NN設計（まとめ）

以上、ニューラルネットがどのような要素で構成されているのか、それらがどのように連携して動作するのかについて、Pythonのプログラムを作成する観点から解説を行った。

時間の都合上、残念ながらニューラルネットの仕組みについては解説することができなかった。興味のある方はネット上の情報や書籍を調べたり、先生に質問するなどしてより深い学びを目指してください。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

code:nn.py

import torch as pt

import torch.nn as nn

import torch.nn.functional as F

import torch.optim as optim

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

import matplotlib.pyplot as plt

###

###

class Net(nn.Module):

def __init__(self, n_input, n_hidden, n_output):

super().__init__()

self.lin1 = nn.Linear(n_input, n_hidden)

self.lin2 = nn.Linear(n_hidden, n_output)

self.relu = nn.ReLU()

self.softmax = nn.Softmax(dim=1)

def forward(self, x):

x = self.lin1(x)

x = self.relu(x)

x = self.lin2(x)

x = self.softmax(x)

return x

###

dataset = load_iris() # (1) # データセットの取得

# 特徴量と教師データをndarray型からtensor型に変換、特徴量がtorch.float(32bit版)型にするのはお約束

# 訓練と検証用に分割

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size=0.25, random_state=42

)

# 教師データについて、訓練用と検証用のonehot表現を生成

y_train_onehot = F.one_hot(y_train, num_classes=3).float()

# 訓練用のデータセットを生成

dataset_train = pt.utils.data.TensorDataset(X_train, y_train_onehot)

# データローダの生成

dataloader_train = pt.utils.data.DataLoader(

dataset = dataset_train,

batch_size = 10,

shuffle = True,

num_workers = 0

)

###

###

n_input = 4 # アイリスデータの特徴量は４

n_hidden = 5 # 隠れ層（中間層）のノード数

n_output = 3 # アイリスデータは３種類

model = Net(n_input=n_input, n_hidden=n_hidden, n_output=n_output)

print('# model：')

print(model)

alpha = 0.01 # 学習率

optimizer = optim.SGD(model.parameters(), lr=alpha)

print('# optimizer:')

print(optimizer)

loss_func = nn.MSELoss()

print('# loss fnction:')

print(loss_func)

loss_list = [] # 損失関数の履歴保持用

epochs = 100 # 訓練の回数、エポック数という

model.train() # モデルを訓練モードに設定

for epoch in range(epochs):

for X, y in dataloader_train:

optimizer.zero_grad()

y_predict = model(X)

loss = loss_func(y, y_predict)

loss_list.append(loss.item())

loss.backward()

optimizer.step()

if (epoch + 1) % (epochs // 10) == 0:

print('progress =', int((epoch + 1) / epochs * 100),'%, EPOCH =', (epoch + 1), ', loss ={:.3e}'.format(loss.item()))

###

###

plt.plot(loss_list, label='loss function')

plt.grid()

plt.legend()

plt.show()

###

###

model.eval() # ネットを推論モードに設定 # (8-1)

y_predict = model(X_test) # (8-2)

y_predict_compare = (y_predict_max_index == y_test) # (8-4)

y_predict_accuracy = y_predict_compare.sum() / len(y_predict_compare) # (8-5)

print('精度: ', y_predict_accuracy.item()) # (8-6)

/icons/hr.icon

※ ブラウザのバックボタンで戻る