差分

このページの2つのバージョン間の差分を表示します。

--- 3_モデルの記述 [2017/10/19] – [1. データセットの準備] adash333
+++ 3_モデルの記述 [2018/10/07] (現在) – 外部編集 127.0.0.1
@@ 行 1: / 行 1: @@
 ===== (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>
@@ 行 14: / 行 15: @@
 class MyModel(Chain):
     def __init__(self):
-        super(MyModel,self).__init__(
+       super(MyModel,self).__init__(
             # パラメータを含む関数の宣言
         )
     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>
@@ 行 41: / 行 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。
-{{: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。
 <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。
+x28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、
+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):
-        # パラメータを持つ層の登録
         super(MLP, self).__init__(
             l1=L.Linear(None, n_mid_units),
@@ 行 62: / 行 67: @@
     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))
         h2 = F.relu(self.l2(h1))
         return self.l3(h2)
-model = MLP()
 </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。）
-{{: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。
@@ 行 79: / 行 83: @@
-===== 見出し =====
+===== 参考文献 =====
-a
+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 =====
-<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)]]