Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
実際のコードで流れを感じるDeepLearning超入門
Search
naa
May 14, 2020
Programming
0
350
実際のコードで流れを感じるDeepLearning超入門
naa
May 14, 2020
Tweet
Share
More Decks by naa
See All by naa
Open Hack U 2020 vol.4 発表資料
naa
0
54
技育祭 学生LightningTalks!
naa
0
320
よわよわ大学生がKaggleの世界を覗いてみた話
naa
1
810
世界中を敵に回してもあなたの味方bot_技育祭学生LT大会登壇資料
naa
0
280
WEBデザイン×UXデザイン
naa
0
180
HTML/CSS 1カラムレイアウト勉強会資料
naa
0
39
Other Decks in Programming
See All in Programming
Less waste, more joy, and a lot more green: How Quarkus makes Java better
hollycummins
0
100
とにかくAWS GameDay!AWSは世界の共通言語! / Anyway, AWS GameDay! AWS is the world's lingua franca!
seike460
PRO
1
900
Nurturing OpenJDK distribution: Eclipse Temurin Success History and plan
ivargrimstad
0
970
Streams APIとTCPフロー制御 / Web Streams API and TCP flow control
tasshi
2
350
Arm移行タイムアタック
qnighy
0
330
Kaigi on Rails 2024 〜運営の裏側〜
krpk1900
1
240
flutterkaigi_2024.pdf
kyoheig3
0
150
Micro Frontends Unmasked Opportunities, Challenges, Alternatives
manfredsteyer
PRO
0
110
GitHub Actionsのキャッシュと手を挙げることの大切さとそれに必要なこと
satoshi256kbyte
5
430
シェーダーで魅せるMapLibreの動的ラスタータイル
satoshi7190
1
480
エンジニアとして関わる要件と仕様(公開用)
murabayashi
0
300
Flutterを言い訳にしない!アプリの使い心地改善テクニック5選🔥
kno3a87
1
200
Featured
See All Featured
Visualization
eitanlees
145
15k
Product Roadmaps are Hard
iamctodd
PRO
49
11k
Embracing the Ebb and Flow
colly
84
4.5k
A Tale of Four Properties
chriscoyier
156
23k
Rails Girls Zürich Keynote
gr2m
94
13k
Testing 201, or: Great Expectations
jmmastey
38
7.1k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
31
2.7k
The Cult of Friendly URLs
andyhume
78
6k
How to Think Like a Performance Engineer
csswizardry
20
1.1k
Fireside Chat
paigeccino
34
3k
The Power of CSS Pseudo Elements
geoffreycrofte
73
5.3k
Making Projects Easy
brettharned
115
5.9k
Transcript
Deep Learning 超入門 実際のコードで流れを感じる エンジニア志望学生LT大会 - TechStudyGroup #2 2020/05/14
自己紹介 • 名前:naa • 属性:大学4年生 • 好きなもの:パンケーキ • 苦手なもの:環境構築 2
作って間もないアカウント @naa_yowayowa
注意! • LT初心者 • プログラミングスキルは授業で習った(+ほんのちょっびっ と)程度 • チャレンジ精神で応募 • とりあえずアウトプットがしたかった
温かい目で見てください… 3
DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 4
実際に実装するとなると どんな感じになるんだろう…? 5
このLTでは 理論的な話は少なめに! 実際のプログラムを見ながら 流れを体感していただこうと思います! 6
Deep Learningを ノリと勢いで解説していきます 時間がないので駆け足で! 7
今回の概要 Pytorchを使います • Python向けのオープンソース機械学習ライブラリ • 参考文献:https://qiita.com/knyrc/items/0a0092b9903b97fb41b4 環境 Google Colabを使用 →環境構築不要!手軽!
→GPUも使える! 8
今回の概要 データセット • The MNIST database • 「0」~「9」の手書きで書かれた数字の画像データと、その画像に書 かれた数字を表すラベルデータから構成される https://weblabo.oscasierra.net/python/ai-mnist-data-detail.html
9
早速コードを見ていきます! 10
#0 Pytorchとscikit-learnのインストール 使うものをあらかじめインストール 11
DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 12
#1 ライブラリインポートと 学習データのダウンロード ライブラリのインポート 学習データのダウンロード 13
#2 DataLoader作成 データセット ↓ 学習データ + テストデータ DataLoaderを作成 … …
14
DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 15
#3 ネットワーク構築 16
#3 ネットワーク構築 それぞれの層の設定 17
DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 18
#4 誤差関数と最適化の手法の設定 • 誤差関数(損失関数) • ニューラルネットワークの性能の「悪さ」を示す指標 • 最適化 • 誤差関数から導かれた値をもとに学習のパラメータを更新する
19
#4 誤差関数と最適化の手法の設定 たったこれだけ!簡単!! 20
#5 学習の設定 学習データをネットワークに入れる 誤差関数を計算 誤差関数から修正分を出す 計算した修正分から最適化 学習モードに切り替え 21
DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 22
#6 推論の設定 テストデータをネットワークに入れる 推論モードに切り替え 推論! 23
#7 学習後データの正解率 • 0回目 707/10000(7%) • 1回目 9533/10000(95%) • 2回目
9543/10000(95%) • 3回目 9495/10000(95%) • 4回目 9547/10000(95%) • 5回目 9637/10000(96%) 24
まとめ 意外とDeepLearningのハードルは低かった 25
ご清聴ありがとうございました! 26
参考文献 • PyTorch で MNIST on Google Colab with GPU
https://qiita.com/knyrc/items/0a0092b9903b97fb41b4 • 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 27
参考文献 • 今回の発表したものの超個人的詳細メモをはてなブログに書い てみました. • 興味がある人はぜひ • DeepLeaning初心者がPyTorchでMNISTデータセットを用いて 深層学習を行う https://naa-study.hatenablog.com/
28