kerasによる畳み込みニューラルネットワーク

前提知識
・畳み込みニューラルネットワーク
・kerasによるニューラルネットワーク構築
・kerasインストール方法 , 関数説明
・relu関数 , softmax関数 , sigmoid関数

こちらでkerasを使ったニューラルネットワーク(NN)の使用方法を説明しましたが、ここではkerasによる畳み込みニューラルネットワーク(CNN)の構築方法を説明します。 題材はMNISTの画像データを用いその正答率と測るというものです。プログラムファイル等は以下。

　・画像データ：mnist_data.zip
　・プログラムファイル：cnn_keras.zip
　・kerasのインストール , 関数説明

CNNの構造は以下。


■実行結果
活性化関数はrelu関数、softmax関数を用い、学習繰り返し数(epoch数)20回とした結果、約98%の正解率を得る事ができました。実行時間は約400秒でした。



これ以上学習回数を増やしても高い正解率を得る事はできず、畳み込み層だけを追加しただけでは劇的には正解率は向上しませんでした。更なる改善にはより深い層を追加する必要があり、その方法をこちらで説明します。 なお、活性化関数として中間層と出力層どちらもsigmoid関数を使った場合、10%という非常に低い正解率になります。この原因は不明です。

サブチャンネルあります。⇒ 何かのお役に立てればと

関連記事一覧 トップメニュー 機械学習 機械学習とは パラメトリックモデル 回帰,分類,クラスタリングの違い 分類(classification) 分類問題とは ナイーブベイズフィルタ 符号関数による分類 ロジスティック回帰 ・線形分離 ・非線形分離 サポートベクターマシン 決定木 k-近傍法 ニューラルネットワーク(NN) NNとは パーセプトロン 勾配法(最急降下法) ・機械学習への適用 損失関数(誤差関数) 誤差逆伝播法 交差検証 , ホールドアウト 活性化関数 ・ステップ , 符号関数 ・シグモイド ・ReLU ・Softmax ・tanh MNISTデータセット CIFAR-10データセット 画像認識方法 画像認識方法② 畳み込みNN(CNN) 再帰型NN(RNN) LSTM kerasによる実装例 ・NN ・CNN ・ディープラーニング クラスタリング k-means 強化学習 強化学習とは 価値関数 , ベルマン方程式 マルコフ決定過程 ε-greedy法 TD学習_スキナー箱 TD学習_Cartpole モンテカルロ法_Blackjack Deep Q-Network(DQN) ・DQNとは_スキナー箱 ・cartpole問題 ・Experience Replay 敵対的生成ネットワーク GAN DCGAN seqGAN seqGAN用文章データ作成