watson-neunets-20190131.pdf

Transcript

1. © 2018 IBM Corporation NeuNetSご紹介
2. © 2018 IBM Corporation NeuNetS 2 教師データをクラウドにアップしておくと、自動的に最適な深層学習モデルを構築する仕組みです。 CIFAR-10という画像認識のベンチマークデータに対して93%以上の精度を出すことが可能です。
3. © 2018 IBM Corporation 実装方法 3 NeuNetS(neural network model synthesis) NeuNetSで利用されている主要技術として以下のものがあります。 ・進化的アルゴリズム ・TAPAS 学習データを元にデータの複雑性を調べ、短時間でモデルの精度を予測する ・NCEvolve 計算資源を最小化した形で、ニューラルネットワークの合成を行う ・HDMS 強化学習により新しいパターンのニューラルネットワーク合成を行う
4. © 2018 IBM Corporation 実装方法 4 TAPS (Train-less Accuracy Predictor for Architecture Search) https://arxiv.org/pdf/1806.00250.pdf
5. © 2018 IBM Corporation 実装方法 5 NCEvolve (Neuro-Cell-based Evolution) https://arxiv.org/pdf/1806.00250.pdf
6. © 2018 IBM Corporation デモ 6 以下のリンクで動画によるデモを見ることが可能です。 https://neunets.mybluemix.net
7. © 2018 IBM Corporation 利用手順 (1) 7 学習用ファイルの用意 ファイル名決め打ち(train.zip, labels.csv)で次の2つのファイルを用意する train.zip 学習用イメージデータを一つのzipにまとめたもの。 イメージファイルの型は pngまたはjpeg。 要件 最小 最大 補足 ファイルサイズ - 5GB 画素数 32 x 32 全体で5GB以下 64 x 64 を超えるイメージは、解像度が圧縮されます。 分類クラス数 2 - 学習件数 ※ 全体で5GB以下 各クラス毎に最低250件を推奨。
8. © 2018 IBM Corporation 利用手順 (2) 8 labels.csv 下のサンプルのように「(イメージデータのパス名),(分類先クラス名)」の書式のcsv データを準備します。 blocks/blocks_037.jpg,blocks blocks/blocks_043.jpg,blocks blocks/blocks_044.jpg,blocks horses/horse_006.jpg,horse horses/horse_007.jpg,horse horses/horse_108.jpg,horse wheelbarrows/wheelbarrow_003.jpg,wheelbarrow wheelbarrows/wheelbarrow_016.jpg,wheelbarrow wheelbarrows/wheelbarrow_019.jpg,wheelbarrow : :
9. © 2018 IBM Corporation 利用手順 (3) 9 COS(Cloud Object Storage)に入力データ用のバケットを作ります。 回復力: Cross Region ロケーション: us-geo とする点に注意して下さい。 バケットができたら、先ほど用意した2つのファイルをバケットにアップロードします。 出力データ用のバケットも同じ要領で作っておいて下さい。(こちらはバケット作成のみで可)
10. © 2018 IBM Corporation 利用手順 (4) 10 ・Watson Studioのインスタンス作成 -> 作業用プロジェクト作成 ・OpenScaleのインスタンス作成 ・Watson Studioのプロジェクト画面で、画面右上の「Add to project」をクリック、引き続きメニューから 「SYNTHESIZED NE..」を選択します。 この先の細かい手順は、qittaの記事を参照して下さい。
11. © 2018 IBM Corporation 検証結果(1) 11 自動生成されたニューラルネットワークの一部。全体はもっと複雑な構造になっています。
12. © 2018 IBM Corporation 検証結果(2) 12 学習に使っていない検証用データの先頭50枚で試した結果を以下に示します。 50枚中47枚が正答(正解率94%)なので、学習時の精度とほぼあっています。 下の図で、赤枠が不正解だったデータを意味します。
13. © 2018 IBM Corporation 検証結果(3) 13 学習に使っていない検証データ10000件による検証結果は以下の通りでした。 (全体の精度は93.2%) precision recall f1-score support 0 0.95 0.93 0.94 1000 1 0.95 0.97 0.96 1000 2 0.91 0.91 0.91 1000 3 0.88 0.85 0.86 1000 4 0.94 0.94 0.94 1000 5 0.89 0.89 0.89 1000 6 0.91 0.97 0.94 1000 7 0.97 0.95 0.96 1000 8 0.97 0.96 0.96 1000 9 0.96 0.94 0.95 1000 avg / total 0.93 0.93 0.93 10000 [[930 4 23 4 4 1 6 1 23 4] [ 2 975 1 0 0 2 2 1 1 16] [ 13 0 909 17 17 13 24 4 1 2] [ 5 2 19 852 14 62 33 3 3 7] [ 0 0 13 13 941 11 14 7 0 1] [ 4 0 12 56 18 891 8 11 0 0] [ 4 0 11 11 0 3 971 0 0 0] [ 3 0 6 10 11 15 4 949 0 2] [ 16 8 2 2 0 2 1 0 960 9] [ 5 36 3 5 1 0 0 0 5 945]] Precision,Recall, F値 Confusion Matrix
14. © 2018 IBM Corporation 参考リンク 14 「Building models in NeuNetS」 https://dataplatform.cloud.ibm.com/docs/content/analyze-data/nns-build-classifier.html 「イメージと正解ラベルだけで高精度の画像認識DLモデル作成 - Watsonの最新機能NeuNetSの ご紹介 –」 https://qiita.com/makaishi2/items/78a12dd51a61a0ccf54b 「NeuNetS: Automating Neural Network Model Synthesis for Broader Adoption of AI」 https://www.ibm.com/blogs/research/2018/12/neunets/
15. © 2018 IBM Corporation