こんにちは、デザイナーのヤマモモです！🙇‍♂️
今日も引き続き、大関さんが量子コンピューターを無料で教えてくれるというオンライン講座の第4回目のレポートを書きます😄
前に書いた部分は省略して省エネで書いて行きますので、ご了承ください🙏

↑前回の記事

会員登録してない人でもこの動画視聴できますので、是非御覧ください！

アヤメのデータ識別

今回は花のアヤメの識別問題に機械学習で挑戦します🌷

実はアヤメって色々があり、wikipediaで見ると「アヤメ」「カキツバタ」「ハナショウブ」という３種類のアヤメが確認できます。

で、今回は「萼片の長さ」「萼片の幅」「花弁の長さ」「花弁の幅」と4つの数値で分類するそうで…
それの関数を考えてね！というのが今回の目標💡
萼片と花弁とは？

アヤメのデータをダウンロードする

from sklearn import datasets
iris = datasets.load_iris()

いつも通りPennylaneを入れます。
そのあとsklearnという機械学習などのライブラリのセットを入れて…
その中のiris(あやめ)のデータセットを読み込みます。

てかアイリスってアヤメの事なんだ！？？知らんかった💦
コメントでも書かれている方いましたが、アイリスオー●マって…？と思った方は少なくないはずｗ

Irisのデータセットの中身を見ると大量の数字が並んでいます。
これは左から「萼片の長さ」「萼片の幅」「花弁の長さ」「花弁の幅」を表しているそうです。
アヤメの花のサイズを色んな角度から測ったもので、その長さのデータが150個並んでいるデータだとか🫨

その150個のデータの３種類の内訳がこんな感じに入っています。
1〜50が0番目の種類のアヤメ
51~100までが１番目の種類のアヤメ
101〜150までが２番目の種類のアヤメ

↑このように「xx番目のデータ」を見ることも出来ます！
（左の）１番目のデータは「萼片の長さ4.9&幅3.0」「花弁の長さ1.4＆幅0.2」の０番目のアヤメのデータですと言っています。

大関さん「0番目のアヤメは、花弁の幅0.2と如実に小さいことがわかる。」

ほうほう。。こう数字が並んでいると全部一緒に見えてくるのが文系脳です🤣

こんな感じでデータを眺めると各アヤメの特徴がありますね？と。
少ない数なら１個１個調べて、比べるというのは小学生でもできるけど、100個とか沢山あったらそれらを見比べるって大変ですよね？😅
なので、今回はそれをコンピュータでやりましょう！というお話💻
前回同様、このデータセットをPytorchに入れて学習させるらしいです。

アヤメのデータを学習させる

この後、トレーニングデータとテストデータに分けます（省略）

ニューラルネットワークの部分

ReLU(レル)関数は２回目の講義で大関さんが話してましたね！

０になりそうになるとポキっと折れるみたいな関数で、勾配消失問題を解消してくれるとかなんとか。

誤差をどうにかする

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001)

今までの「MSE＝平均二乗誤差」ではなく、今回のような分類を識別したい時はCrossEntropyLossを使うといいらしいです。（MSEでもできるらしいけど）
SGDは２回目の講義で学んだ確率勾配降下法ですね。

空のリストを作る

train_loss_value=[]
train_acc_value=[]
test_loss_value=[]
test_acc_value=[]

いつも通り、学習が上手くいってるかloss_valueをトレーニングデータとテストデータで作ります。
識別の問題は正解してるかが、はっきりしてるので点数を出すことができるそうなので、accという空リストも作ります️📝

学習させる

やってる事は２回目、３回目に似てます。
回帰(関数にマッチさせる)に比べて、今回の識別はちょっと一部違うんですが、なんとなく見慣れてきた感じがします！
さて、これでニューラルネットワーク君への学習が終了しました👏

結果発表

回帰の時に比べて、減り方が緩やかですが減っているのがわかります。

今回accというのが追加されてましたよね？
それで正解率も見れるそうなので、見てみましょう！

おいおい、最後失速してるじゃねーかｗ
最後頑張りきれなかった子ですね😭
可哀想な事に、親に似てアホの子です(´；ω；｀)ぶわっ

正解と解答

tensor()の中の数字が0,1,2番目のアヤメかという事です。
一致してれば正解という事ですね。
うーーん🤔うちの子、三択なのに0と2しか書いてないのなんでなん？アホなの？🤪

大関さんも何回もやっていたんですが、この結果ってやる度に変わるそうなんです💧
あとはニューラルネットワークの学習内容を変えてみたりするといいそうです。

def forward(self, x):
        h = self.fc1(x)
        h = self.relu(h)
        y = self.fc2(h)
        return y

↑ここの層を増やしてみたり

Tall = 500

↑学習回数を増やしてみたり

net = NN(2)

↑ 計算結果を2つ以上に増やす事もOK！

ただ、どれも増やすと学習時間かかるそうですよ💧
一旦ここで昼休みをはさみます🍽

手書き画像の識別

昼休み明け、アヤメの識別の量子コンピュータ版の講義がありました。
これは第三回と今回の内容で被ってたので、記事にするのは省きます🙇‍♀️

で、次に第二回の解説で書かれていた「手書き画像の識別」を量子コンピュータでやるそうです！(やろうと思ったけど出来なかったんで助かりますｗ)

import torchvision

画像識別用のライブラリを入れました。
MNISTのデータセットをダウンロードするとコラボラトリー上で色々とダウンロードが始まります。

手書き文字を見てみる

そのtrain_setで0番目のデータを見せてってやるとこんな画像が出てきます。
拡大されすぎてよくわかんないｗ「S」かな？🤔
皆さんは何に見えます？ｗ

答えは何？と聞くと「5」だと出てきました🫠

ニューラルネットワーク

で、これらをニューラルネットワークに入れます。
画像だと今までとちょっと違う部分も出てきました。

なんで最後10個にするのか、私もわからないんですよね…なんでだろう🤔💦
学習の部分などはアヤメと同じです！なので省きます。

結果発表

さっきの結果がひどかったけど、今回は大丈夫なのか不安や…🥲

おお！さっきよりいい感じに勉強できてるじゃん！
これは結果も期待出来そうだ！😆

正解と解答

これが正解と答案回答なんですが、さっきより量が多い＞＜
でも結構合ってませんか？NNやるやんけ！！🥳

感想

今回で４回目になり、ちょっとコードややることは見慣れてきた感じがしました！✨
あ、でも０から書くのは無理だけどねｗ

ちょっと成長したなーと思った事があって。
大関さんがYoutubeのコメントに1行ずつコード書いてくれてるんです。
でも１つ１つコピペしんどいなーと思って（コラ）
こちらの解説ページからコードをコピペさせてもらってたんです🤫

で、画像解析の方の学習の段階でエラーが出たんですよ😱ちゃんとコピペしてるのになんで？？🤨
エラー前のコードも見直してたら解説ページのコードでミスを見つけられたんですわ！！

これ！ピンク線の部分が「 x 」になってるんです。
ここの「 x 」を「 y 」にしたらエラーなく学習してくれました😇
こういうのがわかるようになったって、ちょっと成長を感じるｗ

さて、次回が講義編最終回なのかな？
最後まで頑張ります！ ﾉｼ