図3
2018/12/17 通信処理ネットワーク研究室 河田直樹
今回は Chainerで手書き数字の学習と実際に手書き文字を識別する体験 を行う．
学習ではMNIST（http://yann.lecun.com/exdb/mnist/）をデータセットとして用いる．
学習後，そのモデルを用いて，各自が書いた数字の識別テストをやってもらう．
Chainer (チェイナー) は，ニューラルネットワークの計算および学習を行うためのオープンソースソフトウェアライブラリである．
Pythonではパッケージをインストールするだけで環境作りができる．
グラフ表示のためにmatplotlib，識別テスト用の画像を書くためにPintaを入れてもらう．
ここではその導入方法を紹介する．
ラズパイのターミナル(端末)を起動し，以下のコマンドを入力する．
$ sudo pip install chainer==1.24.0 $ sudo apt-get install python-matplotlib $ sudo apt-get install pinta
環境作りおしまい．
インストールしたChainerを利用して学習を行う．
その前に，少しディープラーニングについて説明したいと思う．
大雑把に言うと，入力（学習データ）に対して複数の条件（重みやバイアス）をかけて特徴を調べ（順伝播），正しい出力と比較し(逆伝播)， 正しい出力が得られるように特徴を調節して(update)，指定された回数(epoc数)まで繰り返す．
図3
手書き数字の画像セット．機械学習の分野で最も有名なデータセットの1つ．
データセットは70000枚．(訓練データ: 60000枚，テストデータ: 10000枚)
http://yann.lecun.com/exdb/mnist/
Chainerの公式サンプル(https://github.com/chainer/chainer/blob/master/examples/mnist/train_mnist.py)をそのまま利用すると授業時間中に学習が終わらない．
そこで今回はソースコードに修正を加えて，0〜9ではなく，0か1かを学習させることにした．
修正したファイルをwgetでダウンロードする
$ wget http://icrus.org/kawada/dsp/chainer/train.py
ダウンロードしたファイルを実行
$ python train.py
GPU: -1 # unit: 50 # Minibatch-size: 50 # epoch: 5 epoch main/loss validation/main/loss main/accuracy validation/main/accuracy elapsed_time 1 0.0932722 0.00282592 0.990551 0.999535 21.2169 2 0.00367293 0.00128751 0.998893 0.999535 44.2907 3 0.00252816 0.00144561 0.999209 0.999535 67.4477 4 0.00163583 0.00117042 0.999606 0.999535 90.8876 5 0.00111253 0.00115027 0.999526 0.999535 114.279 save the trained model: result/MLP.model
学習自体は2分ほどで終わるが，初回はMNISTデータセットのダウンロードに時間がかかる．
このサンプルプログラムについて，わかりやすい記事（http://ailaby.com/chainer_mnist/）
→ただし，今回はサンプルプログラムと違い，2つの数字のみのデータしか扱っていません．引数のデフォルトの数値も変えています．
ニューラルネットワークについて，わかりやすい記事（https://qiita.com/t-tkd3a/items/9bf50f2e10e6a15b6ed5)
スタートメニュー＞グラフィック＞Pintaを選択して起動する．
入力画像をデータセットと同じ条件にするため変更する
[Shift+Ctrl+R] もしくは 画像(I)＞キャンバスサイズの変更 をクリックしてオプション画面を呼び出す．
絶対サイズ にチェック
縦横比を保持する のチェックを外す
幅と高さ を 280ピクセル に指定する
OK をクリック
図1
ツールバー（左）よりブラシツールを選択する．
メニューバー(上)付近のブラシサイズより2(デフォルト)から25に変更する．
図2
図3
メニューバーのファイル(F)から名前をつけて保存＞
場所はpiのホームディレクトリを指定
保存形式はpngを指定
ファイル名はinputとすること(評価時に読み込むため)
図4
piのホームディレクトリの保存したinput.pngを参照して，学習済みモデル(result/MLP.model)より数字がいくつかを当てます．
今回使用するプログラムはInterFace2017年8月号で使用されたものに少し手を加えたものです．
wgetでダウンロード
$ wget http://icrus.org/kawada/dsp/chainer/eva.py
eva.pyはtrain.pyと同じディレクトリに保存してください．
ファイル確認
$ pwd /home/pi $ ls input.png eva.py result train.py （その他色々，この４つあればいい）
$ python eva.py
判定結果は1です．
今回用意した train.py に引数を指定することで，0と1以外の組み合わせを指定できます．
指定方法： -n １つ目の数字 -s ２つ目の数字
実行例
$ python train.py -n 2 -s 5
実行結果
GPU: -1 # unit: 50 # Minibatch-size: 50 # epoch: 5 epoch main/loss validation/main/loss main/accuracy validation/main/accuracy elapsed_time 1 0.17343 0.0302544 0.962281 0.988675 18.9174 2 0.0275413 0.0170461 0.990526 0.994359 39.8739 3 0.0144924 0.0108288 0.995154 0.997436 60.8911 4 0.0081583 0.0145591 0.997456 0.993291 83.394 5 0.00507223 0.00592832 0.998502 0.997949 104.536 save the trained model: result/MLP.model
これでpintaでinput画像に2か5を書き，保存してeva.pyで評価することにより確認できる．