深さ学習基礎0401
25850 ワード
Preview
<チャレンジ>
XORを使用したフル加算、ハーフ加算
Pythonを実践中にエラーが発生しました
解凍エラー
以前に受け取ったディレクトリから圧縮されたPythoncacheファイル、pickleファイルなどをすべて削除する必要があります.
キムチは?
安全にダウンロードされていないファイルにPythonをインポートしようとしたため、エラーが発生しました.
来週の水曜日(4/6)のレッスンは緑江です!~from re import T
import sys, os
sys.path.append(os.pardir) # path는 현재 디렉토리(working directory)이어야 함
import numpy as np
import pickle # 파이썬 라이브러리 pickle 사용:
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
def predict(network, x):
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = softmax(a3)
return y
x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
y = predict(network, x[i])
p = np.argmax(y)
if p == t[i]:
accuracy_cnt += 1
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))
predicateという名前の関数は10000回実行されます.
バッチ処理
配置:あるものをパッケージ化して処理します.
ネットワーク接続がない場合は、銀行の入出金時にローカルコンピュータで計算し、中央サーバに配置します.
実現したニューラルネットワーク重み付け処理の結果# 배치처리
x, _ = get_data()
network = init_network()
W1, W2, W3 = network['W1'], network['W2'], network['W3']
print(x.shape)
print(x[0].shape)
print(W1.shape)
print(W2.shape)
print(W3.shape)
一度に100個処理すると計算速度が速くなります
実際の計算量は変わりませんが、gpu(アクセラレータ)を使用すると、データを最適化して実行できます(より効率的です).
=>1枚1枚のメモリアクセス時間は、計算時間よりも長くなります.
バッチ処理の効率が向上します.# 배치를 통한 신경망 추론 처리
x, t = get_data()
network = init_network()
batch_size = 100 # 배치 크기
Accuracy_cnt = 0
for i in range(0, len(x), batch_size):
x_batch = x[i:i+batch_size]
y_batch = predict(network, x_batch)
p = np.argmax(y_batch, axis=1)
accuracy_cnt += np.sum(p == t[i: i+batch_size])
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))
完全なコードfrom re import T
import sys, os
sys.path.append(os.pardir) # path는 현재 디렉토리(working directory)이어야 함
import numpy as np
import pickle # 파이썬 라이브러리 pickle 사용:
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
def predict(network, x):
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = softmax(a3)
return y
x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
y = predict(network, x[i])
p = np.argmax(y)
if p == t[i]:
accuracy_cnt += 1
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))
# 배치처리
x, _ = get_data()
network = init_network()
W1, W2, W3 = network['W1'], network['W2'], network['W3']
print(x.shape)
print(x[0].shape)
print(W1.shape)
print(W2.shape)
print(W3.shape)
# 배치를 통한 신경망 추론 처리
x, t = get_data()
network = init_network()
batch_size = 100 # 배치 크기
Accuracy_cnt = 0
for i in range(0, len(x), batch_size):
x_batch = x[i:i+batch_size]
y_batch = predict(network, x_batch)
p = np.argmax(y_batch, axis=1)
accuracy_cnt += np.sum(p == t[i: i+batch_size])
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))```
Reference
この問題について(深さ学習基礎0401), 我々は、より多くの情報をここで見つけました
https://velog.io/@allzeroyou/딥러닝기초0401
テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol
from re import T
import sys, os
sys.path.append(os.pardir) # path는 현재 디렉토리(working directory)이어야 함
import numpy as np
import pickle # 파이썬 라이브러리 pickle 사용:
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
def predict(network, x):
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = softmax(a3)
return y
x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
y = predict(network, x[i])
p = np.argmax(y)
if p == t[i]:
accuracy_cnt += 1
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))
配置:あるものをパッケージ化して処理します.
ネットワーク接続がない場合は、銀行の入出金時にローカルコンピュータで計算し、中央サーバに配置します.
実現したニューラルネットワーク重み付け処理の結果
# 배치처리
x, _ = get_data()
network = init_network()
W1, W2, W3 = network['W1'], network['W2'], network['W3']
print(x.shape)
print(x[0].shape)
print(W1.shape)
print(W2.shape)
print(W3.shape)実際の計算量は変わりませんが、gpu(アクセラレータ)を使用すると、データを最適化して実行できます(より効率的です).
=>1枚1枚のメモリアクセス時間は、計算時間よりも長くなります.
バッチ処理の効率が向上します.
# 배치를 통한 신경망 추론 처리
x, t = get_data()
network = init_network()
batch_size = 100 # 배치 크기
Accuracy_cnt = 0
for i in range(0, len(x), batch_size):
x_batch = x[i:i+batch_size]
y_batch = predict(network, x_batch)
p = np.argmax(y_batch, axis=1)
accuracy_cnt += np.sum(p == t[i: i+batch_size])
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))from re import T
import sys, os
sys.path.append(os.pardir) # path는 현재 디렉토리(working directory)이어야 함
import numpy as np
import pickle # 파이썬 라이브러리 pickle 사용:
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
def predict(network, x):
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = softmax(a3)
return y
x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
y = predict(network, x[i])
p = np.argmax(y)
if p == t[i]:
accuracy_cnt += 1
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))
# 배치처리
x, _ = get_data()
network = init_network()
W1, W2, W3 = network['W1'], network['W2'], network['W3']
print(x.shape)
print(x[0].shape)
print(W1.shape)
print(W2.shape)
print(W3.shape)
# 배치를 통한 신경망 추론 처리
x, t = get_data()
network = init_network()
batch_size = 100 # 배치 크기
Accuracy_cnt = 0
for i in range(0, len(x), batch_size):
x_batch = x[i:i+batch_size]
y_batch = predict(network, x_batch)
p = np.argmax(y_batch, axis=1)
accuracy_cnt += np.sum(p == t[i: i+batch_size])
print("Accuracy: "+str(float(accuracy_cnt)/len(x)))```Reference
この問題について(深さ学習基礎0401), 我々は、より多くの情報をここで見つけました https://velog.io/@allzeroyou/딥러닝기초0401テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol