サルでもわかる機械学習

この文書は読取専用です。文書のソースを閲覧することは可能ですが、変更はできません。もし変更したい場合は管理者に連絡してください。
===== (3)モデルの記述 =====

<wrap hi>Chainer2でMNIST目次</wrap>\\
[[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)]]

<code>
#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
</code>


===== 開発環境 =====
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。

===== 手順 =====

==== 0. 前回終了時の画面 ====
[[(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:20171103-224810.png}}
==== 1. モデルの記述 ====
以下のコードを入力して、Shift + Enterを押します。

<code>
'''
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)
</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。）

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。

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。


===== 参考文献 =====
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。

<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>
</html>

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>
<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>
===== リンク =====

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)]]

前 [[(2)データの準備・設定|(2)データの準備・設定(Chainer)]]


<wrap hi>Chainer2でMNIST目次</wrap>\\
[[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)]]
サルでもわかる機械学習

ユーザ用ツール

サイト用ツール

ページ用ツール
