駆け出しエンジニアの機械学習メモ その２

#はじめに
「ゼロから作るDeep-Learning」の学習メモその2です。

#2層ニューラルネットワーク(4章)

• mnist.pyよりデータの読み込みを行う。正規化、one_hot配列化、データの1次元配列化を行う。

train_neuralnet

# データの読み込み
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True,flatten=True, one_hot_label=True)

• two_layer_net.pyより重みの初期化を行う。辞書型でparams{W1:,b1:,W2:,b2:}のkeyを生成。
  print(network.params)で中身を見ることができる。

train_neuralnet

network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)

• 各初期値の設定、60000枚の画像データを100枚ずつ処理していく。

train_neuralnet

iters_num = 10000  # 繰り返しの回数を適宜設定する
train_size = x_train.shape[0] # 60000
batch_size = 100
learning_rate = 0.1

train_loss_list = []
train_acc_list = []
test_acc_list = []
# 1エポックあたりの繰り返し処理 60000 / 100
iter_per_epoch = max(train_size / batch_size, 1)

• 訓練データから無造作に一部のデータを取り出し学習を行う。ここでは60000枚のデータから100枚取り出す。

train_neuralnet

for i in range(iters_num): #10000
    # ミニバッチの取得
    batch_mask = np.random.choice(train_size, batch_size) # (100,)の形
    x_batch = x_train[batch_mask] # (100,784)の形
    t_batch = t_train[batch_mask] # (100,784)の形
    
    # 勾配の計算
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
    
    # パラメータの更新
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)

    # 600で1エポックのため条件を満たしたらデータの保存
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))

• リストに保存していたデータを利用してグラフの描画を行う。

# グラフの描画
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list,'o', label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

*　描画結果

参考

ゼロから作るDeep Learning