[PYTHON] Tutoriel CIFAR-10 avec Keras

Remarquer

** J'ai publié le contenu du tutoriel dans cet article jusqu'à présent, mais comme il sera volumineux et qu'il sera difficile de le mettre à jour deux fois, veuillez vous référer à la note sur Github pour plus de détails. Je pense que ce serait mieux car je pense que je peux suivre les derniers contenus. De plus, nous continuerons à vous informer des mises à jour sur Github sur cette page. ** **

Le référentiel est ici Si vous souhaitez voir uniquement le contenu du didacticiel, veuillez cliquer ici Si vous trouvez des erreurs dans le contenu du tutoriel, veuillez les signaler dans les commentaires sur l'article ou sur la page de problème de Github.

-- Tutoriel CIFAR-10: Contenu de cet article --Tutoriel CIFAR-10 [Annexe]: Un petit conseil --Tutoriel CIFAR-10 [Apprentissage par transfert]: A propos de l'apprentissage par transfert avec CIFAR-10. Je pourrais écrire un article un jour. --Comment utiliser le package dlt /: Une brève explication sur la façon d'utiliser le package dlipr en utilisant Fashion-MNIST --results /: Enregistrez la sortie duTutoriel CIFAR-10 --ʻImages / `: enregistrer des exemples d'images et d'autres images

• Balise-tl: Tutoriel CIFAR-10 [apprentissage par transfert] résultats obtenus

Journal des modifications

--2018 / 02/03: Le tutoriel est maintenant disponible en tant que site Web sans avoir à le cloner depuis Github.

• 2018/01/20:
• Ajout de la documentation sur l'utilisation du paquet dlipr. Cliquez ici pour l'article de Qiita (https://qiita.com/hiroyuki827/items/6473ec870b252a928539) --Migré le document principal de Qiita vers Github. --Renommé de dlipr à dlt (Deep Learning Tools) --2018 / 01/19: Correction d'un bug lié à la matrice de confusion. --2018 / 01/18: La description de la sortie de la matrice de confusion a été supprimée car la sortie de la matrice de confusion a une erreur causée par np.histogram2d du paquet dlipr. J'ai changé la structure des notes, etc. sur Github. L'annexe a été rendue indépendante de ce document pour faciliter sa mise en œuvre. --2017 / 11/28: Changement de la lecture de la méthode Keras de tensorflow à l'importation directe à partir de Keras. --2017 / 07/19: La mise à jour de la note de github a été collectée, je l'ai donc reflétée dans Qiita. J'ai ajouté une explication qui semble être une explication, mais cela peut être un peu déroutant. Je vais le réparer un jour. --2017 / 07/17: Correction de la partie qui pouvait prêter à confusion lors de la visualisation du contenu des données. --2017 / 06/20: Afin de sauvegarder la préparation compliquée du fichier dlipr, il a été récemment publié afin de pouvoir être exécuté dans n'importe quel environnement (qui répond à l'environnement d'exploitation). Veuillez cliquer ici.

Tutoriel CIFAR-10

1.Tout d'abord

Ce tutoriel traite d'un problème de classification d'images appelé CIFAR-10. CIFAR-10 se compose de 50 000 données d'image couleur 32x32 pixels et de 10 étiquettes pour le classer: avion, voiture, oiseau, chat, cerf, chien, grenouille, cheval, bateau, camion. .. Il existe également un CIFAR-100, qui est classé en étiquettes plus subdivisées, et il a 100 étiquettes. Les deux sont fondamentalement les mêmes, donc cette fois j'utiliserai CIFAR-10.

Utilisez également Keras pour l'implémentation. Keras ne peut pas être utilisé pour l'apprentissage non supervisé, mais je pense que Keras est suffisant pour traiter les problèmes d'apprentissage automatique typiques qui représentent CIFAR-10 et MNIST. De plus, Keras est très facile à implémenter pour les réseaux simples (pas seulement les réseaux à sens unique, mais les branchements, les RNN, etc.), donc même les débutants (plutôt que le Tensorflow brut) Je pense qu'il est facile de comprendre ce que vous faites. Ce tutoriel explique également comment implémenter Keras (bien que ce soit facile), afin que même ceux qui ne connaissent pas Keras puissent le lire. Si vous êtes bloqué, veuillez vous référer au Document officiel.

Ce tutoriel est basé sur ce que j'ai appris lors d'une conférence universitaire, j'ai donc ajouté des explications supplémentaires là où il m'a fallu beaucoup de temps pour comprendre. Je ne peux pas nier que c'est globalement redondant, mais je pense qu'il serait utile que les personnes ayant des problèmes similaires le quittent.

• Contexte et lecteurs attendus * ――Je ne le comprends pas profondément, mais j'ai essayé MNIST pour les débutants. Cependant, cela ne continue pas après cela. ――J'ai étudié le contexte du machine learning («Deep Learning from scratch») ――Je veux essayer CNN en utilisant Keras.

Fonctionnalités de ce tutoriel

• Choses à faire
• J'ai essayé CIFAR-10 avec Keras.
• J'ai essayé de visualiser l'apprentissage automatique avec mon propre package (dlt). ――Ce tutoriel est autonome et peut être facilement exécuté (si l'environnement est configuré) si vous suivez les instructions.

--Ce qu'il ne faut pas faire ―― Qu'est-ce que l'apprentissage automatique? --À propos de Tensorflow --Améliorer la précision (par exemple, comment régler les hyper paramètres)