サルでもわかる機械学習

Chainerプログラミングの全体図

Chainer2プログラミングの全体図

必ずしもこの書き方ではなくてもよいらしい。。。

WEB上のMNISTのサンプルコードを読んでいると、Kerasだと皆ほぼ同じコードになるのに、Chainerだと人によってコードが結構異なる感じで、初心者には本当にとっつきにくいイメージ。

Chainer 1.11.0から、Trainerというものが導入されたらしく、このサイトでは、Trainerを用いた記載方法のみ解説します。（筆者がTrainerを使用しないやり方を実行できなかったため。）

Trainerを利用する場合のChainer全体図

いきなりTrainerと言われてもさっぱりだと思いますが、コードをコピペして1個ずつ理解するのみです！

Trainerの構造は、以下のようになっているらしいです。

（出典：Chainerビギナー向けチュートリアル Vol.1
）

最初にこの図を見たときは何がなんだかさっぱりでしたが、この図をみながら、なんとなく、以下のコードを写経して勉強していきたいと思います。

# ---------- train.py ---------- #
（１）#1 Chainerを使用するためのimport文

（２）#2 データの準備・設定
from chainer import iterators
# trainerを利用するために、Iteratorを定義してdatasetにアクセスできるようにする

（３）#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, ...):
    # モデルを記載

（４）#4 モデルと最適化アルゴリズムの設定
model = MyModel()
optimizer = optimizers.Adam()
optimizer.setup(model)

# UpdaterにIteratorとOptimizerを渡す
from chainer import training

updater = training.StandardUpdater(train_iter, optimizer, device=gpu_id)

（５）#5 学習と結果の出力
# TrainerにUpdaterを渡す
trainer = training.Trainer(updater, (max_epoch, 'epoch'), out='mnist_result')
# TrainerにExtensionを追加
from chainer.training import extensions
    # trainer.extend()で、学習の進行状況を表すプログレスバーや、lossのグラフ化と画像の保存などを行う

trainer.run()

（６）#6 学習結果のパラメータの保存
# Save paramaters
chainer.serializers.save_npz('my_mnist.model', model)

# ---------- predict.py ---------- #
（７）#7 推測
import numpy as np
import chainer import serializers

# Network definition
    # train.py　と同じModelを定義

model = MLP()
serializers.load_npz('my_mnist.model' model)

# 推測したい画像を読みこんでNumpy配列に変換し、chainerのVariableに変換
# (詳細は後述)
x = chainer.Variable(image)
# chainer.links.Classifierのpredictorで推測
y = model.predictor(x)
predict = np.argmax(y.data)

print("predict:" , predict)

もう一度、Trainerの構造を、今度はテキストで記載。

Trainer
  |-Updater
      |-Iterator
          |-Dataset
      |-Optimizer
          |-Model
  |-Extensions

Chainerプログラミングの全体図（2）Trainerを利用する場合

Trainerについては、以下のスライドが非常に参考になります。（といっても、私にはスライド内容の5%くらいしか理解できていない気がします、、、）

Chainer の Trainer 解説と NStepLSTM について
Published on Apr 11, 2017

https://www.slideshare.net/Retrieva_jp/chainer-trainer-nsteplstm

Trainerを利用する場合のChainer全体図

「Trainerを利用する場合の全体図」
(参考：Chainer v2による実践深層学習　新納浩幸 p54)

# train.py
（１）#1 Chainerを使用するためのimport文

（２）#2 tuple_datasetによるデータの準備・設定

（３）#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, x,t):
       # モデルを記述

（４）#4 モデルと最適化アルゴリズムの設定（ほぼお約束の3行）
model = MyModel()
optimizer = optimizers.Adam()
optimizer.setup(model)

（５）#5 学習（Trainerを利用する場合）
iterator = iterators.SerialIterator(tdata, bsize)
updater = training.StandardUpdater(iterator, optimizer)
trainer = training.Trainer(updater, (ep, ‘epoch’))
trainer.extend(extensions.ProgressBar())

trainer.run()

（６）#6 結果の出力

Chainer2でMNISTのコード

以下にコードそのものを記載します。非常に長く取っつきにくいコードですが、次回以降、順に解説させていただきます。

train_mnist_mlp.py

Predict_mnist_mlp.py

次 (1)Chainer2を使用するためのimport文

参考文献

<html>
<iframe style=“width:120px;height:240px;” marginwidth=“0” marginheight=“0” scrolling=“no” frameborder=“0” src=“rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=B0765Z6216&linkId=49eb04597478fb1258ccd5505496e554”></iframe>
</html>

https://qiita.com/abechi_17/items/b271b7042fae126616d7

Chainer 2.0 のMNISTサンプルで推論を動かす
abechi_17
2017年07月01日に投稿

Chainer 2.0 のMNISTサンプル(公式Document)
https://github.com/chainer/chainer/tree/v2.0.0/examples/mnist

Chainerの基本的な使い方

https://github.com/dsanno/deep-learning-study/blob/master/doc/chainer_basic.md

===== 次節以降 =====

MNISTを例に、一つずつ解説させていただきたいと思います。

いつもあまり面白くないMNISTですが、Chainer2プログラミングを理解する上で避けて通れないので、頑張ってやってみたいと思います。

===== リンク =====

次 (1)Chainer2を使用するためのimport文

前 Chainer2.0をWindowsにインストール

目次
-Chainer2.0をWindowsにインストール
-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
-(7)推測
-Chainer2機械学習成果をWEBで公開