【画像認識】Deep Learningフレームワーク「Chainer」を使ってみた

f:id:qstairs:20160601221351j:plain

はじめに

こんばんは！

今日からDeep Learningフレームワーク
「Chainer」
を使います。

これまで、Deep Learningフレームワークの
「Tensorflow」や「Caffe」
を構築し、チュートリアルまで動かすということをやってきました。

qstairs.hatenablog.com

正直、「Tensorflow」や「Caffe」の使い方を理解できたかというと...
という感じなので、次は「Tensorflow」や「Caffe」と並んで
Deep Learningのフレームワークとして有名な「Chainer」を使ってみます。

【使った感想】
私的には「Chainer」がダントツで理解しやすかったです。
#Deep Learningのフレームワークをこれまでに2つ使ってきてだんだん理解してきていた
#ということもあると思いますが...

構築

まずは「Chainer」を動かす環境構築が必要です。
私は↓の記事を参考にさせていただきました。

Windows環境でChainerのGPUを使えるようにするまで - Qiita

#私の環境ではCaffeとかぶる部分があったので飛ばしている部分があります。

動作確認

環境構築で参考にさせていただいたサイトにあったようにMNISTで動作確認しました。

そのまま動かすと以下のエラーが出ると思います。
「WindowsError: [Error 183] 既に存在するファイルを作成することはできません。」
その際は以下の記事が参考になります。
Chainer (Windows) のサンプル mnist がWinError 183 でエラー終了する場合の対応方法。 - Qiita

修正して動かした結果が以下になります。

GPU: 0
# unit: 1000
# Minibatch-size: 100
# epoch: 20

epoch       main/loss   validation/main/loss  main/accuracy  validation/main/accuracy
1           0.190493    0.089913              0.9421         0.9714
2           0.0713777   0.0812279             0.978133       0.9735
3           0.0447081   0.094172              0.985782       0.9747
4           0.0337759   0.092058              0.988798       0.9738
5           0.0267541   0.0844208             0.990816       0.9775
6           0.0249559   0.089915              0.991948       0.9761
7           0.0206359   0.0970751             0.992998       0.9758
8           0.0178531   0.0958869             0.994115       0.9772
9           0.0181439   0.13745               0.994065       0.968
10          0.0125741   0.0760932             0.995982       0.9832
11          0.010862    0.0980279             0.996632       0.9802
12          0.0135246   0.099467              0.995849       0.9781
13          0.0160927   0.089569              0.995132       0.9816
14          0.00858059  0.097516              0.997133       0.9811
15          0.0100018   0.114216              0.997016       0.9803
16          0.0110961   0.104157              0.996366       0.9814
17          0.00965392  0.112597              0.997132       0.9794
18          0.0108803   0.130933              0.996432       0.9785
19          0.010437    0.125896              0.996982       0.9782
20          0.00899509  0.115174              0.997449       0.9827