はじめに
O'REILYから出版された**「ゼロから作るDeep Learning -Pythonで学ぶディープラーニングの理論と実装」**をGoogleColaboratory環境でサンプルコードを実行する際にメモした内容となります。- 書籍のサンプルデータをGitHubより入手
- データのマウント方法について(マイドライブにデータをアップロードするだけでは、利用できないので接続方法の紹介)
- 画像の表示について(サンプルコード記述してもGoogleColaboratoryでは画像が表示されなかった為、代替え方法の紹介)
第3章 ニューラルネットワーク
3.6.1 **MNISTデータセット** 3.7.1 **ニューラルネットワークの推論処理**上記の内容を実行した際のメモとなります。
(P72〜P75)
データの取得
**GitHubよりデータを取得します。**(ダウンロード) https://github.com/oreilly-japan/deep-learning-from-scratch フォルダ名 = **deep-learning-from-scratch-master**データのアップロードとマウントについて
1. マイドライブ**Googleドライブ**内にフォルダをアップロードします。 2. 新規でGoogle Colaboratoryを作成します。 3. ドライブをマウントします。(ノートブックでデータを使用できる状態にする)- アイコンをクリックすることで処理が始まります。



ディレクトリを移動する
最初のコードを入力する前に、カレントディレクトリを変更する必要があります。
load_mnist 関数のインポート

mnist_show.pyを実行
- 6行目までのコードを省略することも可能です。(load_mnistのインポートの際に実行済み) - 1枚目の訓練画像の数字 = **5** - 1次元配列の個数 = **784,** - 1次元配列より元の形状に再変形 = **28, 28** - 本来、表示されるはずの訓練画像が表示されません。 = **imgに格納はされているが表示されない。**
画像の表示
- 本当に **5** であるか確認する為、別の表示方法を試みました。 - matplotlibをインポートし画像の表示を実行。 - 1枚目の訓練画像を表示することに成功しました。
neuralnet_mnist.pyを実行
- 正解した認識精度 = **0.9352(93.52%)で分類する。**