ゆうき（ @BASEBALLY15 )です^^
前回に，畳み込みニューラルネットワークの仕組みについてまとめました．
畳み込みニューラルネットワークのcompileとfitの使い方が分からないです・・・
そうなんですね^^
それでは，今回は畳み込みニューラルネットワークのcompileとfitの使い方について，大まかな概要をまとめます．
お願いします・・・
目次
畳み込みニューラルネットワークって?
このようなコードを見たことはないでしょうか?
model = Sequential()
#------------------------------------------------
model.add(Conv2D(32,
kernel_size=(3,3),
padding="same",
input_shape=X.shape[1:]))
#マイナスの値を除去
model.add(Activation("relu"))
#------------------------------------------------
model.add(Conv2D(32,
kernel_size=(3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
#過学習の抑制(ランダムでニューロンを無効化)
#偏ったニューロンに依存しないため
model.add(Dropout(rate=0.25))#25%無効化
#------------------------------------------------
model.add(Conv2D(64,
kernel_size=(3,3),
padding="same"))
model.add(Activation("relu"))
#------------------------------------------------
model.add(Conv2D(64,
kernel_size=(3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
#------------------------------------------------
model.add(Flatten())
model.add(Dense(512))
model.add(Activation("relu"))
model.add(Dropout(0.5))
model.add(Dense(num_veg_classes))
model.add(Activation("softmax"))
#------------------------------------------------
#コンパイル
model.compile(loss="categorical_crossentropy",
optimizer="adam",
metrics=["accuracy"])
#学習
model.fit(X, Y, batch_size=32, epochs=100, verbose=1)これは，畳み込みニューラルネットワークを行うためのコードです．
『Conv2D』や『Activation(“relu”)』などは，前回にまとめた内容ですね^^
前回はこれらのコードの
『model.add(Activation(“softmax”))』
までについてまとめました．
そこで，今回は，前回以降の
『compile』と『fit』についてまとめます．
上のコードのこの部分です⤵
#コンパイル
model.compile(loss="categorical_crossentropy",
optimizer="adam",
metrics=["accuracy"])
#学習
model.fit(X, Y, batch_size=32, epochs=100, verbose=1)compile()とは?
コンパイル（compile）とは，『loss』，『optimizer』，『metrics』などで構成される，学習処理を行うためのメソッドです．
#コンパイル
model.compile(loss="categorical_crossentropy",
optimizer="adam",
metrics=["accuracy"])それでは，『compile』内のコードについてまとめていきます．
lossとは?
『loss』とは『損失関数』のことを指し，
予測した結果と実際の結果との差を求めるために使います．
上で紹介している”categorical_crossentropy“は，
『多クラス単一ラベル分類』と言います．
これ以外にも，以下のように様々な損失関数があります．
- mean_squared_error（平均二乗誤差）
- mean_absolute_error（平均絶対誤差）
- mean_absolute_percentage_error（実際の結果と予測した結果の誤差(絶対値)の割合）
- mean_squared_logarithmic_error（実際の結果と予測した結果の誤差(二乗誤差)の割合）
- squared_hinge（誤差が負の時は0，正の時は二乗誤差）
- hinge（誤差が負の時は0，正の時は絶対値）
- categorical_hinge
- logcosh
- sparse_categorical_crossentropy
- binary_crossentropy
- kullback_leibler_divergence
- poisson（予測値とポアソン分布の誤差）
- cosine_proximity
学習する対象によって，適切なものを使って試してみてください^^
optimizerとは?
『optimizer』は『最適化アルゴリズム』と言い，精度を出すための『重み』の更新を行います．
つまり，損失を最小にするように働きます．
今回は，”adam“という最適化アルゴリズムを使っています．
これは，以下の”AdaGrad“と”RMSprop“と”AdaDelta“を改良したものになります．
- SGD（確率的勾配降下法）
- Momentum SGD（SGDに慣性項を追加）
- AdaGrad（学習係数を自動で調整）
- RMSprop（AdaGradを改良）
- AdaDelta（AdaGradやRMSPropを改良）
（※詳細については，参考資料に貼っておきます．）
metricsとは?
『metrics』は，『評価関数』と言い，モデルの性能を測るために利用されます．
今回は，”accuracy“（正解率）を使っていますが，これ以外に以下のようなものがあります．
- binary_accuracy（2クラス分類の正解率）
- categorical_accuracy（多クラス分類の正解率）
- sparse_categorical_accuracy
- top_k_categorical_accuracy
基本的に，metrics=[“accuracy”]と書くけれど，自分で作ることも出来るみたいです^^
fit()とは?
次に，『fit』についてまとめていきます．
『fit』は，コンパイルした結果を学習させるために使います．
#学習
model.fit(X, Y, batch_size=32, epochs=100, verbose=1)それでは，fit内のコードについてまとめていきます．
batch_sizeとは?
バッチサイズ（batch_size）とは，学習させたいデータを小さなくくりに分けることを言います．
例えば，batch_size=32とは，
学習させたいデータが仮に32000個ある場合に
32個のまとまりを1000個に分けます．
そして，それを1000回学習させることを表しています．
epochsとは?
エポック数（epochs）とは，バッチサイズに分けたデータを学習させる回数のことを言います．
例えば，上で示した図の場合，
この作業を1回行うことを『1エポック（epochs=1）』と言います．
また，『100エポック（epochs=100』の場合はこのようになります．
エポック数を増やすことで，学習の精度を上げることが出来ます．
verboseとは?
『verbose』とは，ニューラルネットワークの学習過程の表示方法を表しています．
下の図を見てください⤵
verbose=0の場合，学習過程を表示しません．
そして，verbose=1の場合，プログレスバーで表示します．
verbose=2の場合，結果のみを表示します．
このように，verboseの値によって，表示方法を変えることが出来ます．
終わりに
今回は，コンパイル（compile）と学習（fit）についてまとめました．
自分なりにまとめたので，もしかしたら不備があるかもしれません．
間違いなどがあれば，下のQ &Aで指摘していただけると幸いです。
それでは・・・
Q &A
参考資料
https://www.atmarkit.co.jp/ait/articles/1912/16/news026.html