![オートエンコーダー(AE)
AE (オートエンコーダー)
⼊入⼒力力データを再現するような[表現h, encoder, decoder] を学習する
dAE(denoising Auto Encoder)
ノイズを加えたデータで学習させる
スパースオートエンコーダー
出⼒力力層がスパースになるように正規化したもの
y(=x)
h
入力データ
x
Decoder
y = f ´(W´h)
スパースオートエンコーダーでは次の
評価関数を最小化する
Encoder
h = f (Wx)
正規化項
11](https://image.slidesharecdn.com/deeplearning1112-131112050852-phpapp01/85/-11-320.jpg)
More Related Content
What's hot (20)
Similar to 実装ディープラーニング (20)
![[旧版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」](https://cdn.slidesharecdn.com/ss_thumbnails/jsai2018tutorialslideshare-180606065226-thumbnail.jpg?width=560&fit=bounds)
![[最新版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」](https://cdn.slidesharecdn.com/ss_thumbnails/jsai2018tutorialslideshare-180607030706-thumbnail.jpg?width=560&fit=bounds)
実装ディープラーニング
- 2. 紹介 岡 右⾥里里恵 (早⼤大理理⼯工M1) 出⾝身、住まい等 横浜 趣味 映画鑑賞, シンセ / kaggle歴 3ヶ⽉月 好きな物 redbullと最近はドクペ @0kayu 研究 脳画像を⽤用いた診断補助法の開発 2
- 3. DEEP LEARNING 1. Deep Learning の 仕組み スライド がたくさん! 2. Deep Learning パラメータ/学習法 について 3. 実装: パッケージ調べ ← 今日はこれ!!!!!!!!!!! ディープラーニングをもっと、もっと手軽に 3
- 6. 1. ディープラーニング概要(2) プレトレーニング + ファインチューニング 各層の●,●,●は 入力データ●の特徴量を表す http://www.vision.is.tohoku.ac.jp/files/9313/6601/7876/ CVIM_tutorial_deep_learning.pdf 6
- 7. 1. ディープラーニング概要(2) 判別器 プレトレーニング + ファインチューニング SVM, LR, ... etc AE(3) AE(2) AE(1) 教師無し学習器群 AE:オートエンコーダー RBM:制限ボルツマンマシン http://www.vision.is.tohoku.ac.jp/files/9313/6601/7876/ CVIM_tutorial_deep_learning.pdf DBM, stacking AE DBN, stacking AE 7
- 8. 制約つきボルツマンマシン(RBM) • ⽣生成モデルの１つ 生成モデルの学習方法 vi, hj は{0,1}をとる h/p://www.vision.is.tohoku.ac.jp/files/9313/6601/7876/CVIM_tutorial_deep_learning.pdf 8
- 9. RBM ＋ DeepStructure 制約つきボルツマンマシン(RBM) 可視層と隠れ層からなる2層ネット ワーク 判別器 DBN(Deep Belief Network) RBM(3) RBM(2) DBM(Deep Boltzma Machine) RBM(1) vi, hj = {0,1} 入力データ 9
- 10. RBM ＋ DeepStructure ＋ max pooling ConvDBN (ConvoluFonal Belief Network) RBMに畳み込みニューラル ネットで使われるmax pooling を追加したもの http://www.vision.is.tohoku.ac.jp/files/9313/6601/7876/CVIM_tutorial_deep_learning.pdf 10
- 11. オートエンコーダー(AE) AE (オートエンコーダー) ⼊入⼒力力データを再現するような[表現h, encoder, decoder] を学習する dAE(denoising Auto Encoder) ノイズを加えたデータで学習させる スパースオートエンコーダー 出⼒力力層がスパースになるように正規化したもの y(=x) h 入力データ x Decoder y = f ´(W´h) スパースオートエンコーダーでは次の 評価関数を最小化する Encoder h = f (Wx) 正規化項 11
- 13. 2. 各層の学習法について 基本 バッチ学習 + 確率率率的勾配法 (SGD) バッチ学習 : 全データで学習 確率率率的勾配法(SGD) : t個⽬目のサンプルだけを⽤用いて重みが更更新可能 → データをミニバッチに分け、ミニバッチごとに重みを更更新 → 学習の⾼高速化 ! バッチ関連のパラメータ ミニバッチサイズ データを分割する量量。分割したデータ(バッチ)を⽤用いて学習させる。 バッチ毎の学習 バッチを学習させて、バッチごとにパタメータを更更新 モニター数(⇔速度度に影響) すべてのバッチのうち、⼀一部のバッチのみvalidationをしてモデルが学習できているか確認す る max_̲epoch 1つのデータを何回(何epoch)繰り返して学習させるか 13
- 14. 2. パラメータについて 1. 機械全体の形 レイヤーの数 教師無し学習器(モデル)の選択 判別器の選択 太字 = 「特に重要なパラメータ」 2. 各層のモデルのパラメータ 隠れ層のユニット数 重みの正規化 ユニットのスパース化 活性化関数の選択 3. 最適化のためのパラメータ 学習⽅方法 学習率率率 (初期値, 減衰) ミニバッチサイズ イテレーション回数 Momentum 4. その他 重みの初期化 (のスケール) 乱数 前処理理 おすすめの参考スライド http://www.slideshare.net/koji_matsuda/practical-recommendationfordeeplearning 14
- 15. 3. 実装 : 現状の関連コード比較 pylearn2 python +theano 元の言語 Torch7 Lua python numpy+scipy nolearn deepnet python + sklearn △ 導入しやすさ(mac) ディープラーニン RBM, DBN, AE, MLP, Maxout グの種類等 ー python + gnumpy ー RBM, AE, DBN DBN, RBM RBM, AE, DBM, DBN, CNN, feedforward NN ー GPU計算 とっつきやすさ 入力データの準備 特徴 sugomori さん △ △ 種類が豊富, 画 像の可視化 ー ー ー matlab ライク ー Java版あり, オプションが ー GPU計算が前提 多いsklearn風 シンプル pylearn2 http://deeplearning.net/software/pylearn2/index.html DL先→ torch7 http://www.torch.ch/manual/install/index sugomori http://blog.yusugomori.com/post/42424440144/pythondeep-learning-stacked-denoising nolearn h'ps://github.com/dnouri/nolearn or pip install nolearn deepnet h'ps://github.com/niQshsrivastava/deepnet 15
- 16. 1. pylearn2 市民権争い pylearn2 VS torch7 利利点 -‐‑‒ Benjio先⽣生(先のスライドの原著) の最新のアルゴリズムが実装されて いる (Maxout等) -‐‑‒ 市⺠民権の獲得に積極的 (kaggleのベンチマーク) -‐‑‒ 実装の⾒見見た⽬目は綺麗麗, 評価を下すのにmonitor.py がなかなか使える -‐‑‒ 設定をエディットしやすい ⽋欠点 -‐‑‒ データ構造が⽞玄⼈人向け、慣れれば快適...?? -‐‑‒ 公式HPのチュートリアルやドキュメントが開発途中 -‐‑‒ pylearn2のgoogle groups等を追う姿勢が⼤大事 16
- 17. 1. pylearn2 DL実装の流れ@pylearn2(1) layer_̲1.yaml 1層⽬目学習 train = yaml_parse.load(layer1_yaml) train.main_loop() ** dae_l1.pkl layer_̲2.yaml 2層⽬目学習 train = yaml_parse.load(layer2_yaml) train.main_loop() dae_l2.pkl mlp.yaml 判別器学習 train = yaml_parse.load(mlp_yaml) train.main_loop() mlp_best.pkl 簡単3ステップ+α STEP1: データをpylearn2のデータ形式で登録 (ベンチマーク系は既に登録済み) STEP2: YAMLファイル形式(テンプレあり)で、 train{入力データ,学習器,学習法}を指定 STEP3: train.pyに作った *.yamlを放り込む STEPα: モニター結果から学習できてるか判断 **: $ train.py layer_1.yaml でも可 17
- 18. 1. pylearn2 DL実装の流れ@pylearn2(1) 前準備 インストール時にあらかじめ{PYLEARN2_DATA_PATH}にdataの保存場所のパスを 通しておく ベンチマークを用意するには ${PYLEARN2_DATA_PAHT}/mnist/以下にMNISTデータを入れておく. dataset.pyを作る必要はない 自分のデータを用意するには 例 : kaggleのicml_2013_emotionsをデータとして登録 1. dataset.py を作成 .csvの場合はemotion_dataset.py が参考になる。 2. ${PYLEARN2_DATA_PATH}/icml_2013_emotions を作成し、中にデータをいれる 18
- 19. 1. pylearn2 DL実装の流れ@pylearn2(2) 2層目の学習で、train.pyに与えるYAMLファイルの例 !obj:pylearn2.train.Train { dataset: &train !obj:pylearn2.datasets.transformer_dataset.TransformerDataset { raw: !obj:pylearn2.datasets.mnist.MNIST { 1. 入力データ: which_set: 'train', start: 0, #データのうち0から50000を学習 TransformerDataset(MNIST) stop: 50000 }, transformer: !pkl: "./dae_l1.pkl" }, model: !obj:pylearn2.models.autoencoder.DenoisingAutoencoder { nvis : 500, #visible layerの次元 2. 学習器 : Denoising Autoencoder nhid : 500, #hidden layerの次元 irange : 0.05, corruptor: !obj:pylearn2.corruption.BinomialCorruptor { corruption_level: .3, #ノイズの程度 }, act_enc: "tanh", act_dec: null, # Linear activation on the decoder side. }, algorithm: !obj:pylearn2.training_algorithms.sgd.SGD { learning_rate : 1e-3, #学習率 3. 学習法: StochasQcGradient Descent batch_size : 100, #バッチサイズ(100データごとに学習) monitoring_batches : 5, #モニターするバッチの数 monitoring_dataset : *train, cost : !obj:pylearn2.costs.autoencoder.MeanSquaredReconstructionError {}, termination_criterion : !obj:pylearn2.termination_criteria.EpochCounter { max_epochs: 10, }, }, save_path: "./dae_l2.pkl", save_freq: 1 } 19
- 20. 1. pylearn2 DL実装の流れ@pylearn2(3) 評価例 $ print_monitor.py <学習して出力した *.pkl> や summarize_model.py *.pkl epochs seen: 10 Qme trained: 141.956558943 learning_rate : 0.001 monitor_seconds_per_epoch : 11.0 objecQve : 11.414127059 $ plot_monitor.py <学習して出力した *.pkl > → デモ 20
- 21. 1. pylearn2 DL実装の流れ@pylearn2(4) 重みの可視化について ○ 学習器にオートエンコーダーを用いた場合 一層目 → show_weights.py 二層目→ × ○ 学習器にRBMを用いた場合 一層目→ show_weights.py $: show_examples.py データ.yaml 二層目→ top_filters.py ○ 各層の重みの値 layer = parse.load(“モデル名.pkl”) W = layer.weights() $: show_weights.py 1層目のモデル.pkl -‐-‐out=”hoge.png” 21
- 22. 1. pylearn2 pylearn2を今からはじめるには 公式のドキュメント + script以下のコードのコメントから学ぶ ディープラーニングの知識識をコードから学びたい → pylearn2の前⾝身の http://deeplearning.net/tutorial/ → pylearn2/srcripts/tutorials/*.ipynb : 数式や⽂文章付きで学べる ええい！とにかく試してみたい！かじりたい！ → pylearn2/scripts/tutorials/stacked_̲autoencoders.ipynb → pylearn2/scripts/tutorials/dbm_̲demo/rbm.yaml kaggleに殴り込みをしようと思うんだが... ⼿手持ちのデータをさくっとディープラーニングできないかな~∼ → pylearn2/scripts/icml_̲2013_̲wrepl/emotions/ 22
- 23. 2. その他のpython系パッケージ 特徴 -‐‑‒ Theanoを覚えるのが⼤大変なあなたに -‐‑‒ インストールが簡単, -‐‑‒ SGD/RBM/dA 多値ロジスティック回帰 が使⽤用可能 -‐‑‒ sparse.matrix に対応していないので、⼤大規模疎⾏行行列列は扱えない -‐‑‒ 少量量のデータならばnumpy+scipyのほうがてっとり早い -‐‑‒ 速度度はpylearn2と⼤大きく変わらない (CPU計算の場合) 23
- 25. 3. nolearn nolearn使い方(1) インストール は、$ pip install nolearn h'p://packages.python.org/nolearn/ 25
- 28. ありがとうございました 28
- 29. 参考文献等 ディープラーニングチュートリアル h$p://www.vision.is.tohoku.ac.jp/files/9313/6601/7876/CVIM_tutorial_deep_learning.pdf 第7章 パーセプトロン型学習規則 #はじパタ http://www.slideshare.net/Tyee/f5up 自然言語処理まわりのDeep Learningを自分なりにまとめてみた http://kiyukuta.github.io/2013/09/28/casualdeeplearning4nlp.html 機械学習におけるオンライン確率的最適化の理論 http://www.slideshare.net/trinmu/stochasticoptim2013 Practical recommendations for gradient-based training of deep architectures ~Benjio先生のおすすめレシピ~ http://www.slideshare.net/koji_matsuda/practical-recommendation-fordeeplearning 深層学習 http://sugiyama-www.cs.titech.ac.jp/ sugi/2007/Canon-MachineLearning30-jp.pdf Pythonとdeep learningで手書き文字認識 http://www.slideshare.net/mokemokechicken/pythondeep-learning 29
- 30. パッケージまとめ ◎ pylearn2 h$p://deeplearning.net/soHware/pylearn2/ ◎ deeplearning Tutorial h$p://deeplearning.net/tutorial/ ◎ Torch7 h$p://torch.ch ◎ nolearn h$ps://github.com/dnouri/nolearn ◎ deepnet h'ps://github.com/niQshsrivastava/deepnet ◎ sugomiriさん http://blog.yusugomori.com/post/42424440144/python-deep-learning-stacked-denoising 30