* 「今すぐ試したい！機械学習・深層学習（ディープラーニング）画像認識プログラミングレシピ」強制ではありませんが、こちらの本をお持ちですとスムーズかもしれません。
前回第3回はこちらです。
-
第1回のGoogle Colabの環境を用意して置いてください。会場もWiFiの環境が用意されていますが、可能であれば、ご自身のモバイルWiFiルータもお持ちください！
-
日本のプリファードネットワークス（Preffered Networks）さんが主導で開発したPythonベースオープンソース深層学習フレームワークである。
-
2015年6月にオープンソース化されました。（TensorFlowが2015年11月9日にベータ版がが公開され、2017年2月15日には正式版となるTensorFlow 1.0がリリースされた。PyTorchは Facebookが2017年公開）
-
Chainerは深層学習のフレームワークの先駆けでもある
-
2019年12月5日 プリファードネットワークス、以下、PFN）は、研究開発の基盤技術である深層学習フレームワークを、自社開発のChainer™から、PyTorchに順次移行する発表された。https://preferred.jp/ja/news/pr20191205/
-
MNIST(Mixed National Institute of Standards and Technology database)
-
直接ダウンロードすることも可能 http://yann.lecun.com/exdb/mnist/
-
手書き数字画像60,000枚と、テスト画像10,000枚、合わせて70,000枚の画像のデータセット
-
28ピクセルx28ピクセル -> 784ピクセル (scikit-learnの手書き数字データ：8ピクセルx8ピクセル -> 64ピクセル)
-
人工知能(AI)の勉強を始める入り口としてMNISTはよく使われるデータセット
-
Chainerのインストール
-
MNISTデータのダウンロード
-
数字画像を見る
-
学習用データセットと検証用データセットの数の確認
-
ニューラルネットワークの定義（今回は、DeepLearningではない）
-
b(バイアス)とw(重み付け)の変化を確認する
-
iterators
-
optimizerの設定
-
検証処理ブロック（ソースコードの修正あり）
-
学習と検証
-
学習モデルのダウンロードと利用
-
参考書籍の第４章第６節
-
https://github.com/Kokensha/book-ml/blob/master/Colaboratory/04_06(Chainer_dogs_and_cats).ipynb
-
犬と猫の写真データを取得する
!wget files.fast.ai/data/dogscats.zipまず、プログラムを実行して、学習済みモデルを取得するまでやります。時間があったら、内容を説明する -
画像データ形式の整備
-
画像の前処理
-
データセットの作成
-
学習データと検証データを分ける
-
CNN設定(畳み込みニューラルネットワークの学習については次回詳説する)
-
反復子
-
optimizerの設定
-
updaterの設定
-
extensionsの設定
-
学習及び学習結果の確認
-
検証
-
学習済みモデルの取得（Google Driveに保存する）
-
手書き犬と猫の判別（ウェブアプリ）
-
写真をアップロードして認識させる
-
https://github.com/Kokensha/book-ml/tree/master/docker-python3-flask-ml-app
-
画像データの送信
-
サーバサイド画像データの受け取り
-
データの処理
-
学習済みモデルを使って推論