ユーザ用ツール

サイト用ツール


3_モデルの記述

文書の過去の版を表示しています。


(3)モデルの記述

<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 ←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)

(6)結果の出力

#3 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

開発環境

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、(2)データの準備・設定の続きであり、今回は、MNISTのモデルの記述を行っていきます。

手順

0. 前回終了時の画面

(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。

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。

import chainer
import chainer.links as L
import chainer.functions as F

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),
            l2=L.Linear(n_mid_units, n_mid_units),
            l3=L.Linear(n_mid_units, n_out),
        )

    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()

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。)

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。

次は、(4)モデルと最適化アルゴリズムの設定に進んでください。

見出し

a

リンク

3_モデルの記述.1508422810.txt.gz · 最終更新: 2018/10/07 (外部編集)

Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki