소개

Chainer를 사용하고 싶다. 하지만 잘 모르겠다.
그렇다, 다층 퍼셉트론에 의한 XOR의 학습으로부터 처음 보자.

※Chainer를 사용할 수 있는 환경이 갖추어져 있는 전제로 본 기사는 쓰여져 있습니다.

이 기사에서 사용하는 코드

GitHub/ichiroex/xor-mlp-chainer

환경

파이썬 2.7 시스템

chainer 1.6.2.1

학습 데이터

# Prepare dataset
source = [[0, 0], [1, 0], [0, 1], [1, 1]]
target = [[0], [1], [1], [0]]
dataset = {}
dataset['source'] = np.array(source, dtype=np.float32)
dataset['target'] = np.array(target, dtype=np.float32)

모델 정의

이번 이용하는 모델은 2입력, 1출력입니다.

N = len(source) # train data size

in_units  = 2   # 入力層のユニット数
n_units   = 2   # 隠れ層のユニット数
out_units = 1   # 出力層のユニット数

#モデルの定義
model = chainer.Chain(l1=L.Linear(in_units, n_units),
                      l2=L.Linear(n_units , out_units))

순전파

def forward(x, t):
    h1 = F.sigmoid(model.l1(x))
    return model.l2(h1)

학습

훈련 오차가 0.00001 미만이거나 epoch가 n_epoch 이상이 될 때까지 반복합니다.

# Setup optimizer
optimizer = optimizers.Adam()
optimizer.setup(model)

# Learning loop
loss_val = 100
epoch = 0
while loss_val > 1e-5:

    # training
    x = chainer.Variable(xp.asarray(dataset['source'])) #source
    t = chainer.Variable(xp.asarray(dataset['target'])) #target

    model.zerograds()       # 勾配をゼロ初期化
    y    = forward(x, t)    # 順伝搬

    loss = F.mean_squared_error(y, t) #平均二乗誤差

    loss.backward()              # 誤差逆伝播
    optimizer.update()           # 最適化 

    # 途中結果を表示
    if epoch % 1000 == 0:
        #誤差と正解率を計算
        loss_val = loss.data

        print 'epoch:', epoch
        print 'x:\n', x.data
        print 't:\n', t.data
        print 'y:\n', y.data

        print('train mean loss={}'.format(loss_val)) # 訓練誤差, 正解率
        print ' - - - - - - - - - '

    # n_epoch以上になると終了
    if epoch >= n_epoch:
        break

    epoch += 1

#modelとoptimizerを保存
print 'save the model'
serializers.save_npz('xor_mlp.model', model)
print 'save the optimizer'
serializers.save_npz('xor_mlp.state', optimizer)

실행 결과

회귀 문제로 학습하고 있습니다.
예측할 때는 0.5이상이라면 1, 0.5미만이라면 0과 같이 역치를 결정할 필요가 있습니다.

$ python train_xor.py --gpu 1
epoch: 0
x:
[[ 0.  0.]
 [ 1.  0.]
 [ 0.  1.]
 [ 1.  1.]]
t:
[[ 0.]
 [ 1.]
 [ 1.]
 [ 0.]]
y:
[[-0.62479508]  # 0に近づいて欲しい
 [-0.85900736]  # 1に近づいて欲しい
 [-0.4117983 ]  # 1に近づいて欲しい
 [-0.62129647]] # 0に近づいて欲しい
train mean loss=1.55636525154  # 訓練誤差 (小さくなってほしい)
 - - - - - - - - -
epoch: 1000
x:
[[ 0.  0.]
 [ 1.  0.]
 [ 0.  1.]
 [ 1.  1.]]
t:
[[ 0.]
 [ 1.]
 [ 1.]
 [ 0.]]
y:
[[ 0.39130747]
 [ 0.40636665]
 [ 0.50217605]
 [ 0.52426183]]
train mean loss=0.257050335407
 - - - - - - - - -

...


 - - - - - - - - -
epoch: 8000
x:
[[ 0.  0.]
 [ 1.  0.]
 [ 0.  1.]
 [ 1.  1.]]
t:
[[ 0.]
 [ 1.]
 [ 1.]
 [ 0.]]
y:
[[ 0.00557911]
 [ 0.98262894]
 [ 0.98446763]
 [ 0.02371788]]
train mean loss=0.000284168170765
 - - - - - - - - -
epoch: 9000
x:
[[ 0.  0.]
 [ 1.  0.]
 [ 0.  1.]
 [ 1.  1.]]
t:
[[ 0.]
 [ 1.]
 [ 1.]
 [ 0.]]
y:
[[  5.99622726e-05] # 0に近づいた
 [  9.99812365e-01] # 1に近づいた
 [  9.99832511e-01] # 1に近づいた
 [  2.56299973e-04]] # 0に近づいた
train mean loss=3.31361960093e-08
 - - - - - - - - -
save the model
save the optimizer

참고 기사

XOR 학습

chainer에서 신경망을 배우자 (chainer에서 신경망 2)