[PYTHON] Apprentissage profond à partir de zéro

Exécutez le code tout en lisant le Deep Learning créé à partir de zéro. J'écrirai les endroits où il est coincé.

environnement

-Windows10 -Ubuntu on Windows -python3

Construire un environnement Python

numpy était déjà inclus, mais matplotlib n'était pas inclus, donc je l'ai installé avec une commande. $ sudo apt-get install python3-matplotlib

1.6.1 Dessiner un graphique simple

show () ne peut pas être utilisé J'ai besoin de présenter Xming http://qiita.com/makky0620/items/e31edc90f22340d791ff

Téléchargez Xming à partir du site suivant https://ja.osdn.net/projects/sfnet_xming/

Xming-6-9-0-31-setup.exe Xming-fonts-7-7-0-10-setup.exe 2 J'ai exécuté le fichier et l'ai installé.

Lorsque vous passez la souris sur l'icône dans la barre inférieure droite, Xming server: 0.0 s'affiche (selon le site de référence). Entrez dans la variable d'environnement. $ export DISPLAY=localhost:0.0

$ xclock L'horloge a été affichée avec succès.

Il est maintenant affiché par show ().

1.6.2 legend () semble être une fonction qui donne une légende

? Le clavier était américain, probablement parce que j'ai ajouté Xming.

1.6.3 Une erreur s'est produite lors du chargement et de l'affichage de l'image

Traceback (most recent call last):
  File "img.py", line 5, in <module>
    plt.imshow(img)
  File "/usr/lib/python3/dist-packages/matplotlib/pyplot.py", line 2881, in imshow
    ax = gca()
  File "/usr/lib/python3/dist-packages/matplotlib/pyplot.py", line 803, in gca
    ax =  gcf().gca(**kwargs)
  File "/usr/lib/python3/dist-packages/matplotlib/pyplot.py", line 450, in gcf
    return figure()
  File "/usr/lib/python3/dist-packages/matplotlib/pyplot.py", line 423, in figure
    **kwargs)
  File "/usr/lib/python3/dist-packages/matplotlib/backends/backend_tkagg.py", line 79, in new_figure_manager
    return new_figure_manager_given_figure(num, figure)
  File "/usr/lib/python3/dist-packages/matplotlib/backends/backend_tkagg.py", line 87, in new_figure_manager_given_figure
    window = Tk.Tk()
  File "/usr/lib/python3.4/tkinter/__init__.py", line 1854, in __init__
    self.tk = _tkinter.create(screenName, baseName, className, interactive, wantobjects, useTk, sync, use)
_tkinter.TclError: no display name and no $DISPLAY environment variable

J'ai pensé, mais j'ai oublié ʻexport DISPLAY = localhost: 0.0`. Chaque fois que vous redémarrez le terminal, vous devez reconfigurer l'environnement. Écrivez en .bashrc.

3.6.1 Il dit que mnist.py se trouve dans le répertoire de l'ensemble de données, mais quel est le répertoire de l'ensemble de données? Il a dit que vous devriez inclure la distribution Anaconda, mais est-ce lié au fait de ne pas l'inclure? Il y avait un lien vers GitHub depuis cette page d'introduction sur le site d'O'Reilly. https://github.com/oreilly-japan/deep-learning-from-scratch Télécharger. $ git clone https://github.com/oreilly-japan/deep-learning-from-scratch.git

Les images ne peuvent pas être affichées avec PIL. Vous pouvez enregistrer le fichier avec pil_img.save (" output.png "). Il semble qu'il puisse être affiché en insérant quelque chose appelé Imagemagick. http://d.hatena.ne.jp/kimihito/20120508/1336461904 $ sudo apt-get install imagemagick

Une erreur s'est produite: pickle n'a pas été défini car il a été copié. ʻImporter le cornichon`.

4.4.1 Les hyper paramètres sont différents des paramètres du réseau neuronal et semblent être ajustés manuellement. Je me demande si ce paramètre peut également être acquis automatiquement.

4.4.2 J'ai trouvé une erreur (peu importe) dans le texte. Il a été confirmé qu'il en était de même pour les 1er et 6e tirages.

P. 111


\>>> net = simpleNet()
\>>> print(net.W) #Paramètre de poids
[[ 0.47355232, 0.9977393 , 0.84668094],
 [ 0.85557411, 0.03563661, 0.69422093]])
\>>>
\>>> x = np.array([0.6, 0.9])
\>>> p = net.predict(x)
\>>> print(p)
[ 1.13282549 0.66052348 1.20919114]```
 Le code interactif ci-dessus est inclus, mais le résultat final d'impression est numériquement "[1.05414809 0.63071653 1.1328074]".
 Puisque net.W est généré par des nombres aléatoires, je me demande s'il a été exécuté une fois et net.predict (x) a été copié dans le manuscrit du livre, puis net.W a été régénéré et net.W a été copié dans le manuscrit du livre.


 lambda est une syntaxe pour créer des fonctions anonymes.
`f = lambda w: net.loss(x, t)`
 Quand

#### **`python`**
```def f(x)

  return net.loss(x, t)```
 Est probablement équivalent.


Recommended Posts

Apprentissage profond à partir de zéro
Apprentissage profond à partir de zéro 1 à 3 chapitres
Apprentissage profond à partir de zéro (calcul des coûts)
Mémo d'apprentissage profond créé à partir de zéro
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 7]
Apprentissage profond à partir de zéro (propagation vers l'avant)
Apprentissage profond / Apprentissage profond à partir de zéro 2-Essayez de déplacer GRU
Deep learning / Deep learning made from scratch Chapitre 6 Mémo
[Mémo d'apprentissage] Deep Learning fait de zéro [Chapitre 5]
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 6]
"Deep Learning from scratch" avec Haskell (inachevé)
Deep learning / Deep learning made from scratch Chapitre 7 Mémo
[Windows 10] Construction de l'environnement "Deep Learning from scratch"
Enregistrement d'apprentissage de la lecture "Deep Learning from scratch"
[Deep Learning from scratch] À propos de l'optimisation des hyper paramètres
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 12) Deep learning
[Mémo d'apprentissage] Deep Learning fait de zéro [~ Chapitre 4]
Mémo d'auto-apprentissage "Deep Learning from scratch" (glossaire illisible)
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 9) Classe MultiLayerNet
Deep Learning from scratch ① Chapitre 6 "Techniques liées à l'apprentissage"
GitHub du bon livre "Deep Learning from scratch"
Deep Learning from scratch Chapter 2 Perceptron (lecture du mémo)
[Mémo d'apprentissage] Apprentissage profond à partir de zéro ~ Mise en œuvre de l'abandon ~
Apprentissage profond / code de travail LSTM
Résumé Python vs Ruby "Deep Learning from scratch"
L'apprentissage en profondeur
Mémo d'auto-apprentissage «Deep Learning from scratch» (10) Classe MultiLayerNet
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 11) CNN
[Deep Learning from scratch] J'ai implémenté la couche Affine
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 19) Augmentation des données
Application de Deep Learning 2 à partir de zéro Filtre anti-spam
[Deep Learning from scratch] J'ai essayé d'expliquer le décrochage
Deep learning / Deep learning from scratch 2 Chapitre 4 Mémo
Deep learning / Deep learning made from scratch Chapitre 3 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 5 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 7 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 8 Mémo
Deep learning / Deep learning made from scratch Chapitre 5 Mémo
Deep learning / Deep learning made from scratch Chapitre 4 Mémo
Deep learning / Deep learning from scratch 2 Chapitre 3 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 6 Mémo
Tutoriel d'apprentissage en profondeur de la construction d'environnement
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 1
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 5
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 2
Mémorandum d'apprentissage profond
Créez un environnement pour "Deep Learning from scratch" avec Docker
Commencer l'apprentissage en profondeur
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 3
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 7
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 5
Un amateur a trébuché dans le Deep Learning ❷ fait de zéro Note: Chapitre 1
Apprentissage en profondeur Python
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 4
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 18) One! Miaou! Grad-CAM!
Apprentissage profond × Python
Un amateur a trébuché dans le Deep Learning à partir de zéro.
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 2