), | l1=L.Linear(None, n_mid_units), | ||
| ライン 62: | ライン 67: | ||
| def __call__(self, x): | def __call__(self, x): | ||
| - | # データを受け取った際のforward計算を書く | ||
| h1 = F.relu(self.l1(x)) | h1 = F.relu(self.l1(x)) | ||
| h2 = F.relu(self.l2(h1)) | h2 = F.relu(self.l2(h1)) | ||
| return self.l3(h2) | return self.l3(h2) | ||
| - | |||
| - | model = MLP() | ||
| </code> | </code> | ||
| 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。） | 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。） | ||
| - | {{:pasted:20171019-231849.png}} | + | 図は作成中 |
| + | |||
| + | {{:pasted:20171020-001546.png}} | ||
| 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。 | 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。 | ||
| ライン 85: | ライン 89: | ||
| Chainer2に関しては、以下の本がかなりおすすめです。 | Chainer2に関しては、以下の本がかなりおすすめです。 | ||
| + | |||
| <html> | <html> | ||
| <iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="//rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=B01NBMKH21&linkId=a7a35903a4c55f62d8aa012c3d0277d8"></iframe> | <iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="//rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=B01NBMKH21&linkId=a7a35903a4c55f62d8aa012c3d0277d8"></iframe> | ||
| ライン 90: | ライン 95: | ||
| 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。 | 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。 | ||
| + | |||
| <html> | <html> | ||
| <iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="//rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=4873117585&linkId=603bea27ea1777eb662830c5609200a1"></iframe> | <iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="//rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=4873117585&linkId=603bea27ea1777eb662830c5609200a1"></iframe> | ||
| </html> | </html> | ||
| ===== リンク ===== | ===== リンク ===== | ||
| - | <ChainerでMNIST目次>\\ | + | |
| - | [[Chainer2プログラミングの全体図|(0)Chainer2プログラミングの全体図]]\\ | + | 次 [[(4)モデルと最適化アルゴリズムの設定|(4)モデルと最適化アルゴリズムの設定(Chainer)]] |
| - | [[(1)Chainer2を使用するためのimport文]]\\ | + | |
| - | [[(2)データの準備・設定]]\\ | + | 前 [[(2)データの準備・設定|(2)データの準備・設定(Chainer)]] |
| - | (3)モデルの記述 ←いまここ\\ | + | |
| - | [[(4)モデルと最適化アルゴリズムの設定]]\\ | + | |
| - | [[(5)学習（Trainerを利用しない場合）]]\\ | + | <wrap hi>Chainer2でMNIST目次</wrap>\\ |
| - | [[(6)結果の出力]]\\ | + | [[Chainer2プログラミングの全体図]] |
| + | -[[(1)Chainer2を使用するためのimport文]] | ||
| + | -[[(2)データの準備・設定|(2)データの準備・設定(Chainer)]] | ||
| + | -[[(3)モデルの記述|(3)モデルの記述(Chainer)]] <wrap hi><= いまココ</wrap> | ||
| + | -[[(4)モデルと最適化アルゴリズムの設定|(4)モデルと最適化アルゴリズムの設定(Chainer)]] | ||
| + | -[[(5)学習と結果の出力(Chainer)]] | ||
| + | -[[(6)結果の出力|(6)学習結果のパラメータの保存(Chainer)]] | ||
| + | -[[(7)推測|(7)推測(Chainer)]] | ||
3_モデルの記述.1508422947.txt.gz · 最終更新: 2018/10/07 (外部編集)
