ノート/Deep Learning Tutorialの例題をやってみた

サイトトップ

ノート
マイニング
├マイニング
├バスケット解析
├バスケット解析をＲで
├図書貸出をＲで
├モデルクラスタリング
└
テキストマイニング
├テキストマイニングTM
├TMとシソーラス
├PubMedをTM
├TMとMeSH
├TMとNLTK
├テキストマイニングとtagger
├医薬品添付文書ＤＢ
├論文の処理1
├剽窃１
├Bing検索
└
分子進化学
├分子進化学
└
Pythonと論文アクセス
├Pythonを使ってみる
├PythonでPubMed
├Pythonで...続き
└
CUDA
├GPU
├ProgrammingGuide
├Selandメモ
├数値積分
└
ACS、PHPからLDAP
├ACS導入
├新規ホスト移行
├再度やり直し
├OpenLDAP導入
└

Linuxでビデオ
├Linuxでビデオデータを作る
├AVIフォーマット
├x264ソースを見る
├Macでフレーム抜き
└

MPIと並列化
├並列処理の実用化
├Fedora10でMPICH2
├EPMRを見る
├EPMRを見る２
├EPMRを見る〜Ｃ＋＋２
├EPMRを見る〜Ｃ＋＋２
├EPMRを見る〜Ｃ＋＋３
├EPMRを見る〜Ｃ＋＋４
├CASP7と日本人
└
Macメモ
├Script

favicon物語

自信ないので
├Winのバッチ
│├スクリプト入門
│├バッチファイル
│├SETコマンド
│├自分のメモ
│└
└

メニュー編集

最新の15件

ノート/ノート
訪問者　1651　　最終更新　2015-04-19 (日) 14:37:33

(2015-04-05) Deep Learning Tutorialの例題をやってみた †

Deep Learning Tutorial 0.1

インストール †

Theanoのインストール　＞＞＞　ノート/theano

Tutorialのインストール ＞＞＞　チュートリアル中のGetting Startedのページ

チュートリアルで使われるプログラムは、gitからダウンロードできる。
　　　　＞＞＞　ダウンロード

チュートリアルを試すのに使うデータセット（MNISTとか）は、チュートリアルファイル内のスクリプトを実行することでダウンロード・準備できる。

  /bin/sh (チュートリアルトップ)/data/download.sh 

Logistic Regression †

プログラムは、Classifying MNIST digits using Logistic Regressionのページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/logistic_sgd.py

結果は、logistic_sgd_log.txt

チュートリアルページにある結果と比較すると、

チュートリアルページ
...
epoch 72, minibatch 83/83, validation error 7.510417 %
     epoch 72, minibatch 83/83, test error of best model 7.510417 %
epoch 73, minibatch 83/83, validation error 7.500000 %
     epoch 73, minibatch 83/83, test error of best model 7.489583 %
Optimization complete with best validation score of 7.500000 %,with test  performance 7.489583 %
The code run for 74 epochs, with 1.936983 epochs/sec

手元の実行結果
epoch 71, minibatch 83/83, validation error 7.520833 %
epoch 72, minibatch 83/83, validation error 7.510417 %
epoch 73, minibatch 83/83, validation error 7.500000 %
epoch 73, minibatch 83/83, test error of best model 7.489583 %
Optimization complete with best validation score of 7.500000 %,with test performance 7.489583 %
The code run for 74 epochs, with 14.122137 epochs/sec
The code for file logistic_sgd.py ran for 5.2s

MultiLayer Perceptron †

プログラムは、Multilayer Perceptronのページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/mlp.py

結果は、mlp_log.txt

チュートリアルページにある結果と比較すると、

チュートリアルページ
Optimization complete. Best validation score of 1.690000 % obtained at iteration 2070000, with test performance 1.650000 %
The code for file mlp.py ran for 97.34m

手元の実行結果
Optimization complete. Best validation score of 1.690000 % obtained at iteration 2070000, with test performance 1.650000 %
The code for file mlp.py ran for 51.45m

Convolutional Neural Networks (LeNet) †

プログラムは、Convolutional Neural Networks (LeNet)のページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/mlp.py

結果は、&ref(): File not found: "convolutional_mlp_log.txt" at page "ノート/Deep Learning Tutorialの例題をやってみた";

チュートリアルページにある結果と比較すると、

チュートリアルページ
CPU (Core i7-2600K CPU clocked at 3.40GHz and using flags ‘floatX=float32’)
Optimization complete.
Best validation score of 0.910000 % obtained at iteration 17800,with test performance 0.920000 %
The code for file convolutional_mlp.py ran for 380.28m

And similarly on a GeForce GTX 480
Optimization complete.
Best validation score of 0.910000 % obtained at iteration 16400,with test performance 0.930000 %
The code for file convolutional_mlp.py ran for 32.52m

手元の実行結果　（GeForce Titan Z)
epoch 200, minibatch 100/100, validation error 0.910000 %
Optimization complete.
Best validation score of 0.910000 % obtained at iteration 19800, with test performance 0.920000 %
The code for file convolutional_mlp.py ran for 13.49m

Denoising Autoencoders (dA) †

プログラムは、Denoising Autoencoders (dA)のページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/dA.py

結果は、dA_log.txt

チュートリアルページには、ログ出力は出ていない。実行時間は

手元の実行結果　（GeForce Titan Z)
real    2m12.225s
user    1m58.671s
sys     0m12.949s

であった。

教師なし学習の結果のフィルタの様子は、

Stacked Denoising Autoencoders (SdA) †

プログラムは、Stacked Denoising Autoencoders (SdA)のページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/SdA.py

結果は、SdA_log.txt

チュートリアルページにある結果と比較すると、

チュートリアルページ
Pre-training takes 585.01 minutes, with an average of 13 minutes per epoch.
Fine-tuning is completed after 36 epochs in 444.2 minutes, with an average of 12.34 minutes per epoch.
The final validation score is 1.39% with a testing score of 1.3%.
These results were obtained on a machine with an Intel Xeon E5430 @ 2.66GHz CPU, with a single-threaded GotoBLAS.

手元の実行結果
... pre-training the model
Pre-training layer 2, epoch 14, cost  176.348
The pretraining code for file SdA.py ran for 54.79m

... finetunning the model
epoch 103, minibatch 50000/50000, validation error 1.470000 %
Optimization complete with best validation score of 1.470000 %, on iteration 2600000, with test performance 1.370000 %
The training code for file SdA.py ran for 168.50m

Restricted Boltzmann Machines (RBM) †

プログラムは、Restricted Boltzmann Machines (RBM)のページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/rbm.py

結果は、rbm_log.txt

チュートリアルページにある結果と比較すると、

チュートリアルページ
We ran the code with PCD-15, learning rate of 0.1 and a batch size of 20, for 15 epochs.
Training the model takes 122.466 minutes on a Intel Xeon E5430 @ 2.66GHz CPU, with a single-threaded GotoBLAS.

Training epoch 14, cost is  -62.755739271
Training took 122.466000 minutes

手元の実行結果
Using gpu device 0: GeForce GTX TITAN Z
Training epoch 14, cost is  -62.1733
Training took 56.496167 minutes

教師なし学習の結果のフィルタと、サンプルイメージの様子（詳細は原ページにあり）は、

Deep Belief Networks †

プログラムは、Deep Belief Networksのページ　にある通り。（プログラムのリストはこちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/DBN.py

結果は、DBN_log.txt

チュートリアルページにある結果と比較すると、

チュートリアルページ
On an Intel(R) Xeon(R) CPU X5560 running at 2.80GHz, using a multi-threaded MKL library (running on 4 cores), 
pretraining took 615 minutes with an average of 2.05 mins/(layer * epoch). 
Fine-tuning took only 101 minutes or approximately 2.20 mins/epoch.

手元の実行結果
Using gpu device 0: GeForce GTX TITAN Z
Pre-training layer 2, epoch 99, cost  -47.6387
The pretraining code for file DBN.py ran for 90.85m 60, cost  -48.1429

epoch 235, minibatch 5000/5000, validation error 1.260000 %
The fine tuning code for file DBN.py ran for 35.07m, minibatch 5000/5000, validation error 1.260000 %
Optimization complete with best validation score of 1.260000 %, obtained at iteration 590000, with test performance 1.270000 %

Contractive auto-encoders (cA) †

プログラムは、Contractive auto-encoders (cA)のページ　にある（というよりプログラムしかない）。

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/cA.py

結果は、&ref(): File not found: "cA_log.txt" at page "ノート/Deep Learning Tutorialの例題をやってみた";

チュートリアルページには結果が出ていないので、手元の結果のみ掲載。

手元の実行結果
Using gpu device 0: GeForce GTX TITAN Z
The code for file cA.py ran for 17.47m
... loading data
Training epoch 0, reconstruction cost  589.572  jacobian norm  20.9939
Training epoch 1, reconstruction cost  115.134  jacobian norm  10.6737
Training epoch 2, reconstruction cost  101.291  jacobian norm  10.1344
Training epoch 3, reconstruction cost  94.2199  jacobian norm  9.84684
Training epoch 4, reconstruction cost  89.5886  jacobian norm  9.64734
Training epoch 5, reconstruction cost  86.1486  jacobian norm  9.49856
Training epoch 6, reconstruction cost  83.466  jacobian norm  9.38141
Training epoch 7, reconstruction cost  81.3509  jacobian norm  9.28326
Training epoch 8, reconstruction cost  79.6479  jacobian norm  9.19747
Training epoch 9, reconstruction cost  78.2063  jacobian norm  9.12142
Training epoch 10, reconstruction cost  76.9452  jacobian norm  9.05341
Training epoch 11, reconstruction cost  75.8432  jacobian norm  8.9915
Training epoch 12, reconstruction cost  74.8995  jacobian norm  8.93378
Training epoch 13, reconstruction cost  74.1056  jacobian norm  8.87923
Training epoch 14, reconstruction cost  73.4411  jacobian norm  8.82917
Training epoch 15, reconstruction cost  72.8792  jacobian norm  8.78441
Training epoch 16, reconstruction cost  72.3725  jacobian norm  8.74322
Training epoch 17, reconstruction cost  71.8618  jacobian norm  8.70261
Training epoch 18, reconstruction cost  71.3046  jacobian norm  8.66102
Training epoch 19, reconstruction cost  70.6458  jacobian norm  8.61776

real    18m19.035s
user    13m7.272s
sys     5m7.113s

結果として得られたフィルタは

Recurrent Neural Networks with Word Embeddings †

プログラムは、Recurrent Neural Networks with Word Embeddingsのページ　にある通り。（プログラムの リストは　こちら）

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/rnnslu.py

結果は、rnnslu_log.txt　（先頭と終りの数行のみ掲示）

チュートリアルページには、
Running experiments on ATIS using this repository will run one epoch in less than 40 seconds
on i7 CPU 950 @ 3.07GHz using less than 200 Mo of RAM:

[learning] epoch 0 >> 100.00% completed in 34.48 (sec) <<
 

手元の実行結果
Using gpu device 0: GeForce GTX TITAN Z
(...)
[learning] epoch 0 >> 100.00% completed in 50.09 (sec) <<
(...)
[learning] epoch 59 >> 100.00% completed in 45.20 (sec) <<

('BEST RESULT: epoch', 38, 'valid F1', 97.16, 'best test F1', 93.92, 'with the model', 'code/rnnslu')

real    54m17.383s
user    49m15.965s
sys     4m42.051s

LSTM Networks for Sentiment Analysis †

プログラムは、LSTM (Long Short Term Memory) Networks for Sentiment Analysisのページ　にある通り。（プログラムのリストはこれ（lstm.py）とこれ（lmdb.py））

実行は、($HOME)/.theanorcを適宜設定した上で（最大のポイントは、gpu をオンにする）

python code/lstm.py

結果は、lstm_log.txt

チュートリアルページには結果が載っていないので、手元実行のデータだけ。

手元の実行結果
Using gpu device 0: GeForce GTX TITAN Z
1998 train examples
105 valid examples
500 test examples
Epoch  0 Update  10 Cost  0.689779222012
Epoch  0 Update  20 Cost  0.685189962387

(...)

Epoch  79 Update  9970 Cost  1.29124291561e-05
Epoch  79 Update  9980 Cost  1.89245997717e-06
Epoch  79 Update  9990 Cost  7.68178233557e-06
Saving... Done
('Train ', 0.0, 'Valid ', 0.22857142857142854, 'Test ', 0.19599999999999995)
Early Stop!
Seen 1840 samples
Train  0.0 Valid  0.190476190476 Test  0.186
The code run for 80 epochs, with 12.409125 sec/epochs

real    19m50.399s
user    17m22.829s
sys     2m16.979s