Mémo d'apprentissage automatique d'un ingénieur débutant Partie 2

introduction

Ceci est la partie 2 du mémo d'apprentissage pour "Deep-Learning from scratch".

Réseau de neurones à deux couches (chapitre 4)

• Lisez les données de mnist.py. Effectue la normalisation, le tableau one_hot et le tableau unidimensionnel de données.

train_neuralnet

#Lire les données
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True,flatten=True, one_hot_label=True)

• Initialisez le poids de two_layer_net.py. Générez des clés pour les paramètres {W1 :, b1 :, W2:, b2:} de type dictionnaire. Vous pouvez voir le contenu avec print (network.params).

train_neuralnet

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

• Définissez chaque valeur initiale et traitez 100 images de 60 000 images.

train_neuralnet

iters_num = 10000  #Définissez le nombre de répétitions comme il convient
train_size = x_train.shape[0] # 60000
batch_size = 100
learning_rate = 0.1

train_loss_list = []
train_acc_list = []
test_acc_list = []
#Traitement itératif par époque 60000/ 100
iter_per_epoch = max(train_size / batch_size, 1)

• Extrayez au hasard certaines données des données d'entraînement et effectuez l'apprentissage. Ici, 100 feuilles sont extraites des données de 60 000 feuilles.

train_neuralnet

for i in range(iters_num): #10000
    #Obtenez un mini lot
    batch_mask = np.random.choice(train_size, batch_size) # (100,)Forme de
    x_batch = x_train[batch_mask] # (100,784)Forme de
    t_batch = t_train[batch_mask] # (100,784)Forme de
    
    #Calcul du gradient
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
    
    #Mise à jour des paramètres
    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)

    #Enregistrer les données lorsque les conditions sont remplies pour 1 époque à 600
    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))

• Dessinez un graphique en utilisant les données enregistrées dans la liste.

python

#Dessiner un graphique
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()

• Résultat du dessin

référence

Apprentissage profond à partir de zéro