PyTorchを用いてディープラーニングによるワイン分類をしてみた

確認してみると、確かに13個のデータのテンソルと二番目の要素に正解ラベルの「0」が入っています。

train=TensorDataset(train_X, train_Y)
train[0]

続いて、DataLoaderを使ってミニバッチ（少ない量のデータの塊）に分けてモデルに複数回入れることが出来るように準備をします。

今回はデータを15個に分けて、更にデータをシャッフルさせます。

train_loader = DataLoader(train, batch_size=15, shuffle=True)

モデルの定義

今回の場合は入力層が13個（特徴量分）あり、中間層を128に設定しました。
次の結合層は入力層が前の中間層の128となり、出力層は２分類ですので、2と設定します。
また、活性化関数はReLU関数を通して、ソフトマックス関数を適用した値を返します。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(13, 128)
        self.fc2 = nn.Linear(128, 2)
        
    def forward(self, x):
        x = F.relu(self.fc1(x)) # ReLU: max(x, 0)
        x = self.fc2(x)
        return F.log_softmax(x, dim=0)

最後に、model変数を定義して、上記のモデルのインスタンスを格納します。

model = Net()

トレーニング

今回は損失関数をクロスエントロピーロスを使い、最適化するアルゴリズムを確率的勾配効果法（SGD）を使います。
また、エポック数は500回としてトレーニングします。

オプティマイザーは、最初に初期化（０）をして学習します。
※初期化を行わないとランダムな数が入力されてしまい学習が上手くいきませんので注意が必要です。

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
for epoch in range(500): #学習回数500回
    total_loss = 0
    
    for train_x, train_y in train_loader:
        train_x, train_y = Variable(train_x), Variable(train_y)
        optimizer.zero_grad()
        output = model(train_x)
        loss = criterion(output, train_y)
        loss.backward()
        optimizer.step()
        total_loss += loss.item() #loss.data[0]で記述するとPyTorch0.5以上ではエラーが返る
    
    if (epoch+1)%60 == 0:
        print(epoch+1, total_loss)

結果を見てみると、最終的な損失関数は4.8520となったことがわかります。

精度計算

最後にテストデータを使って精度検証します。
精度検証では、PyTorchに含まれるmax関数を使います。
これはモデルにテストデータを入れて値の大きいほうを取得する関数です。

そして、最終的な精度計算は、正解と一致していたら1を加算してデータ数で除算して平均値として計算します。

test_x, test_y = Variable(test_X), Variable(test_Y)
result = torch.max(model(test_x).data, 1)[1]
accuracy = sum(test_y.data.numpy() == result.numpy()) / len(test_y.data.numpy())

ニューラルネットワークの多層化（ディープラーニング）による精度検証

今回独習にするにあたって用いたUdemyはほんとにオススメなサービスです。

私はこれまでは主にKerasを使って深層学習に関する勉強やプロダクト開発を行っていたのですが、今回初めてPyTorchで深層学習を試すことが出来ました。

その他にも機械学習や統計学、Webアプリ作成など幅広いコンテンツが提供されていますので、初学者の方は一度試されてみてはいかがでしょうか。