Deep Learning Demonstration using Tensorflow (7th lecture)

TensorFlowの基本、
第7回
題目:TensorFlow上の回帰問題
発表者:NANDEDKAR PARTH SHIRISH
1

今日の流れ
１．計算用デバイスの設定
２．MNISTのための（単層）回帰モデル
３．ロジスティク回帰モデルの記述方法
４．ロジスティク回帰のプログラム全体
５．MNISTのための複数層モデル
2

 ４６ページの例のプログラムを考える
実際に存在する標準関数でなく、入力を得ることを表すだけ
3
Cのread(),Javaの
getline()みたい
feed_dict=「作
業型」の変数

 ４６ページの例で、
セッションsessは右の
計算グラフを作成
計算を開始
4
Computational Graph:
計算流れ図

 GPUは並列処理が得意で、デフォルトのデバイス
 特定のデバイスの設定
（forでも利用可）
forの上記の文より、1,2番目のGPUは並列（非依存的）
に処理をする
5

 複数のデバイスの例
1,2番目のGPUは並列（非依存的）に処理
cはリスト型と定義。
6

 セッション型のsessの設定の２項目
デバイス名の表示 withが失敗すると、開い
ているデバイスを探す
7

２．MNISTのロジスティク回帰モデル
 第１回輪講の桁の識別のデータセットはMNIST
モデルの記法
x＝入力データ、28*28ピクセル
b＝Bias、各ニューロンに１つ
W＝各入力の神経から結果までの重み
8

復習:複数層
ニューラル
ネットワーク
（２つの層、
１つの隠れ層）
9

2．MNISTの回帰:単層ニューラル
ネットワーク（１つの層、
０つの隠れ層）
出力１２ 1０
W1,1 W784,10
W2,1
W784,2
10

神経回路網の(線型的)ニューロン
段階1 段階2
段階3
段階4
段階5
bias定数C
を加算
+bias定数C（適当に）
11

復習:ロジスティク関数 12

回帰問題:
夫々の確率の出力ベクトル
分類問題:出力は0や1、又は「グループ
a」,「b」,「c」だけ
softmax法で0から1の確立を得る
softmax法
13

回帰問題:出力ベクトル
0から1までの
確率が出力
車の確率
動物の確率
人間の確率
。
。
14

２．ＭNISTのロジスティク回帰
出力１２ 1０
W1,1 W784,10
W2,1
W784,2
15

３．ロジスティク回帰の記述方法
手順1．推論:現在のW,bから
の計算（softmax適用）
手順2．ロス関数値の計算: 手順1の出力ベクト
ル、入力の結果間のKullback-Leibler情報量
16

手順3．学習:勾配落下法で最適解を得る。
重みWの更新する。
手順4．評価:どの%があっていたか。
手順1の出力ベクトル、入力結果から。
17

手順1．推論:現在のW,bから
の計算
引数x=
前回の輪講の変数宣言
softmax適用
18

手順2．ロス関数値の計算:
Kullback-Leibler情報量法:
2つの確率分布間の「距離」
分布 P=Q なら , DKL=0 !!
公式は「Shannon情報量」と似ている
19

手順2．ロス関数値の計算:Kullback-Leibler情報量法
引数output=手順1の出力ベクトル
引数y=MNISTに入った正しい結果のデータ
の計算 ???
∑と同様
E(X);期待値と同様
20

手順3．学習:勾配落下法で最適解を得る。重みWの更
新する。
引数cost=手順2の出力ベクトル
引数global_step= Wの更新関数にバッチ番号を教える
勾配落下法のoperation(関数型)
Wの更新(自動、
global_stepは増分)
21

引数y=MNISTに入った正しい結果のデータ
tf.equal関数
output,yの最大値のindexが等しいかをチェック
Wの更新(自動、global_stepは増分)
22

Output[96] : 0.45 0.121 0.999 0.08 …......... 0.04
y [96]: 0 0 1 0 0
この結果、
Correct_prediction[96] = TRUE
tf.cast関数:Correct_prediction内の
TRUE/FALSEの比率
23

4．全体プログラムの枠
手順1．パラメター設定:学習速度β;バッチ内
の標本数;学習用バッチ数
手順2．Computational Graphの作成:
各バッチに利用されるinference()、loss()、
training()、evaluate()を「sess.run()」の実行で
適用できるように!!!
24

4．全体プログラムの枠
手順1．パラメター設定
手順2．Computational Graphの作成
手順3．バッチ毎のループの作成
手順4．標本毎のループの作成
25

４．全体プログラム
手順2．
Computational
Graphの作成:
全部はsess.run()
で適用
26

４．全体プログラム
手順2．Computational Graphの作成:
27

４．ロジスティク回帰の記述方法
手順3．バッチ毎のループの作成
28

29

30

変更されない関数． loss()、training()、evaluate()、
変更される関数． inference()のみ
2つの隠れ層
256784 10256
31

inference ():
層の概念を抽象化したlayer関数を導入
32

50ページのlayer():前半の輪講でやったもの
33

layer()
34

複数層の
Computational
Model
簡単!
35

Deep Learning Demonstration using Tensorflow (7th lecture)

More Related Content

What's hot

Similar to Deep Learning Demonstration using Tensorflow (7th lecture)

More from Parth Nandedkar

Deep Learning Demonstration using Tensorflow (7th lecture)