#はじめに
この記事は『Deep Learning初心者，プログラミング初心者だけどDeep Learningしてみたいな～でもやり方わからないしな～』といった人向けであります．
また，前回(Neural Network Consoleで遊んでみる～その1～)の続きになります．
#動機
前回までで，GUIで簡単にDeep Learningできた！
よし！改造しよう！(ある程度)自由自在にできる！！...はずである．
やりましょう．
#この記事の目的(前回同様)
NNCで(ある程度)任意のネットワークでMNISTデータセットの線形分類をできるようになる．
～その1～：インストール，とりあえず実行
～その2～：改造に挑戦
※MNISTデータセット：グレースケール手書き数字画像のデータセット．
1つの画像の大きさは縦横28*28ピクセル．
クラス数は10で学習用60000枚，テスト用10000枚(クラス毎に枚数は異なる)．
クラス分類タスクの評価指標によく使われる．
#扱うNeural Network(前回同様)
～その1～：Multi-Lyaer Perceptron(MLP)
～その2～：Convolutional Neural Network(CNN)
さっそく今回は改造してみましょう！
#CNNに改造
さて，改造前にどう改造するのかみてみましょう．
##そもそもCNNとは？
Convolutional(畳み込み)なNeuralNetwork(ニューラルネットワーク)です．
そのまんまですね．
正確には畳み込みを”する”ニューラルネットワークです．
大きく2段に分かれています．
前段には，畳み込みとプーリングを行う層(Convolution層，Conv層)があります．
後段には，MLP層(Full Connect層)があります．
前段の『畳み込み』フィルタと『プーリング』フィルタで特徴を抽出，後段のMLPで分類といった形です．
図示するとこんな感じです．
なんだかフワッとしていますがいいでしょう．
理論について詳しくはまた後程..．
##実装(ちょっと長め)
お気づきの通り，MLPに『畳み込み』と『プーリング』の2つを加えてあげればいいだけです．
前回の10_deep_mlp.sdcprojを開きましょう．
そして左側のEDITを選択してネットワークをいじる画面に移行します．
まずは『畳み込み』を足してみます．
Components→Basic→Convolution
ここで『Convolution』をダブルクリック，またはドラッグ＆ドロップしましょう(赤丸部分)．
何か出てきましたね．
続いて黄色の丸に注目です．この片方だけコッソリ繋げてみたやつ．
これは『コネクション』を表します．
繋がっているところをデータが伝搬します．MLPの図の層間の線と同じです．
『Convolution』の上を『I』，下を『A』にそれぞれ繋げましょう．
これだけで層の追加は完了です．
同様にして『プーリング』も足しましょう．
Components→Pooling→MaxPooling
『MaxPooling』をダブルクリック，ドラッグ&ドロップ．
これで『Conv層』の追加が完了しました．
非常に簡単です．
なんなんだこれは．
さらに『畳み込み』と『プーリング』を1つずつ追加します．
プーリングはなんとなく『AveragePooling』にしてみます．
Components→Pooling→AveragePooling
※『Components』ウィンドウの右スライドバーを動かすと出てきます．
ついでに『Dropout』も追加してみます．
Components→Others→Dropout
つなげるとこんな感じになりますね．
せっかくなので2つ目の『Conv層』の『畳み込み』と『プーリング』のフィルタのサイズを変えてみましょう．
『Convolution_2』(赤丸)をクリックすると，『Components』の下に『Layer Property』というウィンドウが現れますね．
そこの『KernelShape』(水色丸)を適当にいじります．
正方になっていれば大丈夫ですが，ここはとりあえず（3,3）にします．
同様にして，『AveragePooling』も『KernelShape』を(2,2)にしてみます．
本来ならカーネルサイズを変更したら，後段の入力サイズも変更する必要があるんですが，
なんとNNCでは自動で変更してくれます．
ものすごい便利！！
GoogLeNetみたいな深層で複雑なモデルもサクッと組めそうですね．
※GoogLeNetはググればすぐ出てくると思います．
さて，ネットワークがMLP→CNNとレベルアップしたので，
データセットもMNISTの4と9→MNIST全部にレベルアップしましょう．
上の『DATASET』タブ→Open dataset(赤枠右上の青吹き出し)
『Training』→『mnist_training.csv』(水色枠)
『Validation』→『mnist_test.csv』(赤色枠)
学習させてみると...
MLPよりちょっと時間はかかりますけど，
えぐい角度でエラー率が下がってますね．
前段に特徴抽出がついてるため，分類しやすいんですね．
MNISTとはいえ，さすがのCNN．
続いてテスト結果も見てみましょう．
なんだか前回と違う...
ラベルの値が1or0じゃない...
ここで学習させたDATASETがどんなものだったか見てみます(今さらですが...)．
前回と違って(画像、画像の数字)をセットにして学習させているんですね．
『y:label』→画像の数字
『y'』→『入力した画像』が『y:label』である可能性
こう考えて改めてテスト結果を見ると，なんだかしっくりきますね．
#まとめ
今回の目的は『NNCで(ある程度)任意のネットワークでMNISTデータセットの線形分類をできるようになる．』でしたが...
まぁ，達成はできたんじゃないでしょうか．
今度はデータセットの入れ替えや，autoencoder，recurrent neural network系にも挑戦したいですね．