[PYTHON] Einfache Implementierung eines neuronalen Netzwerks mit Chainer

Bis zum letzten Mal schrieb ich über die grundlegenden Objekte, aus denen Chainer besteht. Ab diesem Zeitpunkt möchte ich mit diesen Objekten tatsächlich ein neuronales Netzwerk implementieren.

Gesamtansicht des neuronalen Netzes

Wenn Sie ein Programm schreiben, das ein neuronales Netzwerk zusammensetzt, besteht die Gesamtansicht ungefähr aus den folgenden fünf.

1. Datenaufbereitung

Es ist ein Programm, das Daten für das Training des Modells aufbereitet. Es gibt verschiedene Arten von Daten wie Sätze, Bilder und Töne, aber wir verarbeiten sie zu einer Datenform, die für das zu erstellende neuronale Netzwerk geeignet ist.

2. Modellbeschreibung

Beschreiben Sie eine Klasse, die die Chain-Klasse erbt. Weitere Informationen finden Sie unter hier.

class MyChain(Chain):
    def __init__(self):
        super(MyChain, self).__init__(
Funktionserklärung mit Parametern
        )
    def __call__(self, x, y):
Verlust (Fehler) -Funktion

3. Einstellungen des Optimierungsalgorithmus (SDG, Adam usw.)

Beschreibt den Prozess der Optimierung des Modells (Minimierung des Fehlers). Weitere Informationen finden Sie unter hier.

model = MyChain()
optimizer = optimizer.Adam()
optimizer.setup(model)

4. Lernen

Lernt die angegebene Anzahl von Malen. Je nach Gegenstand kann eine vorzeitige Beendigung durchgeführt werden, diesmal geben wir jedoch einfach die Epoche (Anzahl der Lernvorgänge) an. Es scheint, dass der Code von der Gradienteninitialisierung bis zur Parameteraktualisierung fast versprochen ist.

for epoch in range(Anzahl der Wiederholungen):
    model.zerograds()           #Gradienteninitialisierung
    loss = model(train, target) #Fehlerberechnung
    loss.backward()             #Gradientenberechnung
    optimizer.update()          #Parameteraktualisierung

5. Ergebnisausgabe

Speichern Sie das Modell des Trainingsergebnisses und führen Sie den Test durch.

Richtung vom nächsten Mal

Ich möchte diese Informationen nicht in einen Artikel einfügen, also ab dem nächsten Mal

1. Datenaufbereitung
2. Modellbeschreibung
3. Optimieren der Algorithmuseinstellungen
4. Lernen
5. Ergebnisausgabe

Ich werde in kleinen Teilen darüber schreiben. Bis hierher für diese Zeit

Referenz

Takayoshi Yamashita Deep Learning Kodansha, das in der Abbildung zu sehen ist Hiroyuki Shinno Praktisches Deep Learning mit Chainer-How zur Implementierung komplexer NN-Ohm