Neural Network Consoleの使い方

以下自分学習用のメモ。都度追記
・Neural Network Console
https://dl.sony.com/ja/
Windwos版とクラウド版あり
helpは以下
https://support.dl.sony.com/docs-ja/
レイヤーのリファレンスは以下
https://support.dl.sony.com/docs-ja/layer_reference/
●使い方について
ソニー Neural Network Console と エクセルで始める ニューラルネットワーク
https://www.ecomottblog.com/?p=2424
Sampleの日経平均をExcelで作り、Neural Network Consoleで予測した結果
Neural Network Consoleの使い方を紹介！ディープラーニングをやってみよう！ | しろまるライフ
https://shiromaru-life.com/deeplearning1/
sampleプロジェクトのデータの4と9の説明が詳細に書いてあり、わかりやすい
Inputで、1,28,28になっている理由（画像が28✕28のパターンが考えられるから）
Sigmoidはシグモンド関数（0か1を出したいときに使用）
ちなみに、BinaryCrossEntropyは、リファレンスにあるが
https://support.dl.sony.com/docs-ja/layer_reference/
データセットの変数は0もしくは1で使用
定番のConvolutional Neural Networkをゼロから理解する – DeepAge
https://deepage.net/deep_learning/2016/11/07/convolutional_neural_network.html
★cedro-blog
http://cedro3.com/
cedroさんのblog。Neural Network Console初めて触る人は、必読のブログ。
過去記事を時系列で全部見ておくと良い。
以下、自分が読み返す用のメモ用要点
[SONY Neural Network Console で 指原莉乃をディープラーニング]
http://cedro3.com/ai/akb48-dl/
・「縮小専用」という画像で、ピクセルを32✕32
・判定画像をs1、そうでない画像をs0に格納し、Sourceにいれ、Outputは空
・1,28,28は、1はモノクロ、28がピクセルを表しているので、
3,32,32、3はRGPに指定
・Ratio（％）は、学習用と評価用の比率の設定。合計100％（例：学習用80、評価用20）
・Output File 1：学習用ファイル
・Output File 2：評価用ファイル
・Batch Sizeは、一度に処理するデータ量
　テストデータが30であれば、30
　
[SONY Neural Network Consoleで指原莉乃をもっとディープラーンング]
http://cedro3.com/ai/akb48-more-dl/
・02_binary_cnn.sdcproj（CNN使用）
・自動最適化機能の使用
　CONFIG→Structure Search→Enable
　にすることで、永久学習する
　
　Method：Radom（時間を掛けて最適化）／Network Feature＋Gaussian Process（素早く）
　Optimaize for：Error（とにかく誤差を少なく）かError and Caluculation（誤差も演算量も少なく）
　これを選ぶことにより、モデルが変わる
　
　識別精度（Accuracy）があがればOK
　（EVALUATION→Confusion Matrixで確認できる）
[SONY Neural Network Consoleで日経平均株価をディープラーニング]
http://cedro3.com/ai/nikkei-stock-dl/
・行列のデータ
・csv作成する場合は、utf-8のBOM無（記事では、Calc使っているが、さくらエディタでできる）
・過去5日分ごとのデータをs1.csv→s60.csvというファイルを1つのディレクトリに入れる
・画像データと違い、数値データの場合は、学習用ファイルと評価用ファイルも自分で作る必要有
・学習用ファイルや評価ファイルには、使用する数値データファイルの名前とラベルを記載
例）
x:data,y:label
.\dir\s1.csv,0
.\dir\s2.csv,1
・・・
のように指定
フォルダは３つ作成する
1つはAIの出力用、
残りの2つは学習用と評価用ファイル
尚、コメントにもいろいろな人からの質問があり、
コメントも含めて読み込むこと推奨
・Inputを 1,28,28 → 5,4 に変更
（モノクロ28×28ピクセルの画像から、5行×4列の数値データに変更）
・Max epoch：学習ファイルを何回繰り返して学習させるか
・Batch Size は１回の学習に使うデータ数
　評価データが少ない場合は、その数を指定してもよい
・１つ１つプロジェクトの評価し、
　明らかに評価誤差（Validation error）が高いプロジェクトはスキップ、
　識別精度のプロジェクトを学習・評価済みのニューラルネットワークとする
・y:label は「2」にする（２にしておかないと表示範囲が０，１だけになる）
SONY Neural Network Consoleで女性の顔のクラス分類をやってみる
http://cedro3.com/ai/woman-face-dl/
・LeNet.sdcproj使用
・４つの画像の種類をそれぞれのディレクトリに格納
・自動最適化
・識別精度（Accuracy）の確認
SONY Neural Network Consoleで女性の顔画像を生成してみる
http://cedro3.com/ai/generate-face-dl/
・mnist_dcgan_with_label.sdcproj使用
・学習ファイルが重いので、1/100に加工
・DCGANは2015年考案の高解像度画像の生成モデル
SONY Neural Network Console　画像データの水増しは有効か？
http://cedro3.com/ai/data-inflated-dcgan/
・学習データを増やすため、「XnConvert」を使い、
　「正像、鏡像」×「彩度＋ー、変化なし」「ぼかし、ピント強調、ノイズ、変化なし」
　２×３×４＝２４倍の画像データを作成
SONY Neural Network Console 謎のサンプルデータセット
http://cedro3.com/ai/mystery-sample-dataset/
・変数を使ったもの（画像でも、行列でもない）。変数４つの場合は、1,28,28 → 4に変更
・binary_connect_minst_MLP.sdcproj使用
・変数であれば、変数の値を学習ファイルと評価ファイルに直接書ける
例）入力が4つ、出力が1つであれば
x__0:xxx,x__1:xxx,x__2:xxx,x__3:xxx,y__0:xxx
数字,数字,数字,数字,0
のようにする
・+1～-1にだいたい収まるようにする
　つまり、もとの数値が大きければ、全体の数字を割って、全体がおさまるようにする
　学習ファイルと評価ファイルを上記フォーマットで作ればよい
・Xと数字の間にあるのは、ダブルアンダースコア
SONY Neural Network Console 家賃を推定するニューラルネットワーク
http://cedro3.com/ai/rent-dl/
・回帰問題
・変数使用
・変数は３つ、専有面積、駅徒歩、築年数。出力は賃料で管理費込み
・01‗logistic_regression.sdcproj
1,28,28 → 3
・Max Epochを多めに設定（例：2000回）
・評価データのセーブ
SONY Neural Network Console 年齢を推定するニューラルネットワーク
http://cedro3.com/ai/age-dl/
・「Image Downloder」Chrome拡張でファイル一括ダウンロード、XnCovertでリサイズ
・年齢ごとにフォルダ作成
・CSVファイルを作るのが大変なので、画像格納だけして、
　一度、Output Fileは学習ファイルの方だけ100%で生成、
　この学習用ファイルを編集して、学習ファイルと評価ファイルに分割する
・BinaryConnectAffine_2 は、10 → 1（10分類から変数）。
・Softmax → Sigmoid 、CatgericalCrossEntorpy → SquaredError （分類から回帰）
SONY Neural Network Console 未来を予測するニューラルネットワーク
http://cedro3.com/ai/future-prediction-dl/
・航空会社の乗客数を予測
・乗客数の数値のみ、1年12レコード、これを年数だけ作成
・eleman_net.sdcproj使用
・BinaryCrossEntropy　→　SquaredError に変更（分類から数値へ）。
・Input を1,28,28 → 12,1 （白黒28×28画像から12行×1列の行列に変更）
・上記だと、予測がイマイチなので、”長期的”なLSTMも実験
　long_short_term_memory（LSTM）.sdcproj
　Unitの中に、LSTMというのがあるのでこれが使用できる
SONY Neural Network Console でユーミンをディープラーンング
http://cedro3.com/ai/yuming-predict-song/
http://cedro3.com/ai/yuming-more-dl/
・文章の自動生成、Pythonが必要
anacond、gensim、Mecab、ipadic使用
・SONY Neural Network Console に待望のサンプル画像が追加されました
http://cedro3.com/ai/sample-data-set/
Neural Network Libraries をインストール方法
SONY Neural Network Console でミニAlexnetを作る
http://cedro3.com/ai/mini-alexnet/
・Alexnet：画像認識（2012年）
・ミニ Alexnet を設計を作成し実現する方法
・クラウド版で、データセットアップロードの方法
　データセットアップロードツールを使う
　
SONY Neural Network Console でミニ VGGnet を作る
http://cedro3.com/ai/mini-vgg-net/
・VGGnet：Alexnetの進化形（2014年）
・Batch Normalizationを使わないと精度が悪い
SONY Neural Network Console でミニ Resnet を作る
http://cedro3.com/ai/mini-resnet/
・Resnet：2015年の画像認識、残差学習という手法を入れている
・Resnet のサンプルプロジェクトあり
・ImageAugmentation が変形処理（拡大縮小、回転、歪、反転、輝度変更、コントラスト変更など）を行うことで、いわゆるデータの水増し効果を実現するブロック
SONY Neural Network Console で、顔画像生成に再びトライ
http://cedro3.com/ai/mini-dcgan/
・「ImageSpider」で、キーワードの画像自動ダウンロード
・顔の切り抜きに「OpneCV」を使用（python必要）
http://cedro3.com/2018/01/
途中まで
その他、画像以外で、面白そうなもの
学習済みWord2Vec モデルをサクッと使ってみる
http://cedro3.com/ai/word2vec-gensim/
Keras LSTMでトレンド予測をしてみる
http://cedro3.com/ai/keras-lstm/
Keras LSTMでサクッと文章生成をしてみる
http://cedro3.com/ai/keras-lstm-text/
Keras MLPの文章カテゴリー分類を理解する
http://cedro3.com/ai/keras-mlp-reuters/
Keras MLPの文章カテゴリー分類を日本語のデータセットでやってみる
http://cedro3.com/ai/keras-mlp-livedoor/
http://cedro3.com/2018/10/
までチェック
PyTorch 画像から文章をサクッと生成してみる
http://cedro3.com/ai/pytorch-image-captioning/
PyTorch GPT-2でサクッと文章生成してみる
http://cedro3.com/ai/pytorch-gpt-2/
★ニューラルネットワークコンソール カテゴリーの記事一覧 – “BOKU”のITな日常
https://arakan-pgm-ai.hatenablog.com/archive/category/%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%A9%E3%83%AB%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF%E3%82%B3%E3%83%B3%E3%82%BD%E3%83%BC%E3%83%AB
こちらも最初から記事を読むべき。
サンプルプロジェクトを変更して、新しい名前で保存する：使い方２
https://arakan-pgm-ai.hatenablog.com/entry/2017/20/08/003000
・「convolution」「ReLU」「MaxPooling」の３つの組み合わせ
・CNN（ Convolution Neural Network）と呼ばれる、画像の認識精度向上に効果
・追加する層は、inputとAffineの間に挟み込む
オリジナルテキストデータで新規プロジェクト追加：使い方３
https://arakan-pgm-ai.hatenablog.com/entry/2017/23/08/003000
数値からノーマルと太っている人を判断
・「データセットCSVとデータCSVを分けて作る」
　「１ファイルで作成」の２つがある
・datasetの「Image Normalization」（画像の正規化）のチェックははずす
・追加したデータセットの整合性を確認する場合は「Check Consistency」
　最後の行に「No inconsistency were found.」（矛盾は見つかりませんでした。）と表示されればOK
・２値（ノーマルか太っている）ので、BinaryCrossEntropyを使う
　３値以上になったら、そこはSoftmaxCrossEntropyにする
・Inputの指定方法は、変数方式（１つのファイル）なら、引数は１つのみ（xが3個、yが1なら、3と記載）
　ファイル指定なら、行数、列数（１ファイルが「１行３列」なので、1,3）
・Affineのレイヤーを選択して、outshapeを、inputにあわせて「1」にする
レイヤーの層を単純に深くしてもダメなことを確認する：使い方４
https://arakan-pgm-ai.hatenablog.com/entry/2017/26/08/080000
・学習：入力から計算して、重みを計算し、調整していく
　評価：計算した重みを使い、このラベルだと予測する
　
　①　計算（入力×重み＋バイアス）：Affine
　②　次の層に渡す結果を整える：ReLU　又は　Sigmoid　または　Tanh（ハイポリックタンジェント）
　③　結果から確率を計算して答えを出す：Softmax
　④　答え合わせをする：CategoricalCrossEntropy又はBinaryCrossEntropy（値２つ）
　
　※サイトではこれが図解して説明されいるため、とてもわかりやすい
　※③のSoftmax　＋　④のCategoricalCrossEntropyをあわせたSoftmaxCrossEntropy（値３つ以上）
　を通常は使う
　
　つまり値３つなら
　Affine→（ReLU or Sigmoid or Tanh）→SoftmaxCrossEntropy
　値２つなら、最後がSoftmaxCrossEntropy。ただし、値が２つの場合はSigmoid一択になるので
　Affine→ Sigmoid→BinaryCrossEntropy
　これが１層の基本形。上記に層を追加する場合は①②を加えていく
・Sigmoid　は0.0～1.0
　Tanhは、-1から1
　ReLUは、0より小さい数は0にして、0より大きい場合はそのままにする
レイヤー「Affine」（全結合層）の仕組を数式なしで解説
https://arakan-pgm-ai.hatenablog.com/entry/2018/05/11/090000
・o = Wi+b　（iは入力、oは出力、Wは重み、bはバイアス項を示す）
・o,w,iは行列データ
・wiは内積（行列の掛け算）
・全結合層は行列を平らにして計算する
・(28,28,1)＝幅28×高さ28×1チャンネルのデータなら、一旦　28×28×1＝＞784のサイズの１次元にする
CNNの「MaxPoolingレイヤー＝プーリング層）」の仕組を、数式なし解説
https://arakan-pgm-ai.hatenablog.com/entry/2018/16/11/090000
・Poolingレイヤーは、MaxPooling（最大）、SumPooling（総計）、AveragePooling（平均）から、何度も取得する
・CNN（Convolutional Neural Network）の場合、基本的にConvolutionとPoolingはセットで使う
CNNの「Convolutionレイヤー＝畳み込み層）」の仕組を、数式なしで解説
https://arakan-pgm-ai.hatenablog.com/entry/2018/14/11/090000
・Convolution＝畳み込み層
・もし、Affineで行おうとすると、平にすることにより
　28×28×1＝＞784のサイズの１次元のデータにして計算するので、
　二次元だった時の位置情報を失ってしまう
　→本来違う画像なのに、同じ画像として認識してしまう
　位置情報を残すために、Convolutionを使う
・フィルター：カーネル（Kernel）をかけあわせることで
　Affine＝全結合層では区別がつかなかった画像が、Convolution＝畳み込み層で区別がつくようになる
・実際の設定は、ConvolutionのkernelShapeが、フィルターのサイズになる
ごく浅いCNN（Convolutional Neural Network）を何パターンか試す：使い方５
https://arakan-pgm-ai.hatenablog.com/entry/2017/27/08/080000
・Convolution→ReLU→MaxPooling
　Convolution→ReLU→Convolution→ReLU→MaxPooling（若干改善）
　Convolution→ReLU→MaxPooling→Convolution→ReLU→MaxPooling（改善）
・4,9の画像サンプルを0～9にする方法
・段階的に出力結果をへらす（例では、2304→144→10）とするため、Affineを挟んでいる
Xavierの初期値／Heの初期値の使い分けと「Optimizer」の選び方：使い方６
https://arakan-pgm-ai.hatenablog.com/entry/2017/02/09/003000
・重み（w）を計算して、結果と正解を比較して、差異がある（損失率）場合に小さくしていくため、
　重みを増やしたり減らしたりして、更新していく
・重みの初期値はConvolutionとAffineの各レイヤーにある、「W.Initializer」・・・Editで選ぶ
・初期値で有名なもので「Xavierの初期値」というのがあり、
　「Sigmoid」か「Tanh」で使用する（ReLUは使用しない）
　NormalConvolutionGlorot　or NormalAffineGlorot
・ReLUはHeの初期値を使う
　NormalConvolutionHeForward or NormalAffineHeForward
・Optimizerは、重みの更新の調整幅のこと・・・・configで設定できる
　代表的なOptimizerは
　SGD：単純に一定の値を増やしたり、減らしたりする
　Momentum：SGDの改善版。ジグザグが小さくなる方向に幅を調整する
　AdaGrad：学習の進むにつれて、学習係数を減衰させ、収束しやすくする
　Adam：MomentumとAdaGradの合体
　優れているの、デフォルトは、Adamに設定されている
Epoch数とミニバッチサイズの解説と、変化させた時の精度の変化：使い方７
https://arakan-pgm-ai.hatenablog.com/entry/2017/03/09/080000
・Max Epoch：学習回数
・Batch Size：１回の学習の単位
　デフォルトは「Epoch＝100」「Bach Size=64」、Traiingデータは1500件の場合、
　1回の処理で64件、1500件で1単位の学習を100回繰り返す（1500×100で15万の学習）
　
過学習を体験して、抑制する技術（レイヤー）を軽く使ってみる：使い方８
https://arakan-pgm-ai.hatenablog.com/entry/2017/09/09/003000
・過学習は学習のさせすぎ以外にも、学習データが少ない、複雑なネットワークが考えられる
・過学習が起きると、認識精度(%）が落ちる
・データを増やすのが良いが、増やせない場合は「DropOut」と「BatchNormalizasion」を使う
　DropOut：データを間引く。計算（Convolution）の”前”に置く。
　間引く割合は「p」。初期値は0.5なので半分間引く
　BatchNormalizasion：バラ付きを補正する。計算（Convolution、Affine）の”後”に置く
・DropOutと、BatchNormalizasionを使う場合は、MaxEpochを増やす
　増やさないと学習の途中で終わってしまう（例では、Epochを100→700に変更していた）
オリジナル画像で新規データ・セットを追加する手順：使い方９
https://arakan-pgm-ai.hatenablog.com/entry/2017/10/09/003000
・Excelマクロによる画像データ生成と学習について。基本今までの内容でわかるはずだが
・Ratio：学習用と評価用の振り分け。（だいたい、75と25）合計が100になるようにする
・AffineのOUTPUTをデフォルトの100から1に変更する（これをしないと評価が下がる）
画像データを加工する「ImageAugmentation」レイヤーの出力イメージを確認／使い方１０
https://arakan-pgm-ai.hatenablog.com/entry/2017/17/09/003000
・画像の水増しで、ImageAugmentationを使用する
・SquaredErrorを0
・Max Epochを0
・ImageAugmentationで、MinScale　を　1.0→　0.8、MaxScaleを1.0→1.5　に変更することで
　0.8倍～1.5倍の間でランダムに拡大縮小する
・他にも、Angle（傾ける）、FlipLR（左右反転）、FilpUD（上下反転）、Distotion（ランダムで歪ませる）
CNNの精度向上：MeanSubtractionレイヤーの効果を試す／使い方１１
https://arakan-pgm-ai.hatenablog.com/entry/2017/23/09/003000
・精度が向上する前処理として、MeanSubtraction
・mean.initializerMuを0.2に設定
サンプルプロジェクト：オートエンコーダ（AUTO＿ENCODER）とは何だろう：使い方12
https://arakan-pgm-ai.hatenablog.com/entry/2017/24/09/080000
・例では2次元→1次元→2次元で画像がはっきりする
サンプルプロジェクト：LeNet（CNNの原型）を使ってみる：使い方13
https://arakan-pgm-ai.hatenablog.com/entry/2017/01/10/080000
・LeNet：LeNet-5（5層構造）というCNNの有名な図のサンプル（LeNet.sdcproj）
・他にも、resnet（resnet-152：152層）があり、精度は高いが、GPUでないと動かない。CPUなら、LeNet
CNNにBatchNormalizationを適用して認識精度向上効果を試す
https://arakan-pgm-ai.hatenablog.com/entry/2017/07/10/080000
・BatchNormalizationの検証
RNNの種類／サンプルでシンプルRNNの「elman_net」を体験する
https://arakan-pgm-ai.hatenablog.com/entry/2017/08/10/080000
・CNNは今、現在
・RNNは時系列の変化（年間の変化や、月ごと）
・RNNにはelman_net、LSTM、GRUの3つがある
・elman_netはシンプルだが、長時間のデータは不向き
・LSTM、GRUは長期、短期OK
　LSTMのほうがパラメータが多く、学習時間がかかるが
　場合によってはGRUよりパフォーマンスが出ることがある
・サンプルプロジェクト一覧があり
（elman_net、GRU、LSTMという文字列が含まれている）
・elman_netは、RecurrentInputからReccurentOutputの間を時系列データの時間軸で繰り返す
シンプルRNN「elman_net」でSINカーブトレースをやってみる
https://arakan-pgm-ai.hatenablog.com/entry/2017/17/10/080000
※過去データから未来予測できるわけではない、という大事なことが記載されている
・Sinの関数で実測値（csv8個）を入れて、予測値を入れてどの程度誤差があるかを確認
LSTM（Long Short-Term Memory）ユニットでSINカーブトレース
https://arakan-pgm-ai.hatenablog.com/entry/2017/25/10/080000
LSTMで売上の予測っぽいことを試みる時の失敗例
https://arakan-pgm-ai.hatenablog.com/entry/2017/29/10/080000
それっぽくみたが、Verの違いにより結果が変わってしまった例
現在データを学習したあと、学習結果のファイルを複製して、
再度読み直して、CSVの数を増やす
（前のパラメータだけだと、何回やっても同じ評価になるから）
★日別売上の予測っぽい事に再チャレンジ。CNNでやってみた／Neural Network Consoleの使い方