SlideShare a Scribd company logo

mxnetで頑張る深層学習

•
•
Takashi Kitano
Takashi Kitano

Tokyo.R#57

1 of 59
Downloaded 77 times
   で頑張る深層学習 Tokyo.R#57 2016-09-24 @kashitan
• xgboostの開発元であるdmlcが開発した Deep Learning Framework • C++, Scala, Python, R, Juliaなど様々な インタフェースがある • CPU/GPUの切り替えが容易 • 複数コア/複数ノードで分散処理が可能
• 多層パーセプトロン • 畳み込みニューラルネットワーク
• 多層パーセプトロン • 畳み込みニューラルネットワーク
多層パーセプトロン • パーセプトロンを複数の層に配置させ ⼊⼒層に与えられた値を伝播させてい くネットワーク ・ ・ ・ ・ ⼊⼒層 中間層 出⼒層 x1 x2 xn y2 y1
多層パーセプトロン • irisデータでやってみる Sepal.
 Length Sepal.
 Width Petal.
 Length Petal.
 Width Species 5.1 3.5 1.4 0.2 setosa 4.9 3.0 1.4 0.2 setosa 4.7 3.2 1.3 0.2 setosa 4.6 3.1 1.5 0.2 setosa sepal petal setosa, versicolor, virginicaの各品種に50行ずつあるデータセット
多層パーセプトロン • 学習⽤と検証⽤にデータを分割 > data(iris) > # 奇数⾏を学習⽤データ、偶数⾏を検証⽤データとする > train.ind <- seq(1, nrow(iris), 2) > > train.x <- data.matrix(iris[train.ind, 1:4]) > train.y <- as.numeric(iris[train.ind, 5]) - 1 > test.x <- data.matrix(iris[-train.ind, 1:4]) > test.y <- as.numeric(iris[-train.ind, 5]) - 1 > table(train.y) train.y 0 1 2 25 25 25
多層パーセプトロン • パッケージのロードとログの設定 > library(mxnet) > > # mxnetでランダムプロセスをコントロールするための関数 > mx.set.seed(0) > > # 学習および検証時の誤差を後で使うためのリファレンスクラス > logger <- mx.metric.logger$new()
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger)
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 中間層のユニット数
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 出⼒層のユニット数 今回は3class分類なので 3を指定
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 活性化関数 今回はReLUを指定
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 誤差関数
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 学習回数
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 1回の学習で 使⽤する 学習データ数
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 学習率
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) モーメンタム
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 評価⽅法 回帰の場合はRMSEなど
多層パーセプトロン • モデル作成 > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = 6, + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger) 学習毎に実⾏する関数
多層パーセプトロン • モデル作成結果 Start training with 1 devices [1] Train-accuracy=0.38 [1] Validation-accuracy=0.333333333333333 [2] Train-accuracy=0.333333333333333 [2] Validation-accuracy=0.333333333333333 [3] Train-accuracy=0.333333333333333 [3] Validation-accuracy=0.333333333333333 （中略） [199] Train-accuracy=0.96 [199] Validation-accuracy=0.96 [200] Train-accuracy=0.986666666666667 [200] Validation-accuracy=0.96
多層パーセプトロン • 学習毎の精度をプロット > library(dplyr) > library(plotly) > data.frame(epoc = seq(1, 200, 1), + train = logger$train, test = logger$eval) %>% + plot_ly( + x = epoc, y = train, + type = "scatter", mode = "lines", name = "train" + ) %>% + add_trace( + x = epoc, y = test, + type = "scatter", mode = "lines", name = "test" + ) %>% + layout(yaxis = list(title = "accuracy"))
多層パーセプトロン • 学習毎の精度をプロット
多層パーセプトロン • モデルを検証⽤データに当てはめ > # 検証⽤データに当てはめ > preds <- predict(model, test.x) > head(t(preds)) [,1] [,2] [,3] [1,] 0.9999290 7.107238e-05 1.109092e-12 [2,] 0.9997237 2.762006e-04 1.440176e-11 [3,] 0.9999521 4.790557e-05 6.202604e-13 [4,] 0.9999722 2.779509e-05 1.976960e-13 [5,] 0.9999521 4.791964e-05 5.282145e-13 [6,] 0.9998796 1.204296e-04 3.145415e-12
多層パーセプトロン • 混合⾏列/精度の確認 > # 最も確率が⾼い列を予測した品種とする > pred.label <- max.col(t(preds)) - 1 > # 混合⾏列をプロット > library(caret) > confusionMatrix(pred.label, test.y) Confusion Matrix and Statistics Reference Prediction 0 1 2 0 25 0 0 1 0 24 2 2 0 1 23
多層パーセプトロン • 計算グラフの描画 > graph.viz(model$symbol$as.json()) ⼊⼒層 中間層 活性化関数 出⼒層 尤度関数
多層パーセプトロン • 2層にしてみる > model <- mx.mlp( + train.x, train.y, + eval.data = list(data = test.x, label = test.y), + hidden_node = c(6, 6), + out_node = 3, + activation = "relu", + out_activation = "softmax", + num.round = 200, + array.batch.size = 25, + learning.rate = 0.07, + momentum = 0.9, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(5, logger)
多層パーセプトロン • 計算グラフの描画 > graph.viz(model$symbol$as.json()) 中間層が2層に 増えている
多層パーセプトロン • 学習毎の精度をプロット
多層パーセプトロン • 混合⾏列/精度の確認 > confusionMatrix(pred.label, test.y) Confusion Matrix and Statistics Reference Prediction 0 1 2 0 25 0 0 1 0 25 25 2 0 0 0 Overall Statistics Accuracy : 0.6667 95% CI : (0.5483, 0.7714)
多層パーセプトロン • オッカムの剃⼑ “Pluralitas non est ponenda sine neccesitate. Frustra fit per plura quod potest fieri per pauciora.” 必要が無いなら多くのものを定⽴
 してはならない。少数の論理でよい 場合は多数の論理を定⽴してはなら ない。
• 多層パーセプトロン • 畳み込みニューラルネットワーク
畳み込みニューラルネットワーク • ⼈の視覚野にある受容野をモデル化 • 以下の層から構成される • 畳み込み層 • プーリング層 • 全結合層 • 出⼒層
畳み込みニューラルネットワーク • 畳み込み層とプーリング層は複数回
 繰り返す • 全結合層も何層か繰り返し深い層を
 形成 http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdfより抜粋
畳み込みニューラルネットワーク • 詳しくは以下の神スライドを参照 http://www.slideshare.net/matsukenbook/ss-50545587
畳み込みニューラルネットワーク • MNISTデータでやってみる • 0〜9までの数字の⼿書き⽂字 • 学習⽤データ 6万件 • 検証⽤データ 1万件
畳み込みニューラルネットワーク • LeNet-5を可能なかぎり再現してみる
畳み込みニューラルネットワーク • MNISTデータのダウンロード http://yann.lecun.com/exdb/mnist/
畳み込みニューラルネットワーク • バイナリデータを読み込む関数をロード https://gist.github.com/brendano/39760
畳み込みニューラルネットワーク • データの読み込み > # MNISTデータの読み込み > load_mnist() > > # 28x28(=784)のレコードが60000個 > dim(train$x) [1] 60000 784 >
畳み込みニューラルネットワーク • 次元の変換とプロット > # mx.symbol.Convolutionで処理できる4次元配列に変換 > train.x <- t(train$x) > dim(train.x) <- c(28, 28, 1, 60000) > > test.x <- t(test$x) > dim(test.x) <- c(28, 28, 1, 10000) > > # 1⽂字⽬をプロット > library(plotly) > plot_ly(z=train.x[, , 1, 1], colorscale = "Greys", type = "heatmap")
畳み込みニューラルネットワーク • 次元の変換とプロット
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2))
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2)) フィルタのサイズ
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2)) フィルタの数
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2)) 活性化関数
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2)) プーリングのタイプ
畳み込みニューラルネットワーク • ⼊⼒層とC1, S2の定義 > library(mxnet) > input <- mx.symbol.Variable('data') > > # C1 > c1 <- mx.symbol.Convolution( + data = input, kernel = c(5, 5), num_filter = 6) > a1 <- mx.symbol.Activation(data = c1, act_type = "tanh") > > # S2 > s2 <- mx.symbol.Pooling( + data = a1, pool_type = "max", kernel = c(2, 2)) フィルタのサイズ
畳み込みニューラルネットワーク • C3, S4, C5の定義 > # C3 > c3 <- mx.symbol.Convolution( + data = s2, kernel = c(5, 5), num_filter = 16) > a2 <- mx.symbol.Activation(data = c3, act_type = "tanh") > > # S4 > s4 <- mx.symbol.Pooling( + data = a2, pool_type = "max", kernel = c(2, 2)) > > # C5 > c5 <- mx.symbol.Flatten(data = s4)
畳み込みニューラルネットワーク • F6, OUTPUT, 損失関数の定義 > # F6 > f6 <- mx.symbol.FullyConnected(data = c5, num_hidden = 84) > a3 <- mx.symbol.Activation(data = f6, act_type = "tanh") > > # Output > output <- mx.symbol.FullyConnected(data = a3, num_hidden = 10) > > # loss > lenet <- mx.symbol.SoftmaxOutput(data = output)
畳み込みニューラルネットワーク • ネットワークモデルの学習 > model <- mx.model.FeedForward.create( + lenet, + X = train.x, + y = train$y, + ctx = mx.gpu(), + num.round = 20, + array.batch.size = 1000, + learning.rate = 0.05, + momentum = 0.9, + wd = 0.00001, + eval.metric = mx.metric.accuracy, + epoch.end.callback = mx.callback.log.train.metric(100) + )
畳み込みニューラルネットワーク • 学習毎の精度をプロット > data.frame(epoc = 1:20, + train = logger$train, + test = logger$eval) %>% + plot_ly( + x = epoc, y = train, + type = "scatter", mode = "lines", name = "train") %>% + add_trace( + x = epoc, y = test, + type = "scatter", mode = "lines", name = "test") %>% + layout(yaxis = list(title = "accuracy"))
畳み込みニューラルネットワーク • 学習毎の精度をプロット
畳み込みニューラルネットワーク • 混合⾏列/精度の確認 > confusionMatrix(pred.label, test$y) Confusion Matrix and Statistics Reference Prediction 0 1 2 3 4 5 6 7 8 9 0 970 0 1 0 0 2 5 0 5 3 1 0 1126 2 0 0 0 2 1 0 2 2 3 1 1020 1 1 0 1 4 3 0 3 0 1 0 997 0 7 1 2 3 4 4 1 0 3 0 971 0 2 0 2 13 5 0 0 0 5 0 876 2 0 2 2 6 2 2 1 0 2 4 943 0 1 0 7 1 2 4 5 3 1 0 1019 6 10
畳み込みニューラルネットワーク • 計算グラフの描画 > graph.viz(model$symbol$as.json())
まとめ
で でも
 深層学習が捗る!
参考
•MXNet R Package - mxnet 0.7.0 documentation •Deep Learningライブラリ{mxnet}のR版で Convolutional Neural Networkをサクッと 試してみた（追記3件あり） •Deep Learningライブラリ「MXNet」のR版 をKaggle Otto Challengeで実践してみた •Mxnetで回帰 #TokyoR 53th
mxnetで頑張る深層学習

More Related Content

mxnetで頑張る深層学習