[PYTHON] Maschinelles Lernen eines jungen Ingenieurs Teil 2

Einführung

Dies ist Teil 2 des Lernmemos für "Deep-Learning von Grund auf neu".

2-lagiges neuronales Netzwerk (Kapitel 4)

• Lesen Sie Daten aus mnist.py. Führt eine Normalisierung, ein one_hot-Array und ein eindimensionales Datenarray durch.

train_neuralnet

#Daten lesen
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True,flatten=True, one_hot_label=True)

• Initialisieren Sie das Gewicht von two_layer_net.py. Generieren Sie Schlüssel für die Parameter {W1:, b1:, W2 :, b2:} im Wörterbuchtyp. Sie können den Inhalt mit print (network.params) sehen.

train_neuralnet

network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)

• Stellen Sie jeden Anfangswert ein und verarbeiten Sie 100 Bilder von 60.000 Bildern.

train_neuralnet

iters_num = 10000  #Stellen Sie die Anzahl der Wiederholungen entsprechend ein
train_size = x_train.shape[0] # 60000
batch_size = 100
learning_rate = 0.1

train_loss_list = []
train_acc_list = []
test_acc_list = []
#Iterative Verarbeitung pro Epoche 60000/ 100
iter_per_epoch = max(train_size / batch_size, 1)

• Extrahieren Sie zufällig einige Daten aus den Trainingsdaten und führen Sie das Lernen durch. Hier werden 100 Blatt aus den Daten von 60.000 Blatt entnommen.

train_neuralnet

for i in range(iters_num): #10000
    #Holen Sie sich eine Mini-Charge
    batch_mask = np.random.choice(train_size, batch_size) # (100,)Form von
    x_batch = x_train[batch_mask] # (100,784)Form von
    t_batch = t_train[batch_mask] # (100,784)Form von
    
    #Gradientenberechnung
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
    
    #Parameteraktualisierung
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)

    #Speichern Sie Daten, wenn die Bedingungen für 1 Epoche bei 600 erfüllt sind
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))

• Zeichnen Sie ein Diagramm mit den in der Liste gespeicherten Daten.

python

#Zeichnen eines Diagramms
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list,'o', label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

• Zeichnungsergebnis

Referenz

Deep Learning von Grund auf neu