어쩌면 심층 학습을 공부하고 있습니다. 지금까지 Qiita에서 심층 학습의 만남에 대해 썼습니다.

Chainer를 이용한 간단한 신경망 구현
Chainer를 이용한 간단한 신경망 구현 ~ 데이터 준비편 ~
Chainer를 이용한 간단한 신경망 구현 ~ 모델 설명편 ~
Chainer를 이용한 간단한 신경망 구현 ~ 최적화 알고리즘 설정 ~

목표로는 이미지를 읽고 그것이 무엇인지 분류하는 앱을 만들고 싶기 때문에 컨벌루션 신경망에 대해 공부합니다. 이론의 공부도 물론입니다만, 실제로 머신에 화상을 학습시키는 것은 어떤 것인지 체험해 보기로 했습니다.

선인의 지혜에 아야카

이전에, 이런 기사를 찾아서 재미있는 ~라고 생각한 적이 있습니다.
딥 러닝으로 오소마츠씨의 육둥이는 구별될 수 있을까 ~실시편~

이 분류기는 chainer의 NIN 모델이라는 ImageNet을 바탕으로 개조한 모델을 사용하고 있습니다.
참고로 하고 있던 블로그는
Hi-king 님의
htp // 히-킨 g. 하테나 bぉg. 코m/엔트리/2015/06/11/021144
그리고
shi3z 님의
htp://d. 하테나. 네. jp / 3 · 20150709 / 1436397615
입니다.

샘플의 ImageNet을 움직이고 싶었기 때문에 이러한 블로그를 참고로 하는 것에. (특히 shi3z씨의 블로그는 언제나 읽어 주시고 있습니다!!!)

다만, chainer는 버전이 바뀔 때마다 사양이 살짝 바뀌기 때문에, 1년 이상 전의 기사인 이들을 참고할 때, 주의가 필요했습니다.
망설이는 점은 여기 에 정리해 있습니다.

그리고는 위의 두 기사를 참고하면 학습해줍니다.

실행 환경

참고까지 실행 환경을 써 둡니다.
OS:Ubuntu14.04
GPU:GeForce GTX 750 Ti
memory:8GB

실천

학습중의 모습

error가 0.2 부근에 가까워지면 학습을 종료합니다. 너무 에러가 너무 낮으면 과학습이 되어 버립니다.

epoch라는 것이 학습주기입니다. 횟수가 늘어날수록 학습이 진행되고 있습니다.
예를 들어, 이번 인식시켜 본 이미지가 이쪽.



귀여운 달마 시안입니다.
ImageNet의 이미지에 달메시안이 있었기 때문에 이번에는 달메시안을 채택했습니다.

ImageNet의 달마 시안 이미지


그 밖에도 축구공과는 그늘과 양 등 달메시안과 비슷한 특징(흑백의 반점)을 가진 이미지도 얼른.

학습 결과

우선은 1epoch만 학습한 경우의 결과가 이쪽


비행기인 확률 43.1%, ,,,.



과연 아직 현명하지 않습니다.

그러나 이것이 28epoch 진행되면,



달마 시안일 확률 99.9%



훌륭하게 현명해졌습니다.

결론

우선은 화상을 머신으로 분류시킨다는 것이 어떤 것인지 체험할 수 있었습니다.
향후의 예정으로서는,
- 샘플이 아닌 자신이 좋아하는 이미지를 학습
- 컨벌루션 신경망의 원리 이해
목표로 공부합니다.

참고

딥 러닝으로 오소마츠씨의 육둥이는 구별될 수 있을까 ~실시편~
h tp // 보헤미아. 하테나 bぉg. 코m/엔트리/2015/11/22/174603

PFN 출발의 딥 러닝 프레임 워크 chainer에서 이미지 분류를 할거야 (chainer에서 신경망 1)
htp // 히-킨 g. 하테나 bぉg. 코m/엔트리/2015/06/11/021144

Chainer의 NIN으로 자신의 이미지 세트를 심층 학습시켜 인식시킨다
htp // d. 하테나. 네. jp / 3 · 20150709 / 1436397615