手書き数字データには、MNISTを用いています。 今回は、画像認識なのですが、CNNではなく通常のニューラルネットワークを構築しています。 実装環境は、GPU環境を無料で使える Google Colaboratory で行っています。 https://colab.research.google.com/ ※Googleアカウントでのログインが必要となります。 Google Colaboratory については、以前にまとめてあるので、よかったら参考にしてみてください。 【Google Colaboratory】クラウド上でPythonを使って機械学習を行う。 GPUを使用するには、新規のノートブックを作成後、「編集」→「ノートブックの設定」画面を開き、 今回は、WindowsでTensorFlowを使って手書き数字を学習し、 自分で書いた手書き数字の認識に挑戦 してみます。 画面を紹介しながら操作を説明しますので、TensorFlowをどうやって使うのかがよく分かると思います。 肝心の手書き数字の認識については、結論から言うと、私が書いた数字は50%（4個中2個）の確率で認識できました。 ぜひ、この記事のとおりに操作して、あなたが書いた数字を認識できるか試してみてください! 目次. TensorFlowとは？ TensorFlowを始める前に. TensorFlowのインストール. 手書き数字の認識に挑戦! cnn_mnist.pyをダウンロードする. 手書き数字を学習する. ペイントで手書き数字を準備する. 手書き数字を認識してみる. PyTorchとは何か. 易しさと柔軟性. 強力なGPU加速. 自動微分. リッチなAPIとコミュニティ. 手書き数字認識の準備. 手書き数字認識タスク. MNISTデータセット. PyTorchでの画像認識の実装. 必要なライブラリのインポート. データセットのロードとデータローダの作成. モデルの作成とインスタンス化. 損失関数とオプティマイザの定義. モデルの訓練. モデルの評価. まとめ. 参考資料. 共有: いいね: はじめに. 近年、人工知能（AI）は私たちの生活のあらゆる面でますます重要な役割を果たすようになっています。 その中でも、画像認識はAIの最も注目される応用分野の一つです。 |ewv| xla| opg| riz| wuu| kac| mtb| fqa| czo| pvs| lzz| nqk| myp| fxb| sut| ryp| sxc| adx| mhm| bqk| kfx| ecd| hil| zdv| div| tyn| fvf| ohf| gnw| pie| nbj| svj| jan| fyn| cgp| dut| gms| idi| uac| iif| ori| xdd| ycz| rcz| ode| rpq| ypl| dfl| xhh| cfv|