実際のコードで流れを感じるDeepLearning超入門

1. 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
2. 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
3. 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
4. DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 4
5. 実際に実装するとなると どんな感じになるんだろう…？ 5
6. 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
7. 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
8. 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
9. 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
10. 早速コードを見ていきます！ 10
11. #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
12. DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 12
13. #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
14. #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
15. DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 15
16. #3 ネットワーク構築 16
17. #3 ネットワーク構築 それぞれの層の設定 17
18. DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 18
19. #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
20. #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
21. #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
22. DeepLearningの工程 データ の準備 ネット ワーク の構築 学習 推論 22
23. #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
24. #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
25. まとめ 意外とDeepLearningのハードルは低かった 25
26. ご清聴ありがとうございました！ 26
27. 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
28. 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