サルでもわかる機械学習

流れとしては、以下となります。

1. Anacondaのインストール
2. Anaconda Promptで、chainer2仮想環境の構築（conda create –name chainer2 python=3.5 anaconda）
3. activate chainer2
4. pip install chainer==”2.0″
5. jupyter notebook

（環境）
Panasonic CF-RZ4
Windows 8.1 Pro
Anaconda 4.4.0
Python 3.5
Chainer 2.0

解説は以下のリンクへ

Windows8.1にChainer2.0をインストール
http://twosquirrel.mints.ne.jp/?p=19928

2017年10月現在、本家ChainerはVersion 3.0となっていますが、Chainer3.0の日本語の解説本は出版されていないので、以下の本がお勧めです。

Chainerv2による実践深層学習、新納浩幸

しかし、機械学習の理論の説明はさらっと流してあるので、理論でわからないところが出てきたら、やはり、

斎藤 康毅 ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

を読み返してみるのが良いと思います。

さらに、以下の解説をがんばって読むと、実行できるようになりそうです。

Chainer documentation
Introduction to Chainer
https://docs.chainer.org/en/stable/tutorial/basic.html

Chainerは日本の開発が開発している機械学習フレームワークなのに、公式ドキュメントは英語しかありません。

有志の方が日本語訳を作って下さっており、 大変参考になります。というか、日本語訳がないと困ります、、、

Chainer公式チュートリアル1/5（日本語訳）
2016/06/23 2017/07/03
http://robotics4society.com/2016/06/23/chainer-tutorial1/

なお、公式チュートリアルを読む際には、公式Githubのtrain_mnist.py(Versionに応じたもの)を見ながらが分かりやすいです。

https://github.com/chainer/chainer/tree/v2.0.0/examples/mnist

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

こちらの記事はビギナー向けと書いてありますが、『ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装 』を5回くらい読んで、ある程度理解してからでないと、何をやっているのかさっぱりだと思います。

ちなみに、本気で機械学習プログラミングを実行するためには、コンピュータのGPUの火力が必須です。Chainerとさくらインターネットが提携していて、『高火力コンピューティング』(1時間単位で課金)というものがあり、Chainerの導入方法もマニュアルがあるそうです。

https://books.google.co.jp/books?id=n342DwAAQBAJ&pg=PA42&lpg=PA42&dq=chainer+%E5%85%A8%E4%BD%93%E5%9B%B3&source=bl&ots=1ybBZW8I4N&sig=X7mUk9h3Ib7P6uk7uKv5F90l-vM&hl=ja&sa=X&ved=0ahUKEwjQo5u1rfrWAhUFI5QKHSJaB5kQ6AEINTAC#v=onepage&q=chainer%20%E5%85%A8%E4%BD%93%E5%9B%B3&f=false

この本の図の通りなのですが、一つずつ解説させていただきたいと思います。

（０）#0 Chainerを使用するためのimport文

（１）#1 データの準備・設定

（２）#2 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, ...):
    # 損失関数
    
    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

（３）#3 モデルと最適化アルゴリズムの設定（ほぼお約束の3行）
model = MyModel()
optimizer = optimizers.Adam()
optimizer.setup(model)

（４）#4 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

（５）#5 結果の出力

リンク