はじめに chainerが1.11.0になってから結構変わっていたので、自分なりの理解を書きます。 できるだけ、初めてpythonとchainerをやってみる人にも分かるようします(つもりです)。 コードはここ サンプルの中のtrain_mnist.pyというファイルです。 MNIST mnistとは28x28のサイズの数字が書かれた画像のデータセットです。 機械学習で入門用としてよく使われるものです。 ネットワーク class MLP(chainer.Chain): def __init__(self, n_in, n_units, n_out): super(MLP, self).__init__( l1=L.Linear(n_in, n_units), l2=L.Linear(n_units, n_units), l3=L.Linear(n_units, n_out), ) def
Convolution2Dの使い方がよくわかんない。 よくわかんないのでとりあえず動作しているサンプルを改造して動きを見てみることにした。 #!/usr/bin/env python """Chainer example: train a multi-layer perceptron on MNIST This is a minimal example to write a feed-forward net. It requires scikit-learn to load MNIST dataset. """ import argparse import numpy as np import six import chainer from chainer import computational_graph as c from chainer import cuda import cha
The MNIST database of handwritten digits, available from this page, has a training set of 60,000 examples, and a test set of 10,000 examples. It is a subset of a larger set available from NIST. The digits have been size-normalized and centered in a fixed-size image. It is a good database for people who want to try learning techniques and pattern recognition methods on real-world data while spendin
あけましておめでとうございます。今年もChainer中心に遊んでいきたいと思います。 過去最大のアップデート 1.5。あまりにも変わりすぎていて以前のコードを1.5対応に書き換えるが結構大変です。 正直1.4のままでいいかな…と思いましたが、最新版についていかないと損しそうなので箱根駅伝見ながら勉強しました。1.5でCuPyがだいぶ速くなったようですし。 未解決なところ、曖昧・あやふやな情報がありますがご了承下さい。一部1.4以前に既にあったものも含まれてるかもしれません。 自信が無いところはこの色で書いてます。 まずは1.5版チュートリアル和訳から、後はサンプルコードとドキュメントを見ながら試行錯誤しました。 i101330.hatenablog.com ChainとLink __call__ WeightDecay、GradientClippingはadd_hookで optimize
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
ChainerというPythonライブラリを用いて、ディープラーニングにおける多層パーセプトロンを実装します。 MNISTという数字画像データ集 ここでは、画像データとして、MNISTにおける数字画像データを使用します。 MNISTのページ 上記のページに数字の画像データとラベルデータがまとめられたバイナリファイルがおいてあります。 train-images-idx3-ubyte.gz: 学習データ用の文字画像集 train-labels-idx1-ubyte.gz: 学習データ用の文字画像集に対応した数字 t10k-images-idx3-ubyte.gz: テストデータ用の文字画像集 t10k-labels-idx1-ubyte.gz: テストデータ用の文字画像集に対応した数字 となっています。バイナリファイルの詳しい構造はMNISTページの下の方に書いてあるので、参考にし
毎日の向こうに 仕事/趣味、そしてそれらに使っているパソコン(主にMacOSX),写真,旅行のことなど書いています. Chainer オフィシャルサイトのチュートリアルの1つをトレースしてみる。 http://docs.chainer.org/en/stable/tutorial/basic.html 使用バージョン: Chainer 1.5. 目的:0から9までの手書き数字の画像を学習して数字を認識する。 まず Chainer の Git リポジトリを取得する。 その中の examples を利用する。 $git clone https://github.com/pfnet/chainer.git chainer $cd …/chainer/examples/mnist/ ターミナルで Python を起動する。 インタラクティブにいこう。 まず準備。 import numpy as n
ディープラーニングは色々な知識が必要です。 「チュートリアル動かしました」で止まったままの人も多いでしょう。 そこで、自分がchainerを理解しながら動かした時の方法を書きます。 大前提 とは言ったものの、誰でも入門は無理なので。 以下が最低限の前提です。 数学:微分積分、行列、確率とか聞いても「ああ、あれね・・・」くらいには思う IT:Pythonがそれなりに分かる。numpyはそこそこ分かる。 機械学習:説明変数とか、目的変数とか分類とかが何となく分かる やる気:引っかかった時に、調べる気力がある ゴール chainerを自分で色々試せるレベルになる。 あくまで試せるレベルになるだけです。 それでも千里の道も一歩からです。 一緒に頑張りましょう。 ちなみになぜchainerか、というと、 入門者が触るには、バランスは良さそうに見えたからです。 最初の最初 ディープラーニングは歴史から
これまでDeep LearningのアルゴリズムをTheanoで実装してきた(2015/4/29)けれど、ここらで巷で大人気のライブラリChainerにも手を出してみた。Theanoの勉強を始めたあとすぐにChainerが公開された(2015/6/9)がユーザや情報が増えるまで待っていた感じ(笑)最近はコードや実験結果などを公開してくれる人が増えてきたので非常に参考になっている。目についたものはてぶに登録しているので、興味を持った手法はがしがし勉強して追試していきたい。 Chainerのバージョンは1.3.2をベースにしている。1.3からPyCUDA/scikit-cudaを独自ライブラリのCuPyに置き換えたとのことで、以前のコードは少し修正しないと動かないようだ。その分、1.3からはインストールがシンプルになっていてとてもうれしい。1.1のころは、Chainerと直接関係ないPyCUD
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです! Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.co
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く