さいしょにやるプログラミング例は､
たぶん､ print(‘Hello World’)だったりする｡
で､機械学習の’Hello World’的なものは､
MNISTという説もある｡
MNISTには､機械学習を行うためのプログラミングと､
基本的なデータ・セットがそろっている｡
けれど､チュートリアルをやるものの､イマイチどういうふうになっているのか､視覚的に､わからなない｡
ここでは､そういうことを､たしかめながら､まとめてみようとおもう｡
（１）「ゼロから作る Deep Learing」のGit Hub上にあるファイルを使ってみる｡
まずは､Git Hubからダウンロードしたファイルを､ユーザーのディレクトリに置く｡あとは､以下､Anaconda Juputernotebookからの作業となる｡
import os
os.chdir('/Users/tsurumakifumiaki/deep-learning-from-scratch-master/dataset')
# カレントディレクトリをdatasetに変更
from mnist import load_mnist
#mnistからload_mnist関数をインポートする
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# load_mnist関数によりデータセットが読み込まれる（引数は読み込みの際の設定）｡
# データは(x_train, t_train), (x_test, t_test)に､それぞれ返される｡
print(x_train.shape)
(60000,784)
# 訓練データの数字の画像データ､784個の値のリストが60000個ある
print(t_train.shape)
(60000,)
# その画像の数字､､スカラーが60000個ある
print(x_test.shape)
(10000,784)
# テストデータの数字の画像データ､784個の値のリストが10000個ある
print(t_test.shape)
(10000,)
# その画像の数字､､スカラーが60000個ある
では､じっさいの格納されている画像データをみてみよー｡
x_train_number =x_train[5323]
x_train_number5323番目の文字｡784個の値が集合している｡
０（まっ白）から､784（まっ黒）､そのあいだの灰色の階調を表す数字が並んでいる｡
といっても､コンピュータが認識できても､
ひとの視覚では確認できない｡確認できるようにしてみよー｡
import matplotlib.pyplot as plt
plt.imshow(train_number_image, cmap = plt.cm.binary,
interpolation='nearest')画像は､以下のとおり､３であった｡
ちなみに､教師データのラベルも３となっている｡
t_train_number =t_train[5323]
t_train_number
3
# ちゃんと３ｎの「タグ」が貼られている｡（２）推論処理を行う
GitHub上の「ゼロから作るDeepLearning」のフォルダーの中に､訓練用のバイアスと重みのデータが入ったファイルが用意されている｡
場所：
deep-learning-from-scratch-master/ch03/sample_weight.pkl
まずは､そのファイルを変数 networkに代入する｡
import pickle
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)スケール感を､たしかめてみよう｡
まずは重みの数
len(network['W1'])
784
len(network['W2'])
50
len(network['W3'])
100
つぎにバイアスの数
len(network['b1'])
50
len(network['b2']
100
len(network['b3'])
10
オッケー､では実装してゆこう｡
def get_data():
(x_train, t_train),(x_test,t_test)=\
load_mnist (normalize=True,flatten=True,one_hot_label=False)
return x_test,t_tes
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
import numpy as np
# シグモイド関数の実装
def sigmoid(x):
return 1/(1+np.exp(-x))
# ソフトマックス関数の実装
def softmax(a):
exp_a = np.exp(a)
sum_exp_a = np.sum(exp_a)
y=exp_a / sum_exp_a
return y
# 各層で､変数network内にある重みとバイアスを加えていく｡
# それぞれの値はシグモイド関数､最後はソフマップ関数を通す｡
def predict(network,x):
w1,w2,w3=network['W1'],network['W2'],network['W3']
b1,b2,b3=network['b1'],network['b2'],network['b3']
a1=np.dot(x,w1)+b1
z1=sigmoid(a1)
a2=np.dot(z1,w2)+b2
z2=sigmoid(a2)
a3=np.dot(z2,w3)+b3
y=softmax(a3)
return y
# MNISTデータを取得しxとtに返す
x,t = get_data()
# 重みとバイアスのデータを変数networkに代入する
network = init_network()
# for文により､xに格納された画像データを1枚ずつ取り出し､predict関数により､
# ファイルに用意されている重みとバイアスが試される｡
accuracy_cnt ==0
for i in range(len(x)):
y=predict(network, x[i])
p=np.argmax(y)
if p==t[i]:
accuracy_cnt += 1
print(str(float(accuracy_cnt)/len(x)))
0.9533