Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Viewers also liked (17)
Similar to ディープラーニングゼミ TensorFlowで学ぶ理論と実践
Similar to ディープラーニングゼミ TensorFlowで学ぶ理論と実践 (16)
Recently uploaded
Recently uploaded (9)
ディープラーニングゼミ TensorFlowで学ぶ理論と実践
- 4. 参考URL・書籍 深層学習 (機械学習プロフェッショナ ルシリーズ) 第二章 MNIST For ML Beginners https://www.tensorflow.org/versions/r0.9/tut orials/mnist/beginners/index.htmlhttps://www.amazon.co.jp/dp/B018K6C99A
- 8. 55,000枚 10,000枚 5,000枚 Train Test Validation MNIST
- 9. Train, Test, Validationの違い Train: 訓練用データ Test : 評価用データ Validation: 訓練時検証データ
- 11. 過学習の例
- 15. TensorFlowでMNIST from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) 解説 1行目：MNISTのライブラリをインポート 2行目：mnistという変数に、MNISTを読み込み（one-hotベクトル形式で） Tensorflowでは Trainの画像→ mnist.train.images [55000, 784]の配列 Trainのラベル→ mnist.train.labels [55000, 10]の配列
- 17. MNISTのソフトマックス回帰 何か 0 0 0.05 0.1 0 0.75 0 0 0.1 0 0である確率 1である確率 9である確率 5である確率 ・ ・ ・ ・ ・ ・ 和が1になる！
- 21. MNISTのソフトマックス回帰 y = softmax(evidence) softmax(𝑥𝑖) = exp(𝑥 𝑖) 𝑗 exp(𝑥 𝑗) exp(x) = 𝑒 𝑥 ソフトマックス関数の定義 例 𝑗 exp(𝑥 𝑗) = 𝑒0.2 + 𝑒0.4 + ⋯ + 𝑒0 = 36342 𝒙 = 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 𝑥8 𝑥9 = 0.2 0.4 2.5 1.2 0.3 10.5 0.2 0.5 1.3 0 Softmax(x) = 1 36342 𝑒0.2 𝑒0.4 𝑒2.5 𝑒1.2 𝑒0.3 𝑒10.5 𝑒0.2 𝑒0.5 𝑒1.3 𝑒0.0 = 0.00003 0.00004 0.00033 0.00009 0.00004 0.99927 0.00003 0.00004 0.00010 0.00003
- 26. 𝒚 = softmax(𝑾𝒙 + 𝒃)
- 27. 𝒚 = softmax(𝑾𝒙 + 𝒃) 入力x 784次元 出力y 10次元 重みW 784×10次元 バイアスb 10次元 画像 各数字の確率
- 28. モデルの実装 import tensorflow as tf x = tf.placeholder(tf.float32, [None, 784]) TensorFlowのインポート 入力xの入れ物を用意。 Float型で、次元が、n枚×784となる。
- 29. モデルの実装 W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) 入力x 784次元 出力y 10次元 重みW 784×10次元 バイアスb 10次元 重みWとバイアスbの変数の定義 初期値を0にする
- 30. モデルの実装 y = tf.nn.softmax(tf.matmul(x, W) + b) 出力y 10次元 重みW 784×10次元 バイアスb 10次元 𝒚 = softmax(𝑾𝒙 + 𝒃)出力までのモデルを定義する
- 31. モデルの実装 出力y 10次元 重みW 784×10次元 バイアスb 10次元 𝒚 = softmax(𝑾𝒙 + 𝒃) 出力までのモデルを定義する from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) import tensorflow as tf x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b)
- 32. コスト関数 モデル 0 0 0.05 0.1 0 0.75 0 0 0.1 0 0 0 0 0 0 1 0 0 0 0 推定結果 正解 どの程度正確か？ どれほど良い モデルなのか？ コスト関数
- 33. コスト関数 0 0 0.05 0.1 0 0.75 0 0 0.1 0 0 0 0 0 0 1 0 0 0 0 推定結果y 正解y’ コスト関数 𝐻′ 𝑦 = − 𝑖 𝑦𝑖 ′ log(𝑦𝑖) 交差エントロピー どれくらい予測が非効率かの指標 交差エントロピーを最小化させる →モデルの精度があがる
- 34. コスト関数 交差エントロピー実装 y_ = tf.placeholder(tf.float32, [None,10]) 正解ラベルの入れ物を用意 n枚×10次元 交差エントロピーの定義 ※複数枚の合計の値になる 𝐻′ 𝑦 = − 𝑖 𝑦𝑖 ′ log(𝑦𝑖) 交差エントロピー cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
- 37. どうやって最適化する？ x
- 38. どうやって最適化する？ x
- 39. どうやって最適化する？ x
- 40. どうやって最適化する？ x
- 41. どうやって最適化する？ x
- 42. どうやって最適化する？ x
- 43. どうやって最適化する？ x
- 45. 勾配降下法による誤差逆伝搬法の実装 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) Gradient Descent = 勾配降下法 勾配降下法で交差エントロピーを減少させる訓練ステップを実装
- 46. 残りのおまじない init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) 変数を初期化するメソッドを定義 セッションを定義 変数を初期化
- 47. 学習を回す for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) 1000回繰り返し MNISTから次の100枚分のデータを取得 入力画像と正解ラベルより学習させる
- 48. 評価と結果の表示 正解の定義をする。 argmax(y,1)は、yの中で最もスコアが高いものを返す 精度の定義をする。 正答の割合を算出 精度を計算して表示。評価には、テストデータを使う correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))