[PYTHON] Erfahrung mit faltbaren neuronalen Netzen

Ich lerne aus irgendeinem Grund tiefes Lernen. Bisher habe ich über die Berührung des tiefen Lernens bei Qiita geschrieben.

Einfache Implementierung eines neuronalen Netzwerks mit Chainer Einfache Implementierung eines neuronalen Netzwerks mit Chainer-Data-Vorbereitung- Einfache Implementierung eines neuronalen Netzwerks unter Verwendung der Chainer-Modellbeschreibung- Einfache Implementierung eines neuronalen Netzwerks unter Verwendung der Chainer-Einstellung des Optimierungsalgorithmus ](http://qiita.com/moroku0519/items/0952ed5b24a77aed7fe6)

Mein Ziel ist es, eine App zu erstellen, die Bilder liest und klassifiziert, was sie sind. Deshalb studiere ich Faltungs-Neuronale Netze. Ganz zu schweigen vom Studium der Theorie, entschied ich mich zu erfahren, was es bedeutet, eine Maschine tatsächlich Bilder lernen zu lassen.

Nutzen Sie die Weisheit unserer Vorgänger

Ich habe diesen Artikel einmal gefunden und fand ihn interessant. Können die sechs Kinder von Osomatsu-san durch tiefes Lernen identifiziert werden ~ Implementierung ~

Dieser Klassifikator verwendet ein modifiziertes Modell basierend auf ImageNet, das als Chainer-NIN-Modell bezeichnet wird. Der Blog, auf den ich mich bezog Hallo König http://hi-king.hatenablog.com/entry/2015/06/11/021144 Wann shi3z's http://d.hatena.ne.jp/shi3z/20150709/1436397615 ist.

Ich wollte das Beispiel-ImageNet ausführen und habe mich daher entschlossen, auf diese Blogs zu verweisen. (Vor allem habe ich immer shi3z's Blog gelesen !!!)

Da sich die Spezifikationen von Chainer jedoch jedes Mal ändern, wenn sich die Version ändert, war es vor mehr als einem Jahr erforderlich, vorsichtig zu sein, wenn auf diese Artikel verwiesen wird. Die Stolperpunkte sind in [hier] zusammengefasst (http://qiita.com/moroku0519/items/c50bc6558a34c3b29e4d).

Danach können Sie anhand der beiden oben genannten Artikel lernen.

Ausführungsumgebung

Ich werde die Ausführungsumgebung als Referenz schreiben. OS:Ubuntu14.04 GPU:GeForce GTX 750 Ti memory:8GB

Trainieren

Zustand während des Lernens

Das Lernen endet, wenn sich der Fehler 0,2 nähert. Wenn der Fehler zu gering ist, wird er überlernt.

Epoche ist der Lernzyklus. Das Lernen schreitet mit zunehmender Häufigkeit voran. Hier ist zum Beispiel das Bild, das ich dieses Mal zu erkennen versucht habe.

Es ist ein hübscher Darmesianer. Da es im Bild von ImageNet Dalmesian gab, habe ich dieses Mal Dalmesian übernommen.

ImageNet Dalmesian Bild

Es gibt auch Bilder von Fußbällen, die ähnliche Eigenschaften (schwarze und weiße Flecken) wie Dalmesian haben, wie Yin und Yang.

Lernergebnis

Hier ist zunächst das Ergebnis, wenn nur eine Epoche gelernt wird

Die Wahrscheinlichkeit, ein Flugzeug zu sein, beträgt 43,1%.

Ich bin immer noch nicht schlau.

Aber wenn dies 28 Epoche geht,

99,9% Chance, Dalmesianer zu sein

Ich bin schlauer geworden.

abschließend

Zunächst konnte ich erfahren, was es bedeutet, Bilder in Maschinen zu klassifizieren. Was zukünftige Pläne betrifft, -Lernen Sie Ihr Lieblingsbild, kein Beispiel -Verstehen der Prinzipien von Faltungs-Neuronalen Netzen Ich werde mit dem Ziel studieren.

Referenz

Können die sechs Kinder von Osomatsu-san durch tiefes Lernen identifiziert werden? http://bohemia.hatenablog.com/entry/2015/11/22/174603

Die Bildklassifizierung erfolgt mit dem Deep Learning Framework Chainer von PFN (Neuronales Netz 1 mit Chainer). http://hi-king.hatenablog.com/entry/2015/06/11/021144

Lernen und erkennen Sie Ihr Bildset mit Chainers NIN http://d.hatena.ne.jp/shi3z/20150709/1436397615