自分用メモ

まだいろいろと再構成中。

カテゴリ : ソフトウェア

次はこれ
とにかく入れてやってみる。
1
なんか、いろいろ怒られるので、頭にこういうのを入れてみた(赤いところ)。

2
いろいろやっても怒られっぱなしで挫折したので、書いておく。とりあえず、ここまで。

次はこちら

ちゃんと全部の構文を理解しないとダメなわけだけど、まずはその前に、とりあえずひととおり動かしてみる作業。

まずは、jupyter notebook上でmodel.pyを作成してsave。inference.pyも作成してsave。
で、お次は、inference.pyを実行するのだが、どうやって実行するんだろう?

1. コマンドプロンプトでCtrl + Cを押してjupyter notebookを終わらせてから、python inference.pyと入れてEnter。
これをやると、このようになる。
1
このように、まずは例によって、沢山SSE命令ダメだよ…うんぬんが出てから、「initialize_all_variablesは古いからtf.global_variables_initializerを使ってね」というのが出る。ここで既にやったとおり。そのあとは、次にように結果が延々と並ぶ。
2
3
このように、130秒かかって全部終わる。SummaryWriterで怒られるのも既にやった通り。

--

2. jupyter notebook上で、!python inference.pyと入れてShift + Enter。
jupyter notebookでは、! の後にコマンドを打てるみたい。
こっちのほうが、なんかカッコイイかもね。
こんなふうになった。
4
全部貼ると、こんなかんじ。

Epoch 1: ./data/data_batch_1.bin
[6]: [array([[-0.00244634, -0.00595317, 0.00198949, -0.00988489, 0.02464342,
0.00959671, -0.01094623, -0.00265316, 0.01137706, 0.00098879]], dtype=float32)]
[9]: [array([[-0.00245464, -0.00595713, 0.00197492, -0.00989039, 0.02463724,
0.00960299, -0.0109346 , -0.00264315, 0.01137412, 0.00097986]], dtype=float32)]
[7]: [array([[-0.00244821, -0.00595995, 0.00198389, -0.00989162, 0.02463682,
0.0096166 , -0.0109265 , -0.0026347 , 0.01137051, 0.00097993]], dtype=float32)]
[3]: [array([[-0.00243875, -0.00595814, 0.00197866, -0.0098967 , 0.02462693,
0.0095787 , -0.01092821, -0.00265507, 0.01135298, 0.00099202]], dtype=float32)]
[5]: [array([[-0.00244741, -0.00594536, 0.0019952 , -0.00987465, 0.02463432,
0.00960753, -0.010921 , -0.00263722, 0.0113809 , 0.00098241]], dtype=float32)]
[6]: [array([[-0.00243351, -0.00595452, 0.00198534, -0.00989072, 0.02463123,
0.00958697, -0.01091246, -0.0026446 , 0.01134686, 0.00099766]], dtype=float32)]
[6]: [array([[-0.00246548, -0.00595936, 0.00198966, -0.00987074, 0.02462012,
0.00962291, -0.01095271, -0.00263457, 0.01137924, 0.00098049]], dtype=float32)]
[5]: [array([[-0.00245922, -0.00595973, 0.00200748, -0.00988819, 0.02463621,
0.009608 , -0.01094383, -0.00265285, 0.01135599, 0.00099217]], dtype=float32)]
[3]: [array([[-0.00243824, -0.00594302, 0.00198244, -0.00988816, 0.02460522,
0.00959729, -0.01094321, -0.00262852, 0.01137923, 0.00095626]], dtype=float32)]
[4]: [array([[-0.00244699, -0.00595367, 0.00199575, -0.00986645, 0.0246434 ,
0.00962721, -0.01093157, -0.00265985, 0.01138323, 0.00099012]], dtype=float32)]
Epoch 1: ./data/data_batch_2.bin
[1]: [array([[-0.00244674, -0.00594459, 0.00199747, -0.00988315, 0.02463545,
0.00961634, -0.01094857, -0.00264649, 0.01133764, 0.00101566]], dtype=float32)]
[1]: [array([[-0.0024461 , -0.00594119, 0.00198696, -0.00989076, 0.0246391 ,
0.0096054 , -0.01092881, -0.00264309, 0.01135787, 0.00097908]], dtype=float32)]
[6]: [array([[-0.00243893, -0.00596225, 0.00196764, -0.00987746, 0.02461455,
0.00961499, -0.01096156, -0.00267245, 0.01136855, 0.00099817]], dtype=float32)]
[9]: [array([[-0.00245094, -0.00594483, 0.00198694, -0.00988459, 0.02462018,
0.0095978 , -0.0109426 , -0.00263638, 0.01135645, 0.0009942 ]], dtype=float32)]
[4]: [array([[-0.00246787, -0.00594623, 0.00199196, -0.00986615, 0.0246327 ,
0.00962686, -0.01095616, -0.00267122, 0.01137435, 0.00100457]], dtype=float32)]
[0]: [array([[-0.00245966, -0.00595205, 0.00200379, -0.00986038, 0.02463473,
0.00963628, -0.01093572, -0.00265075, 0.0113629 , 0.00100174]], dtype=float32)]
[7]: [array([[-0.00244317, -0.00594284, 0.00198607, -0.00988566, 0.02461753,
0.00959724, -0.01091724, -0.00263656, 0.01137326, 0.00097837]], dtype=float32)]
[6]: [array([[-0.00243535, -0.00595829, 0.00197583, -0.00989591, 0.02461889,
0.00958684, -0.01092324, -0.00264586, 0.01136023, 0.00097308]], dtype=float32)]
[9]: [array([[-0.00245309, -0.00596283, 0.00199385, -0.00987581, 0.0246319 ,
0.00961102, -0.01094303, -0.00264824, 0.01137735, 0.00099686]], dtype=float32)]
[6]: [array([[-0.00245881, -0.00594819, 0.00198782, -0.00989483, 0.02462407,
0.00959198, -0.01096453, -0.00267955, 0.0113695 , 0.00097662]], dtype=float32)]
Epoch 1: ./data/data_batch_3.bin
[8]: [array([[-0.00245849, -0.0059495 , 0.00198469, -0.00988716, 0.02462307,
0.00960154, -0.01092682, -0.00264598, 0.01135999, 0.00099896]], dtype=float32)]
[0]: [array([[-0.00243918, -0.00594433, 0.00198455, -0.00988821, 0.02463539,
0.00959167, -0.01092401, -0.00263373, 0.01138591, 0.00096997]], dtype=float32)]
[8]: [array([[-0.00243968, -0.00594105, 0.00198405, -0.00988628, 0.02461338,
0.00959997, -0.01092421, -0.00263379, 0.01136266, 0.000991 ]], dtype=float32)]
[7]: [array([[-0.00246419, -0.0059481 , 0.00199523, -0.00986992, 0.02462882,
0.00963535, -0.01093203, -0.00264535, 0.01137579, 0.0009901 ]], dtype=float32)]
[6]: [array([[-0.00245742, -0.00596399, 0.00198381, -0.00989731, 0.02462786,
0.00963252, -0.01096096, -0.0026654 , 0.01139002, 0.00098597]], dtype=float32)]
[6]: [array([[-0.00244699, -0.00594592, 0.00198501, -0.00987424, 0.024635 ,
0.0095992 , -0.01091726, -0.00264267, 0.01135957, 0.0009888 ]], dtype=float32)]
[0]: [array([[-0.002445 , -0.00594516, 0.00197978, -0.00990169, 0.02463399,
0.00959137, -0.01093544, -0.00263338, 0.01136 , 0.00097993]], dtype=float32)]
[0]: [array([[-0.00243496, -0.0059551 , 0.00199786, -0.00987548, 0.0246502 ,
0.00962376, -0.01092738, -0.00264214, 0.01137307, 0.00098261]], dtype=float32)]
[0]: [array([[-0.00246893, -0.00595838, 0.00200159, -0.00989167, 0.02463274,
0.00962405, -0.01093802, -0.00265352, 0.01137903, 0.00099249]], dtype=float32)]
[9]: [array([[-0.00246255, -0.00595943, 0.001993 , -0.00988155, 0.02462632,
0.00962803, -0.01093849, -0.00264494, 0.01137619, 0.00099348]], dtype=float32)]
Epoch 1: ./data/data_batch_4.bin
[0]: [array([[-0.00244875, -0.00595972, 0.00198785, -0.00990175, 0.02465177,
0.00960661, -0.01093375, -0.00264825, 0.01138575, 0.00099819]], dtype=float32)]
[0]: [array([[-0.00247831, -0.00595357, 0.00198175, -0.00988744, 0.02462455,
0.00962128, -0.0109399 , -0.0026476 , 0.0113797 , 0.00097579]], dtype=float32)]
[7]: [array([[-0.00246578, -0.00595225, 0.00199127, -0.00987221, 0.02462908,
0.00961141, -0.01095871, -0.00265049, 0.01139212, 0.00098407]], dtype=float32)]
[0]: [array([[-0.00244092, -0.00595053, 0.00198721, -0.00989037, 0.02463593,
0.00959741, -0.01092742, -0.00262761, 0.01135004, 0.00100719]], dtype=float32)]
[3]: [array([[-0.00245085, -0.00595968, 0.00198084, -0.00987961, 0.02463653,
0.00960116, -0.01093262, -0.00264816, 0.01135352, 0.00099103]], dtype=float32)]
[5]: [array([[-0.00245706, -0.00596417, 0.00195937, -0.00987887, 0.02463233,
0.00960331, -0.01094326, -0.0026634 , 0.01134896, 0.00099449]], dtype=float32)]
[3]: [array([[-0.00246039, -0.00594421, 0.00198876, -0.00988443, 0.0246324 ,
0.00959582, -0.01093495, -0.00264604, 0.01138042, 0.00097933]], dtype=float32)]
[7]: [array([[-0.00243879, -0.00595246, 0.0019775 , -0.00989782, 0.02462157,
0.00959335, -0.01092475, -0.00264263, 0.01137223, 0.00096684]], dtype=float32)]
[0]: [array([[-0.00245381, -0.00594334, 0.00200437, -0.00987913, 0.02462805,
0.00961802, -0.01092618, -0.00264535, 0.0113663 , 0.00099122]], dtype=float32)]
[6]: [array([[-0.00246168, -0.00594992, 0.00198115, -0.00989264, 0.02461827,
0.00957733, -0.01093835, -0.00265191, 0.01137355, 0.00098113]], dtype=float32)]
Epoch 1: ./data/data_batch_5.bin
[1]: [array([[-0.00245253, -0.00595543, 0.0020078 , -0.00987452, 0.02463531,
0.00960062, -0.01093498, -0.00264423, 0.01137632, 0.0009964 ]], dtype=float32)]
[7]: [array([[-0.00245878, -0.00595623, 0.00199332, -0.00987854, 0.02464578,
0.0095953 , -0.0109324 , -0.0026533 , 0.01137438, 0.00099649]], dtype=float32)]
[9]: [array([[-0.00244727, -0.00595742, 0.00199177, -0.00987431, 0.02465862,
0.00961397, -0.01094106, -0.0026408 , 0.01137439, 0.0009948 ]], dtype=float32)]
[5]: [array([[-0.0024677 , -0.00594921, 0.00199702, -0.00988451, 0.02461458,
0.00961747, -0.0109435 , -0.00265094, 0.01136084, 0.00100084]], dtype=float32)]
[7]: [array([[-0.00247282, -0.00595007, 0.00198305, -0.00986756, 0.02461854,
0.00962661, -0.01095243, -0.00266825, 0.01137566, 0.00096907]], dtype=float32)]
[7]: [array([[-0.00244962, -0.00594537, 0.00199797, -0.00989445, 0.02462613,
0.00959936, -0.01093742, -0.00266662, 0.01135422, 0.00099657]], dtype=float32)]
[2]: [array([[-0.00243884, -0.00595979, 0.00198937, -0.00988127, 0.02461042,
0.00959373, -0.01093943, -0.00264011, 0.01136843, 0.00097741]], dtype=float32)]
[8]: [array([[-0.00247248, -0.00595023, 0.0019895 , -0.00986364, 0.02462752,
0.00960326, -0.01092588, -0.00266116, 0.0113649 , 0.00098528]], dtype=float32)]
[1]: [array([[-0.00245684, -0.00595252, 0.00197753, -0.00988479, 0.02461042,
0.00960124, -0.01093397, -0.00264403, 0.01137122, 0.00099252]], dtype=float32)]
[8]: [array([[-0.00245592, -0.005959 , 0.00198417, -0.00988884, 0.02463468,
0.00962273, -0.01093104, -0.00263899, 0.01137646, 0.00098523]], dtype=float32)]
epoch 1 duration = 128 sec
WARNING:tensorflow:From D:\Users\atatan\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\util\tf_should_use.py:170: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.
Instructions for updating:
Use `tf.global_variables_initializer` instead.
Traceback (most recent call last):
File "inference.py", line 71, in
tf.app.run()
File "D:\Users\atatan\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\platform\app.py", line 48, in run
_sys.exit(main(_sys.argv[:1] + flags_passthrough))
File "inference.py", line 66, in main
tf.train.SummaryWriter(FLAGS.checkpoint_dir, sess.graph)
AttributeError: module 'tensorflow.python.training.training' has no attribute 'SummaryWriter'
2017-08-19 17:33:28.271743: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271759: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271763: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE3 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271766: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271769: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271773: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271775: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-19 17:33:28.271778: W c:\tf_jenkins\home\workspace\release-win\m\windows\py\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
In [ ]:

?
結局内容は、1. の時と同じ。ちゃんと2回怒られるし、SSEコマンドうんぬんも出てくる。

--

せっかく怒られたので、
initialize_all_variables → tf.global_variables_initializer
tf.train.SummaryWriter → tf.summary.FileWriter
を直してみようか。

inference.pyの中の、tf.initialize_all_variablesをtf.global_variables_initializerに、
inference.pyの中の、tf.train.SummaryWriterをtf.summary.FileWriterに変更。

そして、jupyter notebook上で、!python inference.pyと入れてShift + Enterする。
・・・しかし・・・15分、20分位経っても終わらず・・・。何で??

--

結局きりが無いので中断。で、もう一回元の構文にすると、ちゃんと130秒で終わる。なので、実験。

tf.initialize_all_variablesをtf.global_variables_initializerにしない。
tf.train.SummaryWriterをtf.summary.FileWriterにしない。
→ ちゃんと130秒で終わる。

tf.initialize_all_variablesをtf.global_variables_initializerにする。
tf.train.SummaryWriterをtf.summary.FileWriterにしない。
→ ちゃんと134秒で終わる。

tf.initialize_all_variablesをtf.global_variables_initializerにしない。
tf.train.SummaryWriterをtf.summary.FileWriterにする。
→ 延々終わらず、ダメ。

tf.initialize_all_variablesをtf.global_variables_initializerにする。
tf.train.SummaryWriterをtf.summary.FileWriterにする。
→ 延々終わらず、ダメ。

という結果になったので、結論。

tf.summary.FileWriter がガン。

ということみたい。

--

なんか、不良品?改悪?バグ?なの??
っていうか、ハードウェアとか一般の製品 → 不良品が出れば社会問題。そのかわり有料。
ソフト → 動かなくて当たり前、β伴と言えば許される?ww。無料なので文句は言えない。
というわけですね。 これで有料だったら文句タラタラが当然だけど、無料だからありがたく古いバージョンを使い続けるのが正解。ですな。w 

5
前回挫折したので、別の日にゆっくり見直してみる。
すると・・・reader.pyも、convert_cifar10_png.pyもできているのは確認済。と書いたものの、できていたけど中身を見たら、なぜか空だったwww(^◇^)
空な理由は不明だが動かない原因は分かったので、再度、reader.py、convert_cifar10_png.pyを作って、今度は中身があることを確認。

そして、コマンドプロンプト上でCtrl +Cをやって、jupyter notebookを終わらせる。そして、

python convert_cifar10_png.py --file ./data/data_batch_1.bin

と打ってみると・・・おお、ちゃんと反応がありましたよ。以下、次の画像。
0819-01
ModuleNotFoundError : No module named 'PIL'
ときましたよ。
こういうふうに、だんまりじゃなくてなんか文句を言ってくれればありがたいわけで。w

早速検索してこちらのサイト様。

なので、pip install pillowをやると、御覧の通りちゃんと反応して、そしてもう一度
python convert_cifar10_png.py --file ./data/data_batch_1.bin
をやると、ご覧の通り、ちゃんと動きました。 

で、やっぱり、5個あるから5個全部やるんだろうな?と思ったのでやってみた。
0819-02
とりあえず、これで、リベンジ終了のはず。


次はこれ

手順通りにやってみて、tensorflowのディレクトリに、reader.pyも、convert_cifar10_png.pyもできているのは確認済。

しかし、

$ python3 convert_cifar10_png.py --file ./data/data_batch_1.bin
をやるとダメ。

jupyter notebook上ではなく、コマンドプロンプトに行ってjupyter notebookを終了させて、さらにtensorflowもdeactivateして、python3だと怒られるので、

python convert_cifar10_png.py --file ./data/data_batch_1.bin

と打ってみた。なんとかエラーは出ないでコマンドプロンプトに戻るものの・・・
dataディレクトリ内には何も起こらず。

今のところ、ここで挫折中。

お次はこちら
S1
と、SummaryWriterで怒られましたね。(^^♪
で、ここを見てもわからない。
なので、ググってみると、こちらのサイト様が。いや~すばらしいですな~☆
なので、ありがたく、tf.train.SummaryWriter -> tf.summary.FileWriter。
S2
無事に正常動作しました。

--

それで、$ tensorboardって、当然ながら、jupyter notebook上で打ってもダメだし、コマンドプロンプト上ではjupyter notebookが動いていてコマンドを入力できないんですけど。w

なので、またまた検索して、こちらのサイト様。
本当に、Qiitaのサイト様すばらしいですな~

おんぶにだっこで、その通りやってみると・・・

まずは、これを作るんですね。コピペしただけ。。。w
S3

そして実行。
S4
ああ、すばらしい~

しかし、ちょっとサイズが今一なのでサイズ変更をしてみても、なぜか全く変わらないので、とりあえずは我慢。w
で、スクロールして右端まで出してみるとこんな感じ。
S5
おお、例題どおりになってますね。
でも、Mulの入力がConst2ではなくてConst1なのはなんでだろう??よくわかんないす。

というわけで、mulがダメで、multiplyがいいっていうのを、ちゃんと自分で確認してみる作業。

どうやらここですな。API Documentation。

ということは、ここにあるとおり、pythonだけでなく、C++でも、Javaでも、Goでも、同じようなことができるっていうことのはず。でも今は余裕ないからpythonだけですよ。w

ここから、python API master → tf をクリックすると、たくさん出てくる。
そこには確かに、mulは無くてmultiplyがある。
tf.multiply
ここを全部読めば、全部のAPIがわかるっていうことですな~。

辞書ということで。今後はちゃんと読むようにせねば~~~(^◇^)

TensorFlow.orgのチュートリアルをひととおり試してみたものの、その本質的理解がなかなか進まずに自分独自の利用に歩みが進まないケースが散見されます

おお、まさにそれwww 
途中まで動かしてみたものの、全然動作原理がわからず、結局、あるところで動かなくなって、そこから何をやっていいかも動かない原因もわからないまま放置・・・・だったですよ。

なので、もっと基礎的なことからゆっくりやることにした。

過去ありがちだったのは、あるところまでチュートリアルをやって、一旦躓くとどうしようもなくなって放置して、さんざん苦労して動かした基礎的なことまで忘れてしまって努力が無駄になるっていうパターン。今回は、tensorflowをjupyter notebookで立ち上げるまでの苦労がまさにそれ!

なので、tensorflowをjupyter notebookで立ち上げる作業すら忘れないように、おバカな例題でもいいから少しでも手を動かして遊ぶようにした。

---

で、こちらのサイト様。
こちらにある簡単な例題をとりあえずマネしてみようかという。で、やってみた。

01
うん。1個目はおk。
2個目。
const1, const2, add_apは、Pythonプログラム上では変数ですが、TensorFlowではデータフローグラフを構成するノード、つまり「オペレーション」です*2。そのためprintで中身を見ようとしても「Tensor」としか表示されないのです
ということですね。

で、次。
02
おっと、エラーですよ。

いろいろ調べた結果、こちらのサイト様にあった通り。
You'll need to replace tf.mul with tf.multiply.
ということなのでやってみた。

03

Good
まさにそれが原因でしたよ。 ということで、今回はここまで。www

まずは、全部貼ってみる。
1

2

3

4

で、step 20000までやったのを全部出してみるとこちら。

step 0, training accuracy 0.18
step 100, training accuracy 0.84
step 200, training accuracy 0.84
step 300, training accuracy 0.88
step 400, training accuracy 0.9
step 500, training accuracy 0.92
step 600, training accuracy 0.96
step 700, training accuracy 0.94
step 800, training accuracy 1
step 900, training accuracy 0.92
step 1000, training accuracy 1
step 1100, training accuracy 0.92
step 1200, training accuracy 0.94
step 1300, training accuracy 0.98
step 1400, training accuracy 0.98
step 1500, training accuracy 0.94
step 1600, training accuracy 1
step 1700, training accuracy 0.98
step 1800, training accuracy 0.94
step 1900, training accuracy 1
step 2000, training accuracy 1
step 2100, training accuracy 0.94
step 2200, training accuracy 1
step 2300, training accuracy 0.98
step 2400, training accuracy 0.96
step 2500, training accuracy 1
step 2600, training accuracy 0.98
step 2700, training accuracy 0.96
step 2800, training accuracy 0.98
step 2900, training accuracy 0.96
step 3000, training accuracy 0.96
step 3100, training accuracy 0.98
step 3200, training accuracy 0.98
step 3300, training accuracy 0.96
step 3400, training accuracy 1
step 3500, training accuracy 1
step 3600, training accuracy 0.96
step 3700, training accuracy 0.96
step 3800, training accuracy 0.98
step 3900, training accuracy 0.98
step 4000, training accuracy 1
step 4100, training accuracy 1
step 4200, training accuracy 0.98
step 4300, training accuracy 0.96
step 4400, training accuracy 1
step 4500, training accuracy 0.96
step 4600, training accuracy 0.98
step 4700, training accuracy 1
step 4800, training accuracy 1
step 4900, training accuracy 0.98
step 5000, training accuracy 1
step 5100, training accuracy 1
step 5200, training accuracy 1
step 5300, training accuracy 0.96
step 5400, training accuracy 1
step 5500, training accuracy 0.98
step 5600, training accuracy 1
step 5700, training accuracy 1
step 5800, training accuracy 1
step 5900, training accuracy 1
step 6000, training accuracy 0.96
step 6100, training accuracy 1
step 6200, training accuracy 1
step 6300, training accuracy 0.96
step 6400, training accuracy 1
step 6500, training accuracy 1
step 6600, training accuracy 0.98
step 6700, training accuracy 1
step 6800, training accuracy 1
step 6900, training accuracy 0.98
step 7000, training accuracy 1
step 7100, training accuracy 1
step 7200, training accuracy 0.96
step 7300, training accuracy 1
step 7400, training accuracy 1
step 7500, training accuracy 0.98
step 7600, training accuracy 1
step 7700, training accuracy 1
step 7800, training accuracy 1
step 7900, training accuracy 1
step 8000, training accuracy 1
step 8100, training accuracy 1
step 8200, training accuracy 1
step 8300, training accuracy 1
step 8400, training accuracy 1
step 8500, training accuracy 1
step 8600, training accuracy 1
step 8700, training accuracy 1
step 8800, training accuracy 0.98
step 8900, training accuracy 1
step 9000, training accuracy 0.98
step 9100, training accuracy 1
step 9200, training accuracy 1
step 9300, training accuracy 1
step 9400, training accuracy 1
step 9500, training accuracy 1
step 9600, training accuracy 1
step 9700, training accuracy 0.98
step 9800, training accuracy 0.98
step 9900, training accuracy 0.98
step 10000, training accuracy 1
step 10100, training accuracy 1
step 10200, training accuracy 1
step 10300, training accuracy 0.98
step 10400, training accuracy 1
step 10500, training accuracy 1
step 10600, training accuracy 1
step 10700, training accuracy 1
step 10800, training accuracy 1
step 10900, training accuracy 0.98
step 11000, training accuracy 0.98
step 11100, training accuracy 1
step 11200, training accuracy 1
step 11300, training accuracy 0.98
step 11400, training accuracy 1
step 11500, training accuracy 1
step 11600, training accuracy 1
step 11700, training accuracy 1
step 11800, training accuracy 1
step 11900, training accuracy 1
step 12000, training accuracy 1
step 12100, training accuracy 1
step 12200, training accuracy 1
step 12300, training accuracy 0.98
step 12400, training accuracy 1
step 12500, training accuracy 1
step 12600, training accuracy 1
step 12700, training accuracy 1
step 12800, training accuracy 1
step 12900, training accuracy 1
step 13000, training accuracy 0.98
step 13100, training accuracy 1
step 13200, training accuracy 1
step 13300, training accuracy 1
step 13400, training accuracy 1
step 13500, training accuracy 1
step 13600, training accuracy 1
step 13700, training accuracy 1
step 13800, training accuracy 1
step 13900, training accuracy 1
step 14000, training accuracy 1
step 14100, training accuracy 1
step 14200, training accuracy 1
step 14300, training accuracy 1
step 14400, training accuracy 1
step 14500, training accuracy 1
step 14600, training accuracy 0.98
step 14700, training accuracy 1
step 14800, training accuracy 1
step 14900, training accuracy 1
step 15000, training accuracy 1
step 15100, training accuracy 1
step 15200, training accuracy 1
step 15300, training accuracy 0.98
step 15400, training accuracy 0.98
step 15500, training accuracy 1
step 15600, training accuracy 1
step 15700, training accuracy 1
step 15800, training accuracy 1
step 15900, training accuracy 0.98
step 16000, training accuracy 1
step 16100, training accuracy 0.98
step 16200, training accuracy 1
step 16300, training accuracy 1
step 16400, training accuracy 1
step 16500, training accuracy 1
step 16600, training accuracy 1
step 16700, training accuracy 1
step 16800, training accuracy 1
step 16900, training accuracy 1
step 17000, training accuracy 1
step 17100, training accuracy 1
step 17200, training accuracy 1
step 17300, training accuracy 1
step 17400, training accuracy 1
step 17500, training accuracy 1
step 17600, training accuracy 1
step 17700, training accuracy 1
step 17800, training accuracy 1
step 17900, training accuracy 1
step 18000, training accuracy 1
step 18100, training accuracy 1
step 18200, training accuracy 1
step 18300, training accuracy 1
step 18400, training accuracy 1
step 18500, training accuracy 1
step 18600, training accuracy 1
step 18700, training accuracy 1
step 18800, training accuracy 1
step 18900, training accuracy 1
step 19000, training accuracy 1
step 19100, training accuracy 1
step 19200, training accuracy 1
step 19300, training accuracy 1
step 19400, training accuracy 0.98
step 19500, training accuracy 1
step 19600, training accuracy 1
step 19700, training accuracy 1
step 19800, training accuracy 1
step 19900, training accuracy 1
test accuracy 0.992


お~、ちゃんとその通りになってるよ。w

Convolution and Pooling ということで、畳み込み積分?みたいなのをやると、精度が格段に上がる・・・っていうイベントみたいですよ。 よくわかんないけどw。

このページのトップヘ