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。

--- 7_推測 [2017/11/02] – [(7)推測] adash333
+++ 7_推測 [2018/10/07] (現在) – 外部編集 127.0.0.1
@@ 行 1: / 行 1: @@
 ===== (7)推測 =====
-<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]]\\
+  -[[(3)モデルの記述|(3)モデルの記述(Chainer)]]
-[[(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|(7)推測(Chainer)]]　<wrap hi><= いまココ</wrap>
 <code>
-#5 学習（Trainerを利用しない場合）
+#predict.py
+#7 推測
+# import文
-作成中
+# modelの定義
+class MLP(chainer.Chain):
+    def __init__(self, n_units, n_out):
+        super(MLP, self).__init__()
+        with self.init_scope():
+            # モデルを記載
+    def __call__(self, x):
+        # モデルを記載
+# モデルを使って判定する
+model = L.Classifier(MLP(1000, 10))
+# 前回の学習結果のパラメータをインポート
+serializers.load_npz('my_mnist.model', model)
+# 画像を読み込み、データセットに変換した後（後述）
+# 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.links.Classifierのpredictorで推測
+y = model.predictor(x)
+# y.dataという配列の中で一番大きい値をとる要素のインデックスを返す
+predict = np.argmax(y.data)
+print("predict:" , predict)
-for epoch in range(繰り返し回数)
-    データの加工
-    .update   #パラメータ更新
 </code>
@@ 行 29: / 行 50: @@
 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。
+このページは、[[(6)結果の出力]]の続きであり、今回は、推測を行っていきます。
 ===== 手順 =====
 ==== 0. 前回終了時の画面 ====
-[[(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。
+[[(6)結果の出力]]終了時の、以下のような状態から始めます。
-{{:pasted:20171101-164954.png}}
+{{:pasted:20171101-165650.png}}
+==== 1. 推測 ====
+新しいnotebookを作成して、predict.jpynbという名前にします。
+predict.jpynbと同じフォルダに、0.jpgという名前で28x28の手書き数字を保存しておきます。なお、Windows付属の「ペイント」などで、背景を黒で、数字の部分を白で書いて作ってください。今回は、これを推測します。
-==== 1. 結果の出力 ====
 以下のコードを入力して、Shift + Enterを押します。
-<code>
+<html>
-#6 結果の出力
+<script src="https://gist.github.com/adash333/1505e2625906aafdc95c36b05b9d5e75.js"></script>
-ok = 0
+</html>
-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))
-</code>
 すると、以下のような画面になります。
-{{:pasted:20171101-165250.png}}
-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。
-<code>
+（作成中）
-#6.2 学習結果のパラメータ保存
-chainer.serializers.save_npz('my_mnist.model', model)
-</code>
-{{:pasted:20171101-165650.png}}
-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。
-{{:pasted:20171101-165837.png}}
-次は、[[(7)推測]]へ進んでください。
+これで、ChainerでMNISTの解説は終了となります。
@@ 行 151: / 行 158: @@
 ===== 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]]\\
-[[(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]]\\
+次 [[機械学習成果をwebで公開]]
+前 [[(6)結果の出力|(6)学習結果のパラメータの保存(Chainer)]]
+<wrap hi>Chainer2でMNIST目次</wrap>\\
+[[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)]]
+  -[[(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)]]　<wrap hi><= いまココ</wrap>