Chainer v2による実践深層学習

詳細目次

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 配列の加工
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　Trainer
5.1 Trainer を利用する場合の全体
5.2 tuple data set
5.3 学習部分
5.4 iterators のみの使用
第6章　Denoising AutoEncoder
6.1 AutoEncoder（AE）
6.2 Denoising AutoEncoder（DAE）
第7章　Convolution Neural Network
7.1 NN とCNN
7.2 畳み込み
7.3 プーリング
7.4 学習の対象
7.5 NN による画像識別
7.6 CNN による画像識別
第8章　word2vec
8.1 分散表現
8.2 モデルの式
8.3 計算のためのネットワーク
8.4 Chainer によるword2vec の実装
8.5 システムから提供されている関数の利用
第9 章Recurrent Neural Network
9.1 時系列データに対するRNN9.2 言語モデル
9.3 RNNLM のネットワーク
9.4 Chainer によるRNNLM の実装
9.5 言語モデルの評価
9.6 LSTM
9.7 Chainer によるLSTM の実装.
9.8 システムから提供されている関数の利用.
9.9 GRU
9.10 RNN のミニバッチ処理
9.11 NStepLSTM によるミニバッチ処理
第10章　翻訳モデル
10.1 Encoder-Decoder 翻訳モデル
10.2 訓練データの準備
10.3 Chainer によるEncoder-Decoder 翻訳モデルの実装
10.4 翻訳処理
10.5 Attention の導入
第11章　Caffe のモデルの利用
11.1 Caffe のモデルの取得
11.2 Chainer からのCaffe のモデルの利用
11.3 入力データの処理
11.4 出力データの処理
11.5 GoogLeNet の利用
第12章　GPU の利用
12.1 GPU 対応
12.2 GPU の選択
12.3 CUDA のインストール
12.4 cuDNN のインストール
12.5 CuPy
12.6 GPU 導入の効果の確認
12.7 Chainer でのGPU の利用方法
参考文献
ソースプログラム
索引