ニューラルネットワークを使った画像認識を行い、色々なパラメータで
正解率がどのように変わるのか試してみた。
１．背景
機械学習では、codExaさんに大変お世話になりました（無料講座）。
そこに下記の有料講座があり、面白そうだったので申し込んでみた。
最後にレントゲン写真から肺炎の有無を判定する事例があり、
ニューラルネットワークを使っていた。そこで気になった記述(*1)があり、
自分で色々試してみる事にした。
(*1)”一概に「正しい構造のCNN」はありません。データの特性に応じて「正解」は異なります。
CNNのハイパーパラメータを調整して、扱っているデータセットに対して最も適切な構造の
CNNモデルを構築することが重要です。 ” （5.3 CNNモデル訓練 の末尾文章）
２．基本形
上記チュートリアルのCNN基本形は以下の通りである。
（１）入力データは64×64画素で３チャネル（カラーなのでRGBの３種類) ：上図左端の黒い直方体
（２）上記を畳み込み演算(*2)して特徴量を抽出：上図左端の青い三角線
抽出した結果の出力データ(*3)：上図左から２番目の黒い直方体
(*2)フィルタサイズが３ｘ３、それを移動する距離（スライドサイズ）が縦横とも１、フィルタ数が９６
(*3)データ量は、（入力データ数ーフィルタサイズ）÷スライドサイズ＋１＝６２の２乗（縦横）になり、
更にフィルタ数９６を掛けたものになる。
（３）上記の出力データを圧縮(*4)：上記構造図左から２番目の青い三角線
圧縮した結果の出力データ(*5)：上記構造図左から３番目の黒い直方体
(*4)プーリングサイズ（下図左側の網掛け部分）２ｘ２、
それを移動する距離（スライドサイズ）が縦横とも２
(*5)データ量は、（入力データ数ープーリングサイズ）÷スライドサイズ＋１＝３１の２乗（縦横）になり、
更にフィルタ数９６を掛けたものになる（フィルタ方向は圧縮なし）。
（４）上記の３次元データを全て結合して１次元にしたもの(*6)：上記構造図右から３番目の黒い長方形
(*6)３１×３１×９６＝９２２５６
（５）上記データを更に全て結合して適度な数にしたもの：上記構造図右から２番目の黒い長方形
（６）上記データを基に肺炎の有無（１なら有り、０なら無し）を判定した結果：上記構造図の右端
次回へつづく
そこで、パラメータを色々変えて試してみることにした。
しかし、高い正解率を得る為には内容を理解する必要はある（機械学習には色々方法があり、
ニューラルネットワークも色々なモデルがあるので、どれが最適化を判断する為）。
今回は、内容の理解は棚上げして、CNNでどこまで正解率が変わるかを試す事が
目的である。そもそも、機械学習は難しい・・・。