TensorFlowでディープラーニングを試してみる

2015.12.06
Deep Learning

最近巷で話題のディープラーニングですが、手を出すには敷居が高いと考えていた方も多いと思います。
そんな中、Googleがディープラーニングに対応した機械学習のオープンソースのライブラリを公開しましたので、試してみました。

1. 下準備
2. 手書き数字認識

下準備

セットアップの方法は、こちらに記載されています。
私はUbuntuで試してみました。なお、64 bitにしか対応してないようです。

$ sudo apt-get install python-pip python-dev
$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl

1 2	$ sudo apt-get install python-pip python-dev $ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl

手書き数字認識

チュートリアルとして、手書き数字の認識が用意されています。Google曰く、機械学習のプログラムの”Hello World”に当たるのが、この数字の認識だそうです。

MNIST For ML Beginners
チュートリアルは上記のリンク先にありますが、チュートリアル中のコードを動かすには、input_data.pyが必要です。
リンク先からコピペするか、下記で色々まとめて、ダウンロードしておきます。

git clone https://github.com/tensorflow/tensorflow

1	git clone https://github.com/tensorflow/tensorflow

後はチュートリアル中に出てくるコードをコピペしていくと、ひとつのプログラムになります。

import input_data
import tensorflow as tf 

#load images 
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
#place holder 
x = tf.placeholder(tf.float32, [None, 784]) 
#weight 
W = tf.Variable(tf.zeros([784, 10])) 
#bias 
b = tf.Variable(tf.zeros([10])) 
#normalize 
y = tf.nn.softmax(tf.matmul(x, W) + b) 
#placeholder 
y_ = tf.placeholder(tf.float32, [None, 10]) 
#cross entropy 
cross_entropy = -tf.reduce_sum(y_ * tf.log(y)) 
#minimize cross_entropy using the gradient descent algorithm 
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) 
#initialize all variables 
init = tf.initialize_all_variables() 
sess = tf.Session() sess.run(init) 
#training
step for i in range(1000): 
  batch_xs, batch_ys = mnist.train.next_batch(100) 
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) 
#correct boolean list 
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
#cast to float point numbers 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) 
#show result 
print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

import input_data

import tensorflow as tf

#load images

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#place holder

x = tf.placeholder(tf.float32, [None, 784])

#weight

W = tf.Variable(tf.zeros([784, 10]))

#bias

b = tf.Variable(tf.zeros([10]))

#normalize

y = tf.nn.softmax(tf.matmul(x, W) + b)

#placeholder

y_ = tf.placeholder(tf.float32, [None, 10])

#cross entropy

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

#minimize cross_entropy using the gradient descent algorithm

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#initialize all variables

init = tf.initialize_all_variables()

sess = tf.Session() sess.run(init)

#training

step for i in range(1000):

batch_xs, batch_ys = mnist.train.next_batch(100)

sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#correct boolean list

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

#cast to float point numbers

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

#show result

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

以上のコードを実行すると、学習が始まり結果が出ます。(画像は勝手にダウンロードしてくれます)
特に数字をいじらなければ、約91%になります。それなりに高い数字のようにも思いますが、あまり良くない数字だそうです。これは次のチュートリアルで更に高精度になるようです。

流石にコードをコピペしただけでは、何やってるのか良く分からないと思うので、チュートリアルの文章は読む必要があります。
普通のニューラルネットワークはともかく、ディープラーニングに関しては、日本語の情報が少ないので、中々苦労しますが、色んなことが出来そうですので、このライブラリ公開を機に、手を出してみては如何でしょうか。