===== (7)推測 ===== Chainer2でMNIST目次\\ [[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)]]　<= いまココ


#predict.py
#7 推測
# import文

# 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)

===== 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、[[(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 ==== [[(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:20171101-165650.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。以下のコードを入力して、Shift + Enterを押します。すると、以下のような画面になります。（作成中）これで、ChainerでMNISTの解説は終了となります。 ==== chainer.Variable()について ==== chainerで画像データをモデルに入力はするためには、画像データをNumpy配列に変換し、さらに、型をVariableに変換する必要がある。


import numpy as np
import chainer
from chainer import Variable

# PILなどでimageを読み込んでおき、Numpy配列に変換しておき、
# 以下で、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のvariableについて 20170521\\ https://qiita.com/rerere0101/items/bc841829da06fa466406 Chainerの基本オブジェクトについて〜Variable編〜 20161024 \\ https://qiita.com/moroku0519/items/48d89e5b782e27f740de chainer.Variable\\ https://docs.chainer.org/en/stable/reference/core/generated/chainer.Variable.html#chainer.Variable ==== chainer.links.Classifierのpredictorについて ==== Chainerでは、modelは、必ず、L.Classifier(model)としておく。


import numpy as np
import chainer
from chainer import Variable

# 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
# 今回は、インデックスの値がそのまま、数字の分類項目となっている
predict = np.argmax(y.data)

2017-06-25 配列の最大要素のインデックスを返すNumPyのargmax関数の使い方\\ https://deepage.net/features/numpy-argmax.html https://docs.chainer.org/en/stable/reference/generated/chainer.links.Classifier.html ===== 参考文献 ===== 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。 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。 ===== リンク ===== 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)]] Chainer2でMNIST目次\\ [[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)]]　<= いまココ