Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Chainerの使い方と自然言語処理への応用

51,372 views

Published on

第10回 NLP若手の会シンポジウム (YANS) のチュートリアルスライドです。ニューラルネットの(アルゴリズムとしての)おさらいと、Chainer v1.3.0の使い方を紹介しています。

Published in: Technology
  • (Unlimited)....ACCESS WEBSITE Over for All Ebooks ................ accessibility Books Library allowing access to top content, including thousands of title from favorite author, plus the ability to read or download a huge selection of books for your pc or smartphone within minutes ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • (Unlimited)....ACCESS WEBSITE Over for All Ebooks ................ accessibility Books Library allowing access to top content, including thousands of title from favorite author, plus the ability to read or download a huge selection of books for your pc or smartphone within minutes ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ,DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ,DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ,DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ,DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ,DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

Chainerの使い方と自然言語処理への応用

  1. 1. Chainerの使い⽅方と ⾃自然⾔言語処理理への応⽤用 NLP若若⼿手の会  2015/09/03  @和倉温泉 得居  誠也,  Preferred  Networks
  2. 2. ⾃自⼰己紹介 l  得居  誠也  (Seiya  Tokui)    @beam2d  (Twitter,  GitHub) l  PFI  (2012-‐‑‒2014)  -‐‑‒>  PFN  (2014-‐‑‒) l  専⾨門:機械学習 –  ⾃自然⾔言語処理理(品詞タグ付け)、近傍探索索のためのハッシング(修⼠士) –  Deep  Learning(2012年年秋ごろ〜~)、画像・映像認識識 l  4  ⽉月に  Chainer  を作り始めて今はこれがメイン 2
  3. 3. Chainer サイト:  http://chainer.org ドキュメント:  http://docs.chainer.org GitHub:  https://github.com/pfnet/chainer l  Deep  Learning  のフレームワーク l  Python  ライブラリとして提供 l  最新版は  v1.3.0  (2015/9/3現在) 3
  4. 4. 今⽇日のおはなし l  Chainer  の使い⽅方を紹介します –  Deep  Learning  のおさらいも簡単にしますが、学術的な詳細は既存の⽂文献 を参考にしてください –  CUDA  サポートについても解説しますが、CUDA  の詳細は  NVIDIA  のド キュメントを参照してください l  ⾃自然⾔言語処理理への応⽤用⽅方法を紹介します –  Recurrent  Net  などのよく知られた結果を  Chainer  で実装する⽅方法を紹介 します 4
  5. 5. ニューラルネットの基礎
  6. 6. ニューラルネット l  値が伝播していく有向グラフ l  エッジで重みをかけて、ノードに⼊入るところで⾜足し込み、ノードの中で⾮非線形 変換する l  全体としては巨⼤大で複雑な関数を表す 6
  7. 7. ニューラルネット=合成関数 l  ニューラルネットは、ベクトルに対して線形・⾮非線形な関数をたくさん適⽤用す る合成関数と捉えるとよい –  ベクトルをまとめると上図のように –  まとめる理理由は⼆二つ u  わかりやすい/扱いやすいから u  ベクトル演算によって⾼高速化しやすいから l  各ノードはベクトルを保持する変数 –  紫のノードは  “中間変数” 7
  8. 8. ⼀一般のニューラルネットは  DAG  =  計算グラフ l  ⼀一般にはグラフが分岐したり合流流したりする l  分岐:同じ変数を複数の場所でつかう l  合流流:⼆二つ以上の変数を受け取る関数を適⽤用する 8
  9. 9. 計算グラフの例例 l  このグラフは  z = x ** 2 + 2 * x * y + y  という式を表す 9 x y _ ** 2 2 * _ _ * _ _ + _ z _ + _
  10. 10. 誤差逆伝播(後退型⾃自動微分) l  合成関数の微分を計算するには連鎖律律  (chain  rule)  をつかう l  たとえば                                                                                                                          を微分すると –  ヤコビ⾏行行列列の掛け算になっている l  ニューラルネットの最適化では、⽬目的関数はスカラーで、微分したいパラメー タや中間変数は⾼高次元のベクトル l  上の式でいえば          がスカラーで、                            はベクトル l  この場合(上の式で)左からかけていったほうが効率率率が良良い –  つまり        (出⼒力力)から        (⼊入⼒力力)に向けてヤコビ⾏行行列列を順にかけていく –  もとの関数と逆順なので誤差逆伝播法という 10 z z = h(y), y = g(x), x = f(w) z w = z y y x x w = Dh(y)Dg(x)Df (w) w, x, y z w
  11. 11. 誤差逆伝播は、計算グラフを逆向きにたどる l  計算グラフと順伝播時の各変数の値があれば計算可能 11
  12. 12. Recurrent  Net l  ループがあるニューラルネット l  時刻の概念念があり、t=T  の状態は  t=T-‐‑‒1  の状態と  t=T  の⼊入⼒力力を使って求める 12 T T-1 T
  13. 13. Recurrent  Net  は時間展開して考える l  時間展開すれば、DAG  の計算グラフになる l  DAG  の計算グラフは誤差逆伝播できる(Backprop  Through  Time) 13 t=1 t=2 t=3 t=4
  14. 14. Truncated  BPTT l  ⻑⾧長い系列列を学習するとき、計算グラフが⻑⾧長⼤大になり計算コストがかかる l  古い情報を忘れて(グラフを切切り落落として)計算コストを削減するのが   Truncated  BPTT(勾配は不不正確になる) 14 t=1 t=2 t=3 t=4 Truncated
  15. 15. Chainer の使い⽅方
  16. 16. Chainer  はニューラルネットのフレームワーク l  ニューラルネットをつかうためには最低限以下の機能が必要 –  ニューラルネットを記述する –  ニューラルネットの順伝播・逆伝播を実⾏行行する –  勾配法を実⾏行行してパラメータを最適化する l  Chainer  はこれらを  Python  上で実装したもの l  Chainer  の特徴 –  順伝播は単純に  Python  のスクリプトとして書ける –  そのスクリプトの実⾏行行結果は計算⼿手順を記憶していて、逆伝播を⼿手で書く必 要はない 16
  17. 17. Chainer  のインストール l  環境は  Linux(特に  Ubuntu)がおすすめです l  インストール⽅方法 –  新しめの  Python  環境を⽤用意(CPython  2.7+  または  3.4+) –  pip  も⽤用意 –  コマンドを実⾏行行:  pip install chainer –  chainer  パッケージが  import  できれば完了了です l  Python  スタックの環境構築は、Anaconda  がおすすめです l  Python  のバージョン管理理は  pyenv  がおすすめです(慣れてるものがある⽅方は そちらで  OK  です) –  pyenv  からコマンド⼀一つで  Anaconda  もインストールできます 17
  18. 18. 順伝播 l  今まで「変数」と呼んでいたものは、Chainer  では  Variable  オブジェクト l  Variable  オブジェクトを特殊な「関数」に⼊入れると、順伝播を実⾏行行しながら計 算グラフが構築される –  「関数」は  Function  オブジェクト –  簡単な四則演算などは  Variable  オブジェクト⾃自体に定義されている –  ほかの  Function  は  chainer.functions(F と略略記)にたくさん⽤用意さ れている x = Varaible(...) y = Variable(...) z = x ** 2 + 2 * x * y + y 18 x y _**2 2*_ _*_ _+_ z _+_
  19. 19. Variable  オブジェクト l  計算グラフの(データ)ノード l  NumPy  または  CuPy(後述)の配列列を保持する –  初期化時に配列列を渡す –  data  属性に保存される x = Variable(np.zeros((10, 20), dtype=np.float32)) x.data #=> セットした配列列が取り出せる l  多くの  Function  は配列列の最初の軸をミニバッチとして使うので注意 –  例例えば上の  x  は、20  次元ベクトルが  10  個⼊入ったミニバッチとみなす l  現状、Chainer  は多くの場所で  float32  配列列を要求するので注意(NumPy/ CuPy  はデフォルトの⼩小数型が  float64) 19
  20. 20. Function  オブジェクト l  計算グラフの「演算」ノード l  chainer.functions (=: F)  にいろいろ定義されている l  パラメータつきの  Function –  F.Linear, F.Convolution2D, F.EmbedID, ... –  あらかじめ定義しておいて、順伝播の計算時につかう l  パラメータなしの関数 –  F.relu, F.max_pooling_2d, F.lstm, ... –  Variable  オブジェクトを返すただの  Python  関数が提供されているので、 順伝播のときに直接つかう 20
  21. 21. FunctionSet  でパラメータつき関数をまとめる l  パラメータ付きの  Function  オブジェクトは複数のイテレーションで使いまわす ので、あらかじめ作っておく l  FunctionSet  を使うと、これらをまとめて管理理できる model = FunctionSet(embed=F.EmbedID(10000, 100), layer1=F.Linear(100, 100), layer2=F.Linear(100, 10000)) def forward(x): h = F.relu(model.layer1(model.embed(x))) return model.layer2(h) 21
  22. 22. ロス関数、勾配計算 l  様々なロス関数が定義されている –  F.softmax_cross_entropy, F.mean_squared_error –  パラメータ付きのロス関数もある:  F.NegativeSampling, F.BinaryHierarchicalSoftmax l  ロス関数を計算したら、Variable.backward()  でそのロス値の勾配を求める def forward(x, t): h = F.relu(model.layer1(model.embed(x))) return F.softmax_cross_entropy(model.layer2(h), t) loss = forward(x) loss.backward() 22
  23. 23. Optimizer  の設定 l  勾配が計算できたら、あとは勾配法をまわす l  勾配法のアルゴリズムはみな  Optimizer  クラスの⼦子クラス –  chainer.optimizers  に定義されている –  実装されている最適化⼿手法:SGD, MomentumSGD, AdaGrad, RMSprop, RMSpropGraves, AdaDelta, Adam l  パラメータと勾配の配列列をあらかじめ  setup  メソッドに渡しておく必要がある l  FunctionSet  をつかう場合、簡単にわたせる optimizer = optimizers.SGD() optimizer.setup(model) 23
  24. 24. Optimizer  による最適化 l  Optimizer  を使う⼿手順 –  まず勾配をゼロ初期化:zero_̲grads() –  順伝播・逆伝播を実⾏行行 –  必要なら正則化メソッドを実⾏行行:weight_̲decay(),  clip_̲grads() –  最適化ルーチンを実⾏行行:update() optimizer.zero_grads() loss = forward(x, t) loss.backward() optimizer.weight_decay(0.005) optimizer.update() 24
  25. 25. Chainer  を使う場合の全体の流流れ 1.  FunctionSet  にパラメータ付き関数を定義する 2.  Optimizer  を定義して、FunctionSet  を設定する 3.  forward  関数を定義する 4.  データセットを読み込み、訓練⽤用と評価⽤用にわける 5.  訓練ループを回す a.  勾配をゼロ初期化 b.  forward  関数を呼び、得られたロス値の  backward  メソッドを呼ぶ c.  正則化処理理をして、update 6.  適当な頻度度で評価ループを回す a.  forward  関数を呼んで結果を記録 25
  26. 26. 例例:MNIST # Model definition model = FunctionSet( l1=F.Linear(784, 100), l2=F.Linear(100, 100), l3=F.Linear(100, 10)) opt = optimizers.SGD() opt.setup(model) # Forward computation def forward(x, t): h1 = F.relu(model.l1(x)) h2 = F.relu(model.l2(h1)) y = model.l3(h2) return F.softmax_cross_entropy( y, t) # Training loop for epoch in xrange(n_epoch): for i in xrange(0, N, batchsize): x = Variable(...) t = Variable(...) opt.zero_grads() loss = forward(x, t) loss.backward() opt.update()
  27. 27. 新しい  Function  を⾃自分で定義する l  Function  は  Python  で新しく作ることができる l  forward(_̲cpu/_̲gpu)  と  backward(_̲cpu/_̲gpu)  を実装する必要がある l  これらは配列列のタプルを受け取って、配列列のタプルを返す class SquaredDiff(Function): def forward_cpu(self, inputs): x, y = inputs z = x – y return z * z, def backward_cpu(self, inputs, grad_outputs): x, y = inputs gz = grad_outputs gx = 2 * (x – y) * gz return gx, -gx 27
  28. 28. 新しい  Function  を⾃自分で定義する l  Function  を書いたらテストしましょう l  とくに勾配チェック  (gradient  check)  は必須 –  有限差分法で  forward  のみから計算した勾配が、backward  で計算した勾 配と⼀一致するかを確かめる –  chainer.gradient_check.numerical_grad  を使うと簡単に書ける l  公式リポジトリの  tests/chainer_̲tests/function_̲tests  にたくさん例例が書いて あります 28
  29. 29. CUDA  サポート l  Chainer  v1.3.0  が昨⽇日リリース l  CuPy:  新しい  CUDA  配列列実装 –  NumPy  と同じようなインターフェイスで使える u  関数・メソッドのサブセットを実装 u  配列列のスライス、転置、reshape  等も⾃自由にできます –  カスタムカーネルも記述できる(elementwise,  reduction) 29
  30. 30. CuPy  を使う準備 l  まず  CUDA  が使える  GPU  を⽤用意する l  CUDA  6.5  以上をインストール –  Ubuntu  なら公式に  deb  パッケージが配布されているのでそれをつかうの がお⼿手軽です l  パスを通す –  PATH  と  LD_̲LIBRARY_̲PATH  を通す必要があります –  公式インストーラからはデフォルトで  /usr/local/cuda  にインストールさ れるので、以下のように設定 u  PATH=/usr/local/cuda/bin:$PATH u  LD_̲LIBRARY_̲PATH=/usr/local/cuda/lib64:$LD_̲LIBRARY_̲PATH l  Chainer  をインストールしたら  cupy  モジュールを  import  してみて動くか確 認 30
  31. 31. CuPy  の使い⽅方 l  基本的に  numpy  の代わりに  cupy  を使う以外は  NumPy  と⼀一緒 l  CPU/GPU  の両⽅方で動く関数の書き⽅方 –  chainer.cuda.get_array_module()  を使うと、引数に  cupy.ndarray   があるかないかで  numpy  /  cupy  のどちらかを返してくれます –  例例えば下は  NumPy  と  CuPy  の両⽅方で動く  logsumexp  の実装例例(より省省 メモリな実装を考えてみてください) def logsumexp(x, axis=None): xp = cuda.get_array_module(x) x_max = x.max(axis=axis) return x_max + xp.log(xp.exp(x – x_max).sum(axis=axis)) 31
  32. 32. ⾃自然⾔言語処理理への応⽤用 32
  33. 33. 単語埋め込み l  単語を  ID  で表したものを対応する密ベクトルに変換する –  この密ベクトルも学習の対象 l  F.EmbedID  がこれを実装している –  パラメータ付きの  Function –  つくるときに  ID  の範囲と密ベクトルの次元を指定する –  int32  配列列が⼊入った  Variable  を受け取って、float32  配列列が⼊入った   Variable  を返す l  例例えば  1  万語彙を  200  次元に埋め込みたい場合は以下のようにする embedder = F.Embed(10000, 200) word_arr = np.ndarray((10,), dtype=np.int32) word = Variable(word_arr) x = embedder(word) #=> サイズ  10 x 200  の配列列が⼊入った変数 33
  34. 34. Recurrent  Net l  時刻を  1  ステップ分だけ実⾏行行する関数を書いて、それを  for  ⽂文の中から呼び出 す l  リカレントな部分は、状態を保持する変数を持っておいてループの中でつかう l  内部的には展開された  DAG  が作られる def forward_one_step(x, h, t): h = F.tanh(model.input(x) + model.lateral(h)) y = model.output(h) return F.softmax_cross_entropy(y, t), h h = Variable(np.zeros((1, 200), dtype=np.float32)) accum_loss = 0 for x, t in input_seq: loss, h = forward_one_step(x, h, t) accum_loss += loss 34
  35. 35. 例例:RNN  ⾔言語モデル # Model definition model = FunctionSet( emb=F.EmbedID(1000, 50), h2h=F.Linear( 50, 50), h2y=F.Linear( 50, 1000)) opt = optimizers.SGD() opt.setup(model) # Forward computation of one step def fwd1step(h, w, t): x = model.emb(w) h = F.tanh(x + model.h2h(h)) y = model.h2y(h) return F.softmax_cross_entropy( y, t), h # Full RNN forward computation def forward(seq): h = Variable(...) # init state accum_loss = 0 for curw, nextw in zip(seq, seq[1:]): x = Variable(curw) t = Variable(nextw) loss, h = fwd1step(h, x, t) accum_loss += loss return accum_loss
  36. 36. Long  Short-‐‑‒Term  Memory l  ⻑⾧長期の依存関係をとらえるのに  LSTM  はシグモイド関数よりもよい挙動を⽰示す l  F.lstm  に実装されている l  これは  2  引数  2  出⼒力力の関数 –  「セル」と「⼊入⼒力力」を受け取り、「新しいセル」と「次の状態」を出⼒力力 –  ⼊入⼒力力は、各ユニットごとに  4  種類の値からなる:⼊入⼒力力、⼊入⼒力力ゲート、忘却 ゲート、出⼒力力ゲート –  この  4  つの値を  2  番⽬目の次元につめた⾏行行列列を受け取る u  単純に、LSTM  ユニット数の  4  倍のサイズの⼊入⼒力力ベクトルをとると思え ばOK 36
  37. 37. 例例:LSTM  RNN  ⾔言語モデル # Model definition model = FunctionSet( emb=F.EmbedID(1000, 50*4), h2h=F.Linear( 50, 50*4), h2y=F.Linear( 50, 1000)) opt = optimizers.SGD() opt.setup(model) # Forward computation of one step def fwd1step(c, h, w, t): x = model.emb(w) c, h = F.lstm( c, x + model.h2h(h)) y = model.h2y(h) return F.softmax_cross_entropy( y, t), c, h # Full RNN forward computation def forward(seq): c = Variable(...) # init cell h = Variable(...) # init state accum_loss = 0 for curw, nextw in zip(seq, seq[1:]): x = Variable(curw) t = Variable(nextw) loss, c, h = fwd1step( c, h, x, t) accum_loss += loss return accum_loss
  38. 38. unchain_̲backward  による  Truncated  BPTT l  Truncated  BPTT  は  unchain_backward()  を使うことで実装できる –  Variable  から逆向きに計算グラフをたどったときに通る辺をすべて計算グ ラフから取り除く –  Python  変数に保持している  Variable  オブジェクトはそのまま残る accum_loss = 0 for i, x in enumerate(batches): loss, h = forward_on_step(*x) # forward accum_loss += loss if i % 30 == 0: optimizer.zero_grads() accum_loss.backward() # backward accum_loss.unchain_backward() # truncate graph optimizer.update() accum_loss = 0 38
  39. 39. 公式の  Examples 公式リポジトリの  examples  ディレクトリにいくつか例例があります l  mnist:  MNIST  を多層パーセプトロンで学習するもっとも基本のサンプル l  imagenet:  ImageNet  からの⼤大規模ConvNet学習 l  modelzoo:  Caffe  公式モデルを読み込んでつかう l  ptb:  Penn-‐‑‒Tree  Bank  から  LSTM  ⾔言語モデルを学習する –  無限⻑⾧長の⼊入⼒力力に対する  Truncated  BPTT  の例例にもなっています l  word2vec:  word2vec  の実装と  PTB  からの学習 l  sentiment:  Recursive  Net  を使った極性判定 39
  40. 40. まとめ l  ニューラルネットを(おもに実装⾯面から)簡単におさらいしました l  Chainer  の使い⽅方をざっくりお伝えしました l  このチュートリアルをもとに、Chainer  を使って⾃自然⾔言語処理理でなにか作って 公開、または論論⽂文発表していただけると⼤大変うれしいです l  Chainer  ⾃自体へのフィードバックもお待ちしております!!! 40

×