2月度勉強会で調べた事項

Mooc(Udacity, Coursera)で機械学習(Scikit-learn, TensorFlow)をやってました。

Mooc

• Neural Networks for Machine Learning | Coursera

• Deep Learning - Udacity

Andrew Ng先生のが有名だけど、Googleの提供しているDeep Learning - UdacityはScikit-learnとかTensorFlowとか扱っているのがいい感じ

Neural Networks for Machine Learning

• Hinton先生
• 実行環境がOctaveだった
• 諦めてインストールしたけれど今回はそれで終わり

Deep Learning - Udacity

• 課題がJupyter Notebookで与えられるのがすごくいい(動く！)
• 理論面は物足りないかも
• 「あ、苦労してるんだな」って言うシーンがいくつかあるのでオススメ

Deep Learning - Udacity

• tensorflow/tensorflow/examples/udacity at master · tensorflow/tensorflowをやる

Setup

• 環境を用意するのが面倒だったのでDocker利用

• TensorFlow v1.0が出ていたのでアップデートした

• 一括してDockerイメージを最新にアップデートしたい - Qiita

Scikit-learn

• 一つ目の課題が "Scikit-learnを使ってLogistic回帰しよう" だった

• tensorflow/1_notmnist.ipynb at master · tensorflow/tensorflow

• Machine Learning, etc: notMNIST dataset

Scikit-learn

• scikit-learn/scikit-learn: scikit-learn: machine learning in Python

• sklearn.linear_model.LogisticRegression — scikit-learn 0.18.1 documentation

• L1 Penalty and Sparsity in Logistic Regression — scikit-learn 0.18.1 documentation

Python : 共通する要素の取り出し

• リストとリストを比較して、共通する要素をリストで取り出す方法 - Qiita

v = [1,2,3]
w = [2,3,4]
[x for x in v if x in w] # [2,3]

• pythonの内包表記を少し詳しく - Qiita

TensorFlow

Tensorflowで同じタスクを実行する内容だった。

• tensorflow/2_fullyconnected.ipynb at master · tensorflow/tensorflow

• Assignment 2 : building a 3-hidden layer network? - Courses / Deep Learning - Udacity Discussion Forum

• Assignment 2: 2 hidden layers and NaN loss - Courses / Deep Learning - Udacity Discussion Forum

• Deep MNIST for Experts  |  TensorFlow

こんな感じで3層NNを作ってaccuracy 94.2%を達成したので満足した。
コードの一部を抜き出すとこんな感じ。

def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=1.732/sum(shape))
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

batch_size = 128
hidden_layer_size = 1024
input_layer_size = 28*28
output_layer_size = 10

graph = tf.Graph()
with graph.as_default():
    # Input data. For the training data, we use a placeholder that will be fed
    # at run time with a training minibatch.
    tf_train_dataset = tf.placeholder(tf.float32, shape=(batch_size, image_size * image_size))
    tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
    tf_valid_dataset = tf.constant(valid_dataset)
    tf_test_dataset = tf.constant(test_dataset)

    # Variables
    weight1 = weight_variable( (input_layer_size, hidden_layer_size) )
    bias1 = bias_variable( [hidden_layer_size] )

    # Hidden Layer
    hidden_layer = tf.nn.relu(tf.matmul(tf_train_dataset, weight1) + bias1)

    # Variables
    weight2 = weight_variable( (hidden_layer_size, output_layer_size) )
    bias2 = bias_variable( [output_layer_size] )

    logits = tf.matmul(hidden_layer, weight2) + bias2
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=tf_train_labels))

    # optimizer
    optimizer = tf.train.AdamOptimizer(0.001).minimize(loss)
    # optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

    # prediction
    train_prediction = tf.nn.softmax(logits)
    valid_prediction = tf.nn.softmax(tf.matmul(tf.nn.relu(tf.matmul(tf_valid_dataset, weight1) + bias1), weight2) + bias2)
    test_prediction = tf.nn.softmax(tf.matmul(tf.nn.relu(tf.matmul(tf_test_dataset, weight1) + bias1), weight2) + bias2)