2018年01月27日 Keras/TesorFlowによるディープラーニング事始め

2. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. Kerasとは • 高水準のニューラルネットワークライブラリ – 迅速に、シンプルに、ニューラルネットが実装できる • バックエンドとして TensorFlow をサポート • 日本語のドキュメントが整備されている 2 Keras Documentation (https://keras.io/ja/)

3. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 今回やったこと Keras により手書き文字データセット MINIST の学習、および予測を実行。モデルはシンプルな全結合3層のネットワーク。 • ベースは Keras examples directory のサンプル mnist_mlp.py • ベースに対し次の点を変更 ➢訓練データとテスト用データの構成を変更 ➢TensorBoard用のコールバックを追加 ➢学習済みモデルにより予測をするコードを追加 3

4. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. MNISTとは 28x28ピクセル、グレースケールの手書き数字のデータセット。訓練データ6万枚、テストデータ1万枚。機械学習の実験用データとして使われることが多い。個々のデータは入力データ（画像データ）と教師データ（正解データ）のペアで与えられている。 4 入力データ (画像データ) 教師データ正解データ 6 2 4 3 4 1 0 6

5. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 訓練データの分割今回、学習済みモデルでの予測をするため、学習には MNISTの訓練データを8:2に分割して使用。 5 訓練データ (60,000枚) テストデータ (10,000枚) テストデータ (test data) (10,000枚) 訓練データ (training data) (48,000枚) 検証データ (validation data) (12,000枚) 学習に使用学習済みモデルによる予測に使用

6. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 環境＆インストール  環境 OS : Ubuntu 16.04 LTS (X64) Python : 3.5.4 (pyenv-virtualenv) TensorFlow : 1.4.1 Keras : 2.1.3  インストール pyenv-virtualenv 環境から pip でインストール。 • Keras/TensorFlow 関連のパッケージ 6 > pip install keras tensorflow jupyter • その他のパッケージ。 > pip install jupyter pandas matplotlib sklearn pydot

7. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. モデル 7  モデルディープラーニングでは、ニューラルネットワークのこと。 ➢ ハイパーパラメータ学習で決定できないパラメータ。 • モデルの層の数、活性化関数などモデルの構造に関わるパラメータ • ドロップアウトの割合、学習率など、学習の際のパラメータ ➢ パラメータ学習で決定するパラメータ。バイアス、重みなど。

8. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 学習と予測 8  学習訓練データと教師データのペアを入力として、最適化アルゴリズムにより、損失が最小となるモデルのパラメータを決定する。損失は、訓練データをモデルに入力し得られた出力と教師データとの差で、損失関数で計算する。  予測回帰や分類において、学習済みモデルにデータを入力し、予測値を得ること。

9. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. エポックとバッチサイズ  エポック全訓練データを1回学習に用いると1エポック。学習のエポック数が6の場合、全訓練データを用いた学習を 6回繰り返す。  バッチサイズ学習の際、訓練データからバッチサイズ数のデータを無作為に抜き出し、最適化アルゴリズムによりパラメータを更新する（ミニバッチ学習）。訓練データが48,000個、バッチサイズが 100の場合、1エポックで480回ミニバッチ学習を実行する。 9

11. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. AND回路、OR回路のモデル AND回路、OR回路は1層のモデルで学習できる。 11 model = Sequential() model.add(Dense(units=1, activation='sigmoid', input_shape=(2,))) 𝑦 = ℎ 𝑏 + 𝑤1 𝑥1 + 𝑤2 𝑥2 𝑤 : 重み 𝑏 : バイアス ℎ() : 活性化関数 𝑥1 1 𝑥2 𝑦1 𝑤1 𝑤2 𝑏 入力の形状出力の形状活性化関数通常の全結合ニューラルネットワークレイヤー入力層出力層 ○ はノード，ニューロン

13. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. ExOR回路のモデル ExOR回路は2層のモデルで学習できる。 13 model = Sequential() model.add(Dense(units=2, activation='relu’, input_shape=(2,))) model.add(Dense(units=1, activation='sigmoid’)) 𝑥21 1 𝑥22 𝑦1 𝑤12 (1) 𝑥11 1 𝑥12 𝑤11 (1) 𝑤22 (1) 𝑤21 (1) 𝑏1 (1) 𝑏2 (1) 𝑏1 (2) 𝑤11 (2) 𝑤12 (2) 入力層出力層中間層（隠れ層）

14. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. MNISTサンプルプログラムのモデル KerasのMNISTサンプルプログラム (mnist_mlp.py) のモデル。シンプルな全結合3層のネットワーク。 14 model = Sequential() model.add(Dense(512, activation='relu', input_shape=(28*28,))) model.add(Dropout(0.2)) model.add(Dense(512, activation='relu')) model.add(Dropout(0.2)) model.add(Dense(num_classes, activation='softmax'))

16. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 活性化関数ノードの入力の総和を変換する関数。 • 非線形関数であること • 微分可能であること 16 適用種類関数名説明中間層 ReLU関数 relu ℎ(𝑥) = max 0, 𝑥 = ቊ 0 (𝑥 < 0) 𝑥 (𝑥 ≥ 0) 出力層回帰恒等関数 linear ℎ(𝑥) = 𝑥 線形分類器。分類（2値変数）シグモイド関数 sigmoid 出力は0から1.0の間の実数。確率変数の出力に利用。分類（多値変数）ソフトマックス関数 softmax 出力は0から1.0の間の実数。出力の総和は1。ソフトマックス関数の出力は確率と解釈できる。上記以外にも様々な活性化関数が用意されている。活性化関数 - Keras Documentation

17. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 損失関数モデルの出力と教師データ（正解データ）との差を計算する関数。モデルをコンパイルする際に指定する。 17 適用種類関数名説明回帰 2乗和誤差 mean_squared_error 分類（2値変数）交差エントロピー誤差 binary_crossentropy 分類（多値変数）交差エントロピー誤差 categorical_crossentropy 上記以外にも様々な損失関数が用意されている。損失関数 - Keras Documentation

18. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 最適化アルゴリズムミニバッチ学習の際、最適なパラメータを計算するためのアルゴリズム。モデルをコンパイルする際に指定する。 Keras で利用可能な最適化アルゴリズムは最適化 - Keras Documentation を参照。学習率など、いくつかのハイパーパラメータは、最適化アルゴリズムから設定できる。  学習率学習の際、どれくらいパラメータを更新するか、調整するハイパーパラメータ。大きすぎると発散し、小さすぎると学習が進まない。 18

19. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. 分類（多値変数）のお約束分類（多値変数）の予測モデルを構築する際（損失関数として categorical_crossentropy を使用する際）、お約束がある。  モデルの出力モデルの出力は教師データのカテゴリ数とする。 MNISTの場合、0～9の10カテゴリなので、10次元とする。  教師データ教師データを、次元がカテゴリ数のone-hot表現に変換する。one-hot表現は、カテゴリに対応する次元が1、それ以外が0のベクトル。Kerasでは keras.utils.to_categorical 関数で、カテゴリカル変数をone-hot表現に変換できる。 19 損失関数 - Keras Documentation より抜粋

20. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. TensorBoardログ出力コールバックにより、TensorBoardのログの出力ができる。コールバックに登録した関数は学習の際に実行される。 20 tb_cb = keras.callbacks.TensorBoard(log_dir=tb_log_dir, histogram_freq=1) cbks = [tb_cb] keras.callbacks.TensorBoard メソッドのインスタンスを取得。 log_dir : ログの出力先 histogram_freq : モデルの層の活性化ヒストグラムを計算する（エポック中の）頻度 history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, callbacks=cbks, verbose=1, validation_data=(x_target, y_target)) 学習を実行する際、オプションにコールバックのインスタンスを指定。

21. Copyright © 2018 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved. TensorBoardログ出力学習完了後、 tensorboard コマンドを実行。ブラウザで TensorBoard サーバー（デフォルトはポート6006）にアクセス。 21 > tensorboard --logdir [tensorboard_log_dir]

2018年01月27日 Keras/TesorFlowによるディープラーニング事始め

Estás leyendo una previsualización.

Eche un vistazo a continuación

2018年01月27日 Keras/TesorFlowによるディープラーニング事始め

Más Contenido Relacionado

Presentaciones para usted (20)

Similares a 2018年01月27日 Keras/TesorFlowによるディープラーニング事始め (20)

Más de aitc_jp (20)

Más reciente (20)