WOLFRAM

Wolfram言語 ＆ システムドキュメントセンター
"NeuralNet" (リソースオブジェクトタイプ)

"NeuralNet" (リソースオブジェクトタイプ)

詳細

  • ニューラルネットリソースには，NetModelでアクセスできるコンテンツ要素のニューラルネットワークが含まれている．

特性

  • すべてのリソースタイプに共通のResourceObjectの標準的な特性がある »．また，それぞれのリソースタイプは追加の特性を定義する．
  • コンテンツに関連付けられたニューラルネットリソースの特性には以下がある：
  • "ContentElements"NetModel["name","elem"]で利用できるコンテンツ要素名のリスト
    "ContentElementLocations"コンテンツ要素の保管場所
    "DefaultContentElement"NetModel["name"]で利用できるコンテンツ要素名
    "Format"コンテンツ要素の形式
    "ParameterizationData"パラメータ化されたネットモデルでは，内部的に使われる情報を保存する
  • リソースメタデータに関連付けられた特性には以下がある：
  • "TrainingSetData"学習データへのリンク
    "TrainingSetInformation"ネットを訓練するために使われるデータの説明
  • "ContentElementLocations"特性は，キーがコンテンツ要素名で値が場所の連想(Association)である．値として使えるのはCloudObject，LocalObject，File，URLのいずれかである．
  • 次はデータリソースをソートするために使われる特性である：
  • "InputDomains"入力タイプ（"Image"，"Text"等）のリスト
    "TaskType"ネットが行うタスクのタイプ ("Classification","Regression")
  • ニューラルネットリソースはすべて特性"ResourceType""NeuralNet"を持つ．
  • 次はデータリソースに対するResourceObjectの広く使われる標準的な特性である：
  • "ExampleNotebook"入力と出力の例のノートブック
  • "SourceMetadata"の値は以下のキーを含むことができる連想(Association)である：
  • "Citation"出典／参照の引用
    "Creator"著者または作成者の名前
    "Date"オリジナルの出版日
    "Rights"ソースのデータ権
    "Source"オリジナルのソースへのリンク

ニューラルネットリソースを使う

  • ResourceObject内のネットにはNetModelを使ってアクセスできる．
  • 特性にはResourceObject[…]["prop"]を使ってアクセスできる．
  • 多くの場合，ニューラルネットリソースにはNetModel["name","ConstructionNotebook"]で利用可能な，構築プロセスを示すノートブックがある．
  • ニューラルネットリソースは，学習済みネットを1つ含む，またはNetModelへの追加入力に基づいてパラメータ化されたコレクションから選ぶことができる．

例題

すべて開く すべて閉じる

例  (1)

公開されているリポジトリからニューラルネットリソースを取り出す：

Wolfram Language code: ro = ResourceObject["Wolfram ImageIdentify Net V1"]

リソースにはタイプ"NeuralNet"が含まれる：

Wolfram Language code: ro["ResourceType"]

デフォルトのニューラルネットを取り出す：

Wolfram Language code: net = NetModel["Wolfram ImageIdentify Net V1"]

入力を取り出し，ネットを使う：

Wolfram Language code: image = ResourceData["Sample Image: White Dog on a Beach"]
Wolfram Language code: net[image]

スコープ  (2)

学習済みのネットを1つ含むニューラルネットリソースのメタデータを調べる：

Wolfram Language code: ro = ResourceObject["Inception V1 Trained on ImageNet Competition Data"]

コンテンツ要素の名前を見る：

Wolfram Language code: ro["ContentElements"]

データファイルの場所と形式を見る：

Wolfram Language code: ro["ContentElementLocations"]
Wolfram Language code: ro["Format"]

例題ノートブックを開く：

Wolfram Language code: ro["ExampleNotebook"]

タスクタイプを見る：

Wolfram Language code: ro["TaskType"]

入力領域を見る：

Wolfram Language code: ro["InputDomains"]

ネットと学習集合の説明を読む：

Wolfram Language code: ro["Description"]
Wolfram Language code: ro["TrainingSetInformation"]

学習済みネットが複数利用可能な，パラメータ化されたニューラルネットリソースのメタデータを調べる：

Wolfram Language code: ro = ResourceObject["SqueezeNet-3D Trained on Video Datasets"]

パラメータ化情報を見る：

Wolfram Language code: NetModel["SqueezeNet-3D Trained on Video Datasets", "ParametersInformation"]

コンテンツ要素の名前を見る．複数の評価ネットがある：

Wolfram Language code: ro["ContentElements"]

パラメータを指定してネットを取り出す：

Wolfram Language code: jesternet = NetModel[{"SqueezeNet-3D Trained on Video Datasets", "Dataset" -> "Jester"}]

比較のためにデフォルトネットを取り出す：

Wolfram Language code: defaultnet = NetModel["SqueezeNet-3D Trained on Video Datasets"]

同じ入力では，2つのパラメータ化は異なる確率を与える：

Wolfram Language code: yoga = ResourceData["Sample Video: Practicing Yoga"];
Wolfram Language code: jesternet[yoga, {"TopProbabilities", 10}]
Wolfram Language code: defaultnet[yoga, {"TopProbabilities", 10}]