Download as PDF, PPTX
![モデル定義
5
from keras.layers import Activation, Dense
from keras.models import Sequential
model = Sequential()
model.add(Dense(8, input_dim=4))
model.add(Activation('relu'))
model.add(Dense(3))
model.add(Activation('softmax'))
model.compile(
loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy']
)
...
ReLU
softmax
input
output
Sequential: .add()で層を順に追加
層を設定
損失関数
最適化法](https://image.slidesharecdn.com/mlbookday3-161027031043/85/Keras-5-320.jpg)
Uploaded byKazuaki Tanida
Kerasで深層学習を実践する
Pythonで動かして学ぶ機械学習入門 第三回 Jupyter Notebooks: https://goo.gl/5rTZt3
![[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation](https://cdn.slidesharecdn.com/ss_thumbnails/0911mocogan-170911121936-thumbnail.jpg?width=640&height=640&fit=bounds)
Kerasで深層学習を実践する
- 1.
- 2. 自己紹介 ● 谷田和章 (たにだかずあき) ○GitHub: slaypni ● ソフトウェアエンジニア (フリーランス&白ヤギコーポレーション ) ○ 機械学習, 自然言語処理 ○ Web, iOS, Android ● カメリオの機械学習アルゴリズムの開発 2
- 3. 深層学習のライブラリ (一部) ● 計算グラフを記述 ○Chainer ○ Tensorflow ○ Theano ● 深層学習の構成を記述 ○ Caffe ■ 専用ファイルに構成を記述 ○ Keras ■ Pythonで構成を記述 ■ ThensorflowかTheanoをバックエンドで利用 これからKerasの使いかたを見ていきます 3 ※分類は便宜的なものです
- 4. 深層学習を試す流れ 入力: データと正解ラベル 出力: テストデータの推定ラベル、および評価 実験の手順 1.データを特徴ベクトルに変換 ← (今回の)深層学習では生のベクトルでもOK 2. データを学習用とテスト用に分ける 3. モデルを定義 4. モデルを学習 5. テストデータの正解ラベルを推定 6. 結果を評価 4
- 5. モデル定義 5 from keras.layers importActivation, Dense from keras.models import Sequential model = Sequential() model.add(Dense(8, input_dim=4)) model.add(Activation('relu')) model.add(Dense(3)) model.add(Activation('softmax')) model.compile( loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'] ) ... ReLU softmax input output Sequential: .add()で層を順に追加 層を設定 損失関数 最適化法
- 6.
- 7. 推定 7 # ラベルを推定 y_pred =model.predict_classes(X_test) # 各ラベルの確率 y_proba = model.predict_classes(X_test) X_test: テストデータ
- 8. 評価 X_test: テストデータ y_test: 正解データ 8 #Accuracy _, acc = model.evaluate(X_test, Y_test)
- 9. 実行環境の準備 必要なもの ● anaconda ● keras ○未インストールの場合、 pip install kerasで入れられます 手順 1. 以下のリポジトリをクローン https://github.com/yosukekatada/python_ml_study 2. そのディレクトリでjupyterを実行 9
- 10. サンプル: Iris Dataset 20161027_keras/iris.ipynb 内容 ●実験の流れを確認 (データ準備 → モデル定義 → 学習 → 評価 ) ● モデルその1: ロジスティック回帰 ○ 一層だけのニューラルネットワーク ● モデルその2: 多層パーセプトロン ○ 復数層のニューラルネットワーク ● 使う層 ○ Dense(): 全結合 ○ Activation(): 活性化関数 ○ BatchNormalization(): バッチ正規化 (学習しやすくする) 10
- 11. サンプル: MNIST 20161027_keras/mnist.ipynb モデルを作って実験してみてください ● モデルの良さはaccuracyで評価 ●考えられること ○ 層の数 ○ 各層の幅 ○ 活性化関数 ○ エポック数 ○ 最適化法 ○ などなど ● Kerasのドキュメント: https://keras.io/ 11
- 12. サンプル: CIFAR10 20161027_keras/cifar10.ipynb 内容 ● 畳み込み層を利用 ○Convolution2D() ○ 入力チャネル数の行列を受け取り、出力チャネル数の畳み込み行列を出力する ● プーリング層を利用 ○ MaxPooling2D() ● CPUでは学習に時間がかかります 12
- 13. サンプル: IMDB 映画レビュー感情分類 20161027_keras/imdb.ipynb 内容 ●単語埋め込み層を利用 ○ Embedding() ○ 単語をベクトルに変換 ● RNN層を利用 ○ GRU() ○ ベクトルの系列をベクトルに変換 ● CPUでは学習に時間がかかります 13
- 14. おまけ: Dockerで実行環境を作る 利点 ● 簡単に実行環境が作れる ●プロジェクトごとに環境を分けられる 必要なもの ● GPUドライバがインストール済みのLinuxホスト ● nvidia-docker ○ GPUを触れるDockerコンテナを作れる 実行するには ● nvidia-docker run -it slaypni/keras-gpu bash 14