サルでもわかる機械学習

<ChainerでMNIST目次>
(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

#5 学習（Trainerを利用しない場合）
for epoch in range(繰り返し回数)
    データの加工
    model.cleargrads() #勾配初期化
    loss = model(...)  #誤差計算
    loss.backward      #勾配計算
    optimizer.update   #パラメータ更新

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、(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。

(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。

以下のコードを入力して、Shift + Enterを押します。

#6 結果の出力
ok = 0
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))

すると、以下のような画面になります。

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。

#6.2 学習結果のパラメータ保存
chainer.serializers.save_npz('my_mnist.model', model) 

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。

次は、(7)推測へ進んでください。

chainerで画像データをモデルに入力はするためには、画像データをNumpy配列に変換し、さらに、型をVariableに変換する必要がある。

import numpy as np
import chainer
from chainer import Variable

# PILなどでimageを読み込んでおき、Numpy配列に変換しておき、
# 以下で、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のvariableについて 20170521
https://qiita.com/rerere0101/items/bc841829da06fa466406

Chainerの基本オブジェクトについて〜Variable編〜 20161024
https://qiita.com/moroku0519/items/48d89e5b782e27f740de

chainer.Variable
https://docs.chainer.org/en/stable/reference/core/generated/chainer.Variable.html#chainer.Variable

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。

<ChainerでMNIST目次>
(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