[PYTHON] Expérience de réseau de neurones pliable

J'étudie l'apprentissage profond pour une raison quelconque. Jusqu'à présent, j'ai écrit sur la touche d'apprentissage en profondeur chez Qiita.

Implémentation de réseau neuronal simple à l'aide de Chainer Implémentation de réseau neuronal simple à l'aide de la préparation Chainer-Data- Implémentation de réseau neuronal simple à l'aide de la description du modèle Chainer- Implémentation de réseau neuronal simple en utilisant Chainer-setting de l'algorithme d'optimisation-

Mon objectif est de créer une application qui lit les images et classe ce qu'elles sont, donc j'étudie les réseaux de neurones convolutifs. Sans parler de l'étude de la théorie, j'ai décidé d'expérimenter ce que signifie réellement laisser une machine apprendre des images.

Profitez de la sagesse de nos prédécesseurs

J'ai trouvé cet article une fois et je l'ai trouvé intéressant. Les six enfants d'Osomatsu-san peuvent-ils être identifiés par apprentissage profond ~ Mise en œuvre ~

Ce classificateur utilise un modèle modifié basé sur ImageNet appelé le modèle NIN de chaînage. Le blog auquel je faisais référence Salut-roi http://hi-king.hatenablog.com/entry/2015/06/11/021144 Quand shi3z http://d.hatena.ne.jp/shi3z/20150709/1436397615 est.

Je voulais exécuter l'exemple ImageNet, j'ai donc décidé de me référer à ces blogs. (Surtout, j'ai toujours lu le blog de shi3z !!!)

Cependant, comme les spécifications du chainer changent à chaque fois que la version change, il a fallu faire attention en se référant à ces articles il y a plus d'un an. Les points d'achoppement sont résumés dans ici.

Après cela, vous pouvez apprendre en vous référant aux deux articles ci-dessus.

Environnement d'exécution

J'écrirai l'environnement d'exécution pour référence. OS:Ubuntu14.04 GPU:GeForce GTX 750 Ti memory:8GB

Entraine toi

État pendant l'apprentissage

L'apprentissage se termine lorsque l'erreur approche 0,2. Si l'erreur est trop faible, elle sera surapprise.

l'époque est le cycle d'apprentissage. L'apprentissage progresse à mesure que le nombre de fois augmente. Par exemple, voici l'image que j'ai essayé de reconnaître cette fois.

C'est un joli darmesien. Puisqu'il y avait du Dalmesian à l'image d'ImageNet, j'ai adopté le Dalmesian cette fois.

Image ImageNet Dalmesian

Il existe également des images de ballons de football qui ont des caractéristiques similaires (taches noires et blanches) au dalmesien, comme le yin et le yang.

Résultat d'apprentissage

Tout d'abord, voici le résultat lorsqu'une seule époque est apprise

La probabilité d'être un avion est de 43,1%.

Je ne suis toujours pas intelligent.

Mais quand cela va 28 epoch,

99,9% de chances d'être dalmesien

Je suis devenu plus intelligent.

en conclusion

Tout d'abord, j'ai pu découvrir ce que signifie classer des images dans des machines. Quant aux projets futurs, -Apprenez votre image préférée, pas un échantillon -Comprendre les principes des réseaux de neurones convolutifs J'étudierai dans le but de.

référence

Les six enfants d'Osomatsu-san peuvent-ils être identifiés par apprentissage profond? http://bohemia.hatenablog.com/entry/2015/11/22/174603

La classification des images se fait avec le chainer de framework d'apprentissage en profondeur de PFN (Neural net 1 with chainer) http://hi-king.hatenablog.com/entry/2015/06/11/021144

Apprenez en profondeur et reconnaissez votre image avec NIN de Chainer http://d.hatena.ne.jp/shi3z/20150709/1436397615