7_推測
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 | ||
|
7_推測 [2017/11/02] adash333 [chainer.Variable()について] |
7_推測 [2018/10/07] (現在) |
||
|---|---|---|---|
| ライン 1: | ライン 1: | ||
| ===== (7)推測 ===== | ===== (7)推測 ===== | ||
| - | <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]]\\ | + | -[[(3)モデルの記述|(3)モデルの記述(Chainer)]] |
| - | [[(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)]] <wrap hi><= いまココ</wrap> | ||
| <code> | <code> | ||
| - | #5 学習（Trainerを利用しない場合） | + | #predict.py |
| - | for epoch in range(繰り返し回数) | + | #7 推測 |
| - | データの加工 | + | # import文 |
| - | model.cleargrads() #勾配初期化 | + | |
| - | loss = model(...) #誤差計算 | + | # modelの定義 |
| - | loss.backward #勾配計算 | + | class MLP(chainer.Chain): |
| - | optimizer.update #パラメータ更新 | + | def __init__(self, n_units, n_out): |
| + | super(MLP, self).__init__() | ||
| + | with self.init_scope(): | ||
| + | # モデルを記載 | ||
| + | | ||
| + | def __call__(self, x): | ||
| + | # モデルを記載 | ||
| + | |||
| + | # モデルを使って判定する | ||
| + | model = L.Classifier(MLP(1000, 10)) | ||
| + | # 前回の学習結果のパラメータをインポート | ||
| + | serializers.load_npz('my_mnist.model', model) | ||
| + | # 画像を読み込み、データセットに変換した後（後述） | ||
| + | # ニューラルネットワークにおけるノードに対応するオブジェクトに変換する | ||
| + | x = chainer.Variable(image) | ||
| + | # chainer.links.Classifierのpredictorで推測 | ||
| + | y = model.predictor(x) | ||
| + | # y.dataという配列の中で一番大きい値をとる要素のインデックスを返す | ||
| + | predict = np.argmax(y.data) | ||
| + | |||
| + | print("predict:" , predict) | ||
| </code> | </code> | ||
| ライン 28: | ライン 50: | ||
| 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。 | 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、[[(5)学習（Trainerを利用しない場合）]]の続きであり、今回は、結果の出力の記述を行っていきます。 | + | このページは、[[(6)結果の出力]]の続きであり、今回は、推測を行っていきます。 |
| ===== 手順 ===== | ===== 手順 ===== | ||
| ==== 0. 前回終了時の画面 ==== | ==== 0. 前回終了時の画面 ==== | ||
| - | [[(5)学習（Trainerを利用しない場合）]]終了時の、以下のような状態から始めます。 | + | [[(6)結果の出力]]終了時の、以下のような状態から始めます。 |
| - | {{:pasted:20171101-164954.png}} | + | {{:pasted:20171101-165650.png}} |
| + | ==== 1. 推測 ==== | ||
| + | |||
| + | 新しいnotebookを作成して、predict.jpynbという名前にします。 | ||
| + | |||
| + | predict.jpynbと同じフォルダに、0.jpgという名前で28x28の手書き数字を保存しておきます。なお、Windows付属の「ペイント」などで、背景を黒で、数字の部分を白で書いて作ってください。今回は、これを推測します。 | ||
| - | ==== 1. 結果の出力 ==== | ||
| 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> | + | <html> |
| - | #6 結果の出力 | + | <script src="https://gist.github.com/adash333/1505e2625906aafdc95c36b05b9d5e75.js"></script> |
| - | ok = 0 | + | </html> |
| - | for i in range(len(test)): | + | |
| - | x = Variable(np.array([ test[i][0] ], dtype=np.float32)) | + | |
| - | t = test[i][1] | + | |
| - | out = model.fwd(x) | + | |
| - | ans = np.argmax(out.data) | + | |
| - | if (ans == t): | + | |
| - | ok += 1 | + | |
| - | + | ||
| - | print((ok * 1.0)/len(test)) | + | |
| - | </code> | + | |
| すると、以下のような画面になります。 | すると、以下のような画面になります。 | ||
| - | {{:pasted:20171101-165250.png}} | ||
| - | 精度は96.6％との結果でした。 | ||
| - | 次に、この学習したモデルのパラメータを、「my_mnist.model」という名前で保存します。 | ||
| - | <code> | + | （作成中） |
| - | #6.2 学習結果のパラメータ保存 | + | |
| - | chainer.serializers.save_npz('my_mnist.model', model) | + | |
| - | </code> | + | |
| - | {{:pasted:20171101-165650.png}} | ||
| - | すると、MNIST_MLP.ipynbと同じフォルダ（今回は、C:/py/chainer/MNIST_MLP/ フォルダ）に、「my_mnist.model」という名前のファイルが保存されます。次回、このモデルのパラメータを読み込んで、推測を行います。 | ||
| - | {{:pasted:20171101-165837.png}} | ||
| - | 次は、[[(7)推測]]へ進んでください。 | + | これで、ChainerでMNISTの解説は終了となります。 |
| ライン 107: | ライン 115: | ||
| ==== chainer.links.Classifierのpredictorについて ==== | ==== chainer.links.Classifierのpredictorについて ==== | ||
| + | Chainerでは、modelは、必ず、L.Classifier(model)としておく。 | ||
| <code> | <code> | ||
| ライン 117: | ライン 126: | ||
| # chainer.links.Classifierのpredictorで推測 | # chainer.links.Classifierのpredictorで推測 | ||
| y = model.predictor(x) | y = model.predictor(x) | ||
| + | # y.dataという配列の中で一番大きい値をとる要素のインデックスを返す | ||
| + | # 今回は、インデックスの値がそのまま、数字の分類項目となっている | ||
| predict = np.argmax(y.data) | predict = np.argmax(y.data) | ||
| </code> | </code> | ||
| + | |||
| + | 2017-06-25 | ||
| + | 配列の最大要素のインデックスを返すNumPyのargmax関数の使い方\\ | ||
| + | https://deepage.net/features/numpy-argmax.html | ||
| + | |||
| + | |||
| https://docs.chainer.org/en/stable/reference/generated/chainer.links.Classifier.html | https://docs.chainer.org/en/stable/reference/generated/chainer.links.Classifier.html | ||
| ライン 141: | ライン 158: | ||
| ===== 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]]\\ | ||
| - | [[(1)Chainer2を使用するためのimport文]]\\ | ||
| - | [[(2)データの準備・設定]]\\ | ||
| - | [[(3)モデルの記述]]\\ | ||
| - | [[(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）]]\\ | ||
| - | [[(6)結果の出力]]\\ | ||
| + | 次 [[機械学習成果をwebで公開]] | ||
| + | |||
| + | 前 [[(6)結果の出力|(6)学習結果のパラメータの保存(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)]] | ||
| + | -[[(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)]] <wrap hi><= いまココ</wrap> | ||
7_推測.1509582326.txt.gz · 最終更新: 2018/10/07 (外部編集)
