関連サイト
本書の関連ページが用意されています。
内容紹介
Chainerは2015年にPreferred InfrastructureがPythonのライブラリとして開発・公開したフレームワークです。
本書は、Pythonの拡張モジュールであるNumPyの使い方やニューラルネットの基本をおさらいした後に、Chainerの基本的な使い方を示します。次にAutoEncoderを題材にして、それを確認し、最後に、自然言語処理でよく使われるword2vecとRNN（Recurrent Neural Network）を解説し、それらシステムをChainerで実装します。既存にない複雑なネットワークのプログラムを作る際の参考となるものです。
書誌情報
- 著者: 新納浩幸
- 発行日: 2016-09-09 (紙書籍版発行日: 2016-09-24)
- 最終更新日: 2016-09-09
- バージョン: 1.0.0
- ページ数: 192ページ(PDF版換算)
- 対応フォーマット: PDF, EPUB
- 出版社: オーム社
対象読者
Deep Learningを勉強している理科系の大学生、データ解析を業務としている技術者
著者について
新納浩幸
1961年生まれ。1985年、東京工業大学理学部情報科学科卒業。1987年、東京工業大学大学院理工学研究科情報科学専攻修士課程修了。現在、茨城大学工学部情報工学科教授、博士（工学）。専門は自然言語処理。
〈主な著書〉
『数理統計学の基礎―よくわかる予測と確率変数』森北出版（2004）、『入門RSS―Web における効率のよい情報収集/ 発信』、毎日コミュニケーションズ（2004）、『Excel で学ぶ確率論』オーム社（2004）、『入門Common Lisp―関数型4 つの特徴とλ計算』毎日コミュニケーションズ（2006）、『R で学ぶクラスタ解析』オーム社（2007）
目次
はじめに
第0章 Chainerとは
第1章 NumPyで最低限知っておくこと
- 1.1 配列の生成
- 1.2 配列の加
- 1.3 配列に対する演算
- 1.4 配列の保存と読み出し
第2章 ニューラルネットのおさらい
- 2.1 モデル
- 2.2 確率的勾配降下法と誤差逆伝播法
- 2.3 ミニバッチ
- 2.4 分類問題への応用
第3章 Chainer の使い方
- 3.1 計算グラフと順伝播・逆伝播
- 3.2 基本オブジェクト
- 3.2.1 Variable
- 3.2.2 functions
- 3.2.3 links
- 3.3 Chain クラス
- 3.4 optimizers
第4章 Chainer の利用例
- 4.1 全体図
- 4.2 Iris データ
- 4.3 基本的なプログラム
- 4.4 ミニバッチ
- 4.5 誤差の累積
- 4.6 softmax
- 4.7 softmax cross entropy
- 4.8 ロジスティック回帰
第5章 Denoising AutoEncoder
- 5.1 AutoEncoder（AE）
- 5.2 Denoising AutoEncoder（DAE）
第6章 word2vec
- 6.1 分散表現
- 6.2 モデルの式
- 6.3 計算のためのネットワーク
- 6.4 Chainer によるword2vec の実装
- 6.5 システムから提供されている関数の利用
第7章 Recurrent Neural Network
- 7.1 時系列データに対するRNN
- 7.2 言語モデル
- 7.3 RNNLM のネットワーク
- 7.4 Chainer によるRNNLM の実装
- 7.5 言語モデルの評価
- 7.6 LSTM
- 7.7 Chainer によるLSTM の実装
- 7.8 システムから提供されている関数の利用
- 7.9 GRU
第8章 翻訳モデル
- 8.1 Encoder-Decoder 翻訳モデル
- 8.2 訓練データの準備
- 8.3 Chainer によるEncoder-Decoder 翻訳モデルの実装
- 8.4 翻訳処理
- 8.5 Attention の導入
第9章 Caffe のモデルの利用
- 9.1 Caffe のモデルの取得
- 9.2 Chainer からのCaffe のモデルの利用
- 9.3 入力データの処理
- 9.4 出力データの処理
第10章 GPU の利用
- 10.1 GPU 対応
- 10.2 GPU の選択
- 10.3 CUDA のインストール
- 10.4 cuDNN のインストール
- 10.5 Chainer の再インストール
- 10.6 GPU 導入の効果の確認
- 10.7 CuPy
- 10.8 Chainer でのGPU の利用方法