想定外に非常に順調。
コーディングは非常に単純になっている。特につっかえるところもなくあっという間にディープラーニングの結果が得られる。
■セクション8：画像認識のためのディープラーニング（続き）
・ディープラーニング理論
基本から勉強をスタート。ニューロンの仕組みから入り、次に活性化関数のシグモイド関数やRuLUを学ぶ。続いて、コスト関数であるQuadratic Cost, Cross Entropyなどを学ぶ。ディープラーニングはフレームワークがしっかりしている分、理屈がどうなっているのかがわかっているかが重要だ。
自分で独自にニューロンのネットワークを作成するにあたっても、どうしてこの構造が正しいのかを説明できる必要があると感じた。
・ Keras
まずKerasの基礎を学ぶということで画像なしでモデルを作り、学習、評価を行う。Kerasは非常によくできていて柔軟に多層のニューラルネットワークを簡単に構築できる。
バックエンドはTensorflowを使用する。
https://keras.io/ja/
テストセットの分割をするのにはsklearnの関数を用いる。この辺はApache Sparkの機械学習で勉強したのと同じような流れだ。
次に、画像にmnistのデータを使用したCNNを用いたディープラーニングを行い、CIFAR-10を用いてカラー画像のディープラーニングを行う。
残念ながら、私の環境では、CIFAR-10のディープラーニングを行うとエラーが出てしまい、処理が進まない。学習済のモデルで動作させても、pythonがエラーを出してしまうので処理ができなかった。
新しいＰＣが来るのが待ち遠しい（11月上旬予定）
ディープラーニングは通常のプログラムと異なり、プログラミングしたら思い通りに動くというわけではない。
作成後のチューニングや十分なテストデータ準備などの作業や、知識、経験も必要である。
この辺りは、さらに今後も自分から主体的に課題を見つけて学習しながら積み上げていく必要があると強く感じた。
■次は
アセスメントとYOLOネットワークの学習を行い、最終のプロジェクト演習に入る。
このコースへのリンク
Python for Computer Vision with OpenCV and Deep Learning
全般ランキング
【このカテゴリーの最新記事】
- no image
- no image
- no image
- no image
- no image
