Transcription
Neural Network Console ションズ株式会社
概要本ドキュメントではNeural Network eep 画(実践Deep せてご覧ください。※１: utorial.semantic segmentation.binary semantic ェクト(sample tutorial.semantic segmentation.unetlike 照ください。※２: emantic と同義語です。2
目次１Deep 利用3
Deep Learningモデルを作るとはDeep ます。よくDeep みモデルと呼びます。Deep ーク学習済みパラメータ
Deep Learningを用いた領域抽出Deep 認識します。Deep 択する必要があります。Deep ヌ5
力画像入力画像出力画像6出力画像
目次１Deep 利用7
インインページへの移動方法１. . カウント サービスとのアカウント連携が可能 能Googleアカウント 能
レスの入力２．利用規約への同意9
10３．利用規約への同意
目次１Deep 利用11
お持ちの方アノテーション 合でも、UCI Machine Learning 降を読み進めてください。12
プロードします13
画像を入力としたDeep Learningのイメージ14
用ください。アノテーション 力画像15
ベルABC輝度0輝度1輝度2 輝度12U輝度20 16M 異なる輝度5 FUMFZ輝度25
データセット（学習データ、Training セット（検証データ、Validation の件数については、Deep す。(参考: モデル学習済みモデル17検証に利用
testディレクトリに分けて準備1 label.jpg2.jpg2 label.jpg3.jpg3 data/train/1.jpgdata/train/1 label.jpgdata/train/2.jpgdata/train/2 label.jpgdata/train/3.jpgdata/train/3 label.jpgy 1 label.jpg 2.jpg2 label.jpg 3.jpg3 label.jpgydata/test/1.jpgdata/test/1 label.jpgdata/test/2.jpgdata/test/2 label.jpgdata/test/3.jpgdata/test/3 label.jpg ※１: ２: ください。18 ta.csvx
取得３．アップローダの実行 ウンロード/ ad Datasetをクリック １で取得したアップローダを起動 を貼り付け 1 ※2 ロードキーをコピー※１: になります※２: あります19
中身が表示されます20
ic image.binary 1
目次１Deep 利用22
23
ルプロジェクト(tutorial.semantic segmentation.binary semantic . Projectをクリック２. semantic segmentation.binary semantic segmentation３. tic segmentation４. は半角英数字のみ利用可能です※１: ます。24
: ワークが表示semantic segmentation１. した名称)をクリック25学習・評価
する場合には変更は不要です)１. Datasetタブをクリック２. Trainingをクリック３. Link すTraining: synthetic image.binary segmentation.train40000Validation: synthetic image.binary segmentation.validation６. Validationをクリックし、３ ５と同様の手順を実施４. さい。選択したデータセット名※１: ２: 複数物体の認識の場合には、0 として用いるため、Image ください。semantic segmentation training５. リンクマークをクリック※126
縦256、横128の画像の場合、 . EDITタブをクリック１. DATASETタブをクリック２. Inputをクリック２. Sizeを確認３. Sizeの値を修正27
256 の変更最終レイヤーの変更１. Convolution 3をクリック２. OutMapsの値を256に変更１. 更※１: 出のサンプルプロジェクト(sample tutorial.semantic segmentation.unetlike 125px)を参照ください。28
ができます※。（参考: 実行の方法２. Runをクリック学習曲線（縦軸: 誤差、横軸: 学習世代）１. 計算資源を選択途中経過のログ※１: ためて結果をご確認ください。29
過学習)は、モデルがTraining さくなるEpoch数Epoch数30Training Data(学習に使用したデータ)Validation Data(学習に使用しないデータ)
抽出は対象外のため、表示されない
サンプルプロジェクト選択Output ーク修正学習・評価Output るかを確認します。Output の推論結果画像
目次１Deep 利用33
は、Neural Network 域抽出モデルの実行34
した後は、「Job に応じて使い分けをします (詳細はモデルの実行方法) 。また、html 権利は作成者に帰属し、自由にDeep す。35
ation.html36NNablaの設定モデルの実行
Deep e/master/examples/cpp/mnist 的容易に利用可能NNPファイル３C Deep n/latest/python/file format converter/file format TensorFlow frozen graphファイル37次頁に解説あり
以下を実行します。nnabla cli forward -c ファイル(*.nnp)] -d たCSVファイル] -o [推論結果の出力ディレクトリ]※ 力されています。2017-10-24 05:54:28,942 [worker]: [INFO]: nnabla cli forward -c/home/nnabla/results/results current 100.nnp -d ccbf15a0-bcb6-4ba6-b10e27fc877c4348/1002/index.csv -o 行
クファイルを変換しますnnabla cli convert result.nnp result ルをPythonで読み込んで利用します# NNablaのインポートfrom nnabla.utils import nnp graphfrom nnabla.utils.image utils import imread, imsave# モデルの取り出しnnpFile nnp graph.NnpLoader('./result expanded.nnp’)networkModel nnpFile.get network(‘MainRuntime ', batch size 1)# 入出力レイヤーの名前を取得inputName list(networkModel.inputs.keys())[0]outputName list(networkModel.outputs.keys())[0]# 入出力レイヤーの数値変数を取得x networkModel.inputs[inputName]y networkModel.outputs[outputName]# 画像の読み込みimg imread((‘./input.png’, grayscale True, size (64, 64))# 推論の実行x.d img * (1.0 / 255.0)y.forward(clear buffer True)# 推論結果の保存imsave('output.png', y.d[0], channel first True)39
Appendix40
移動２３．メールアドレス等の入力 「新しいアカウントの作成」を押下 「はじめる」を押下 を入力41
への同意６．セキュリティ認証 国/地域、言語、生年月日を入力 メール配信の有無を選択 示に従う42
ルの確認 ルが送付される 下43
学習環境と処理時間一般的にDeep NVIDIA TESLA A TESLA 環境】 データセット：CIFAR 10 ネットワーク：ResNet-101 epoch：30044
データ量の重要性Deep が重要になります。Deep 方でデータ量が少ない場合には、Deep : hief-scientist-at-baidu45
: す。 抽出は別のサンプルプロ
