ユーザ用ツール

サイト用ツール


7_推測

文書の過去の版を表示しています。


(7)推測

<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

(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

#5 学習(Trainerを利用しない場合)
for epoch in range(繰り返し回数)
    データの加工
    model.cleargrads() #勾配初期化
    loss = model(...)  #誤差計算
    loss.backward      #勾配計算
    optimizer.update   #パラメータ更新

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、(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。

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。

1. 結果の出力

以下のコードを入力して、Shift + Enterを押します。

#6 結果の出力
ok = 0
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))

すると、以下のような画面になります。

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。

#6.2 学習結果のパラメータ保存
chainer.serializers.save_npz('my_mnist.model', model) 

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。

次は、(7)推測へ進んでください。

chainer.Variable()

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の基本オブジェクトについて〜Variable編〜
20161024


https://qiita.com/moroku0519/items/48d89e5b782e27f740de

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

7_推測.1509578599.txt.gz · 最終更新: 2018/10/07 (外部編集)

Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki