11. CIFAR-10

11.1 データセットの説明

CIFAR-10[23]は下記の10種類の画像データセットです。左の数字はラベルです。
(CIFAR : Canadian Institute for Advanced Research)

0. airplane（飛行機）
1. automobile（車）
2. bird（鳥）
3. cat（猫）
4. deer（鹿）
5. dog（犬）
6. frog（蛙）
7. horse（馬）
8. ship（船）
9. truck（トラック）

11.2 計算条件の考察

11.2.1 自作CNN

図11-2にCNN6を共通としてチャンネル数を変えたときの正解率を示します。
128chと192chはほぼ同じであり、64chに勝ります。
図11-2に128chを共通としてCNN4/CNN6/CNN8と変えたときの正解率を示します。
CNN6とCNN8はほぼ同じであり、CNN4に勝ります。
以上から自作CNNでは"CNN6 128ch"以上が必要です。
最高の正解率は91.35%です。

11.2.2 自作ResNet

図11-4に自作ResNetの正解率を示します。
()内はブロック数とチャンネル数です。
図からブロック数やチャンネル数を増やしても正解率は90%止まりであり、 自作CNNに1%程度劣ることがわかります。

11.2.3 公開ResNet（重みなし）

図11-5に公開ResNet（重みなし）の正解率を示します。
図からネットワークを深くしても正解率は88%止まりであり、 自作CNNに3%程度劣ることがわかります。

11.2.4 公開ResNet（重みあり）

図11-6に公開ResNet（重みあり）の正解率を示します。
最適化されたパラメーターからの追加学習なので少ないエポック数で収束します。
ネットワークを深くすると正解率が上がることがわかります。
正解率は自作CNNや他のモデルと比べて大幅に上がります。
CIFAR-10において高い正解率を得るには、 ネットワークを深くすると同時に過学習を防ぎながらパラメーターを高度にチューニングすることが必要です。

図11-7にResNet50（重みあり）においてパラメーターを変えたときの正解率を示します。
Resize=224, lr=0.002のとき正解率が高くなり最高97.65%になります。

11.3 計算結果

図11-8にテスト結果を示します。テストデータは最初の400個です。 赤字は上が正解、下が誤回答です。

図11-9に誤回答の最初の200個を示します。

図11-10にラベル別の正解率を示します。"犬,猫"の正解率が低いことがわかります。