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