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 [2017/11/03] – [リンク] 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 ====
 以下のコードを入力して、Shift + Enterを押します。
 <code>
-#3 モデルの記述
+'''
-import chainer
+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.links as L
+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。
-import chainer.functions as F
+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):
-class MyModel(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__(
-        super(MyModel, self).__init__(
             l1=L.Linear(None, n_mid_units),
             l2=L.Linear(n_mid_units, n_mid_units),
@@ 行 61: / 行 66: @@
         )
-    def __call__(self, x,t):
+    def __call__(self, x):
-        # 損失関数
-        return F.softmax_cross_entropy(self.fwd(x),t)
-    def fwd(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))
@@ 行 73: / 行 73: @@
 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}}
@@ 行 99: / 行 101: @@
 ===== リンク =====
-次 [[(1)Chainer2を使用するためのimport文]]
+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 [[Chainer2.0をWindowsにインストール]]
+前 [[(2)データの準備・設定|(2)データの準備・設定(Chainer)]]
@@ 行 108: / 行 110: @@
   -[[(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)]]
+  -[[(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)]]