Hallo Licht. Ich habe den ** japanischen Zeichenerkennungsdatensatz ** erhalten, der am Environmental Research Institute verkauft wurde, also für Anfänger mit tiefem Lernen, die den Datensatz verwenden Ich werde das Tutorial veröffentlichen. Wir werden versuchen, eine japanische Zeichenerkennungs-Engine zu entwickeln.

Wie Sie auf dem Bild unten sehen können, handelt es sich um ein Tutorial, das den Zusammenbruch von Gestalt garantiert, aber ich möchte unbedingt mein Bestes geben.

Dieser Artikel ist ・ Ich möchte Deep Learning starten! ・ Ich möchte ein anderes Tutorial als die Nummernerkennung von mnist machen! ・ Ich möchte mehr über Deep Learning-bezogene Technologien erfahren! ・ Ich möchte die japanische OCR selbst entwickeln!

Ich schreibe für diejenigen, die sagen. Dies wird in der folgenden Übersicht erläutert.

Kapitel	Titel
Kapitel 1	Aufbau einer Deep-Learning-Umgebung basierend auf Chainer
Kapitel 2	Erstellen eines Deep Learning-Vorhersagemodells durch maschinelles Lernen
Kapitel 3	Zeichenerkennung anhand eines Modells
Kapitel 4	Verbesserung der Erkennungsgenauigkeit durch Erweiterung der Daten
Kapitel 5	Einführung in das neuronale Netz und Erklärung des Quellcodes
Kapitel 6	Verbesserung der Lerneffizienz durch Auswahl von Optimizer
Kapitel 7	TTA,Verbesserung der Lerneffizienz durch Chargennormalisierung

Wenn Sie mit Deep Learning noch nicht vertraut sind, fahren Sie bitte mit Kapitel 4 fort, da Sie ohnehin bewegte Objekte sehen möchten. Kapitel 5 und darunter sind für diejenigen gedacht, die mehr über Deep Learning erfahren möchten.

Einführung

Warum Chainer?

** Chainer ist ein inländisches OSS **. Das Beste ist, es ist einfach zu bedienen, leicht zu verstehen und selbst wenn Sie eine Frage zu Chainer bei Google Group stellen, wird es sofort kostenlos beantwortet.

Umgebung

Der Hauptteil basiert auf dem Mac, aber ich werde jeden von ihnen nach Windows erklären (obwohl der einzige Unterschied in der Vorbereitung der Umgebung besteht). ・ Gerätespezifikation: Speicher 4 GB oder mehr -Python2.7 Serie, Pip muss installiert sein

Umweltvorbereitung (Mac)

Am Terminal

sudo pip install chainer

Geben Sie chainer1.6.0, filelock2.0.5, Nase1.3.7, numpy1.10.4, protobuf 2.6.1 in loser Schüttung ein.

sudo pip install scipy

Geben Sie ein, um scipy 0.17.0 zu installieren.

Installieren Sie außerdem die Opencv 2.4.X-Serie unter Bezugnahme auf diesen Artikel.

Umgebungsvorbereitung (Windows)

An der Eingabeaufforderung

pip install chainer

Geben Sie chainer1.6.0, filelock2.0.5, Nase1.3.7, numpy1.10.4, protobuf 2.6.1 in loser Schüttung ein.

pip install scipy

Geben Sie ein, um scipy 0.17.0 zu installieren. Starten Sie die Eingabeaufforderung bei Bedarf im Administratormodus. Installieren Sie außerdem die Opencv 2.4.X-Serie unter Bezugnahme auf diesen Artikel.

Datenaufbereitung (Mac, Windows)

Kaufen Sie den Hirakana-Datensatz (1000 Yen) von der Website des Environmental Research Institute und laden Sie ihn herunter. Erstellen Sie auf Ihrem Desktop ein Verzeichnis mit dem Namen "HIRAGANA_NN" und entpacken Sie es.

-DESKTOP -HIRAGANA_NN -304a -304b ・・ (Referenz) Es ist in Ordnung, wenn es wie im Bild unten aussieht.

Außerdem geben Verzeichnisse wie 304a den Unicode jedes einfachen Pseudonyms an, und der Inhalt ist wie folgt.

Sie sind jetzt bereit. Ich möchte ab dem nächsten Kapitel 2 zum maschinellen Lernen übergehen!

Kapitel	Titel
Kapitel 1	Aufbau einer Deep-Learning-Umgebung basierend auf Chainer
Kapitel 2	Erstellen eines Deep Learning-Vorhersagemodells durch maschinelles Lernen
Kapitel 3	Zeichenerkennung anhand eines Modells
Kapitel 4	Verbesserung der Erkennungsgenauigkeit durch Erweiterung der Daten
Kapitel 5	Einführung in das neuronale Netz und Erklärung des Quellcodes
Kapitel 6	Verbesserung der Lerneffizienz durch Auswahl von Optimizer
Kapitel 7	TTA,Verbesserung der Lerneffizienz durch Chargennormalisierung