[PYTHON] Ein Memo bei der Ausführung des Beispielcodes von Deep Learning, der mit Google Colaboratory von Grund auf neu erstellt wurde

Einführung Dies ist der Inhalt, den ich bei der Ausführung des Beispielcodes in der Google Colaboratory-Umgebung notiert habe. ** "Deep Learning von Grund auf neu - Die Theorie und Implementierung des mit Python erlernten Deep Learning", veröffentlicht von O'REILY.

Holen Sie sich Beispieldaten von Büchern von GitHub

Informationen zum Mounten von Daten (Einführung der Verbindungsmethode, da diese nicht nur durch Hochladen von Daten auf Mein Laufwerk verwendet werden kann)

Über die Bildanzeige (Da das Bild in Google Colaboratory nicht angezeigt wurde, obwohl der Beispielcode geschrieben wurde, wurde eine alternative Methode eingeführt.)

Kapitel 3 Neuronales Netz 3.6.1 MNIST-Datensatz 3.7.1 Inferenzverarbeitung für neuronale Netze
Es wird ein Memo sein, wenn Sie den obigen Inhalt ausführen. (P72〜P75)

Datenerfassung Holen Sie sich Daten von GitHub. (herunterladen) https://github.com/oreilly-japan/deep-learning-from-scratch Ordnername = Deep-Learning-from-Scratch-Master

Informationen zum Hochladen und Mounten von Daten 1. Laden Sie den Ordner in Mein Laufwerk Google Drive hoch. 2. Erstellen Sie ein neues Google Colaboratory. 3. Montieren Sie das Laufwerk. (Stellen Sie die Daten im Notizbuch zur Verfügung.)

--Klicken Sie auf das Symbol, um den Vorgang zu starten.
--Verbinden Sie sich mit Google Drive

Wenn das Laufwerk angezeigt wird, ist die Verbindung hergestellt

Verzeichnis verschieben Sie müssen das aktuelle Verzeichnis ändern, bevor Sie den ersten Code eingeben.

Import der Funktion load_mnist

Führen Sie mnist_show.py aus ――Es ist möglich, den Code bis zur 6. Zeile wegzulassen. (Wird beim Importieren von load_mnist ausgeführt.) --Nummer des ersten Trainingsbildes = 5 - Anzahl der eindimensionalen Arrays = 784, - Vom 1-dimensionalen Array in die ursprüngliche Form umgewandelt = 28, 28 - Das Trainingsbild, das angezeigt werden sollte, wird nicht angezeigt. = Es wird in img gespeichert, aber nicht angezeigt.

Bildanzeige - Ich habe eine andere Anzeigemethode ausprobiert, um zu überprüfen, ob es wirklich 5 ist. --Importiere matplotlib und zeige das Bild an. ――Wir haben das erste Trainingsbild erfolgreich angezeigt.

Führen Sie neuralnet_mnist.py aus - Korrekte Erkennungsgenauigkeit = 0,9352 (93,52%).

Endlich Ich habe gerade den Beispielcode in Google Colaboratory ausgeführt, aber viel Zeit damit verbracht. Ich habe es zum ersten Mal gepostet, damit Leute, die sich über ähnliche Inhalte Sorgen machen, es so oft wie möglich verwenden können.

Recommended Posts
Ein Memo bei der Ausführung des Beispielcodes von Deep Learning, der mit Google Colaboratory von Grund auf neu erstellt wurde

Selbststudien-Memo "Deep Learning from Grund" (Nr. 13) Verwenden Sie Google Colaboratory

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 14) Führen Sie das Programm in Kapitel 4 in Google Colaboratory aus

Beispielcode-Zusammenfassung bei der Arbeit mit Google-Tabellen von Google Colab

Deep Learning von Grund auf neu 4.3.3 Zeichnen Sie einen Gradientenvektor Ihrer eigenen Funktion basierend auf dem Beispielcode der partiellen Differenzierung.

"Deep Learning from Grund" Memo zum Selbststudium (Teil 8) Ich habe die Grafik in Kapitel 6 mit matplotlib gezeichnet

[Lernnotiz] Deep Learning von Grund auf neu gemacht [Kapitel 7]

[Lernnotiz] Deep Learning von Grund auf neu gemacht [Kapitel 5]

[Lernnotiz] Deep Learning von Grund auf neu gemacht [Kapitel 6]

Deep Learning / Deep Learning von Grund auf neu Kapitel 7 Memo

"Deep Learning from Grund" Memo zum Selbststudium (Teil 12) Deep Learning

[Lernnotiz] Deep Learning von Grund auf neu gemacht [~ Kapitel 4]

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 9) MultiLayerNet-Klasse

Deep Learning von Grund auf neu Kapitel 2 Perceptron (Memo lesen)

[Lernnotiz] Deep Learning von Grund auf ~ Implementierung von Dropout ~

"Deep Learning from Grund" Memo zum Selbststudium (10) MultiLayerNet-Klasse

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 11) CNN

Bereiten Sie die Umgebung für das O'Reilly-Buch "Deep Learning from Grund neu" mit apt-get vor (Debian 8).

Deep Learning von Grund auf neu Die Theorie und Implementierung des mit Python erlernten Deep Learning Kapitel 3

Deep Learning von Grund auf neu

[Deep Learning von Grund auf neu] Ich habe die Affine-Ebene implementiert

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 19) Datenerweiterung

Erstellen Sie mit Winsows 10 eine maschinelle Lernumgebung von Grund auf neu

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 16) Ich habe versucht, SimpleConvNet mit Keras zu erstellen

Gegenmaßnahmen für den Fehler "Oberes Verzeichnis kann nicht abgerufen werden" bei Verwendung von Deep Learning ②, das mit dem Spyder von ANACONDA von Grund auf neu erstellt wurde

Versuchen Sie, ein Deep Learning / Neuronales Netzwerk mit Scratch aufzubauen

Codefragmente, die häufig bei der Verarbeitung von Videos mit Google Colaboratory verwendet werden

Erstellen Sie mit Docker eine Umgebung für "Deep Learning von Grund auf neu"

Deep Learning / LSTM Scratch Code

Selbststudien-Memo "Deep Learning from Grund" (Nr. 18) Eins! Miau! Grad-CAM!

Selbststudien-Memo "Deep Learning from Grund" (Nr. 15) TensorFlow-Anfänger-Tutorial

[Deep Learning von Grund auf neu] Informationen zu den Ebenen, die für die Implementierung der Backpropagation-Verarbeitung in einem neuronalen Netzwerk erforderlich sind

"Deep Learning from Grund" Memo zum Selbststudium (Nr. 10-2) Anfangswert des Gewichts

Deep Learning / Deep Learning von Grund auf neu 2 Kapitel 4 Memo

Deep Learning / Deep Learning von Null 2 Kapitel 5 Memo

Tiefes Lernen von Grund auf neu (Kostenberechnung)

Deep Learning / Deep Learning von Null 2 Kapitel 7 Memo

Deep Learning / Deep Learning von Null 2 Kapitel 8 Memo

Deep Learning / Deep Learning von Grund auf neu Kapitel 5 Memo

Deep Learning / Deep Learning von Grund auf neu Kapitel 4 Memo

Deep Learning / Deep Learning von Grund auf neu 2 Kapitel 3 Memo

Deep Learning Memo von Grund auf neu gemacht

Deep Learning / Deep Learning von Null 2 Kapitel 6 Memo

So führen Sie den Übungscode des Buches "Profitable KI mit Python erstellen" in Google Colaboratory aus

[Einführung in das maschinelle Lernen] Bis Sie den Beispielcode mit Chainer ausführen

Realisieren Sie mit Docker und Vagrant die Umgebungskonstruktion für "Deep Learning von Grund auf neu"

Erstellen Sie mit Cloud9 (jupyter miniconda python3) eine Lernumgebung für "Deep Learning von Grund auf neu".

Tiefes Lernen / Tiefes Lernen von Grund auf 2-Versuchen Sie, GRU zu bewegen

Erstellen Sie einen Kaskadenklassifizierer mit Google Colaboratory

"Deep Learning von Grund auf neu" mit Haskell (unvollendet)

[Windows 10] Aufbau einer "Deep Learning from Scratch" -Umgebung

Lernbericht über das Lesen von "Deep Learning von Grund auf neu"

[Deep Learning von Grund auf neu] Über die Optimierung von Hyperparametern

Passen Sie die Fortschrittsanzeige während des Lernens mit tf.keras an (Gegenmaßnahmen gegen Zellüberlauf in Google Colaboratory)

Feature Engineering für maschinelles Lernen Beginnend mit dem 4. Google Colaboratory - Interacting Features

Die Geschichte des tiefen Lernens mit TPU

Deep Learning von Grund auf neu ① Kapitel 6 "Lerntechniken"

GitHub des guten Buches "Deep Learning von Grund auf neu"

Erstelle mit pygame2 eine neue Benutzeroberfläche!