世界ランキング34位の性能のDeep Learning Pythonコードまで学べる！

別記事でもご紹介した、下記の書籍（A5版全298ページ）：

斎藤康毅著
｢ゼロから作るDeep Learning - Pythonで学ぶディープラーニングの理論と実装｣

　隅々まで完全理解とまでは行かないが、最後のページまで来た。途中でPythonコードをタイプしながら実行したり、考え込んだりだったが、Deep Learningの基本をソースコードレベルで一定の理解ができた。この書籍は、how toものではない。理論がしっかり分かる。しかも、基礎にとどまらず、最新の技術も取り入れている。そのため、最終的に作ったPythonコードは、MNIST（手書き数字画像セット）に対する世界コンテストランキングの第34位にあたる認識率（= 99.35%）を誇る！

　このランキングを以下に示すが、認識率ではなく、誤認識率（エラー率）で順位づけしている。100% - 99.35% = 0.65%が今回の対応性能である。

MNISTの誤認識率（error %）世界第34位の性能！

　1万件の手書き数字画像（学習用の6万件とは独立に用意された）の誤認識率が、わずか0.65%というのは驚きではないでしょうか！

認識率　99.35% ！（背景は誤認識となった数字画像例。確かに紛らわしいですね。）

この書物は、入門的ではありますが、次のように、最新技術も取り入れたDeep Learningをやるという意欲的な取組みがあってのことです。

●以下のような多層の畳込みニューラルネットワーク構造を採用

　conv - relu - conv- relu - pool -

　conv - relu - conv- relu - pool -

　conv - relu - conv- relu - pool -

　affine - relu - dropout - affine - dropout - softmax

●重み初期値設定にHe法、重み更新法にAdam最適化を適用

　しかし、それだけのことはあります。上記にような認識率（誤認識率）を得るために学習にはかなりの計算時間がかかります。最近では、CPUではなくGPUの数値（並列）演算を利用するようです。ですが、ここでは、手持ちのNote PC（2コアCPU、2.4GHz）でやって見ました！実に、約６時間かかりました。もちろん、このNote PC、CPU稼働率100％近くで６時間走り続けましたが無事でした。この学習結果をPythonのピックルファイルに格納して利用することで、評価結果（認識結果）はすぐに得られます。