Un mémo lors de l'exécution de l'exemple de code de Deep Learning créé à partir de zéro avec Google Colaboratory
Introduction
C'est le contenu que j'ai noté lors de l'exécution de l'exemple de code dans l'environnement Google Colaboratory ** "Deep Learning from scratch - The Theory and Implementation of Deep Learning Learn with Python" publié par O'REILY.
- Obtenez des exemples de données de livres à partir de GitHub
- À propos de la façon de monter des données (Introduction de la méthode de connexion car elle ne peut pas être utilisée simplement en téléchargeant des données sur My Drive)
- À propos de l'affichage de l'image (puisque l'image n'était pas affichée dans Google Colaboratory même si l'exemple de code a été écrit, une méthode alternative a été introduite)
Chapitre 3 Réseau neuronal
3.6.1 ** Jeu de données MNIST **
3.7.1 ** Traitement d'inférence de réseau neuronal **
Ce sera un mémo lorsque vous exécuterez le contenu ci-dessus. (P72〜P75)
Acquisition de données
** Obtenez des données de GitHub. **(Télécharger)
https://github.com/oreilly-japan/deep-learning-from-scratch
Nom du dossier = ** deep-learning-from-scratch-master **
À propos du téléchargement et du montage des données
1. Téléchargez le dossier dans Mon Drive ** Google Drive **.
2. Créez un nouveau Google Colaboratory.
3. Montez le lecteur. (Rendre les données disponibles dans le notebook)
--Cliquez sur l'icône pour démarrer le processus.
--Connectez-vous à Google Drive
Déplacer le répertoire
Vous devez changer le répertoire actuel avant d'entrer le premier code.
Importation de la fonction load_mnist
Exécutez mnist_show.py
――Il est possible d'omettre le code jusqu'à la 6ème ligne. (Exécuté lors de l'importation de load_mnist)
--Nombre de la première image d'entraînement = ** 5 **
--Nombre de tableaux à 1 dimension = ** 784, **
- Transformé d'un tableau unidimensionnel à la forme d'origine = ** 28, 28 **
- L'image d'entraînement qui aurait dû être affichée ne s'affiche pas. = ** Il est stocké dans img mais n'est pas affiché. ** **
Affichage de l'image
- J'ai essayé une autre méthode d'affichage pour vérifier si c'était vraiment ** 5 **.
--Importez matplotlib et affichez l'image.
--Affiche avec succès la première image d'entraînement.
Exécutez neuralnet_mnist.py
- Précision de reconnaissance correcte = ** 0,9352 (93,52%). ** **
Enfin
Je viens d'exécuter l'exemple de code dans Google Colaboratory, mais j'ai passé beaucoup de temps.
Je l'ai posté pour la première fois afin que les personnes qui s'inquiètent d'un contenu similaire puissent l'utiliser autant que possible.
Exécutez mnist_show.py
――Il est possible d'omettre le code jusqu'à la 6ème ligne. (Exécuté lors de l'importation de load_mnist)
--Nombre de la première image d'entraînement = ** 5 **
--Nombre de tableaux à 1 dimension = ** 784, **
- Transformé d'un tableau unidimensionnel à la forme d'origine = ** 28, 28 **
- L'image d'entraînement qui aurait dû être affichée ne s'affiche pas. = ** Il est stocké dans img mais n'est pas affiché. ** **
Affichage de l'image
- J'ai essayé une autre méthode d'affichage pour vérifier si c'était vraiment ** 5 **.
--Importez matplotlib et affichez l'image.
--Affiche avec succès la première image d'entraînement.
Exécutez neuralnet_mnist.py
- Précision de reconnaissance correcte = ** 0,9352 (93,52%). ** **
Enfin
Je viens d'exécuter l'exemple de code dans Google Colaboratory, mais j'ai passé beaucoup de temps.
Je l'ai posté pour la première fois afin que les personnes qui s'inquiètent d'un contenu similaire puissent l'utiliser autant que possible.