■■■■−■■■■■■■■■−■■■■■7以上の準備を踏まえ、データセットとしてCIFAR-■■（Krizheysky、■■■■）を用いた学習およびテスト画像に対し各種エントロピーを使って特徴を比較した実験の結果について述べる。GoogleColaboratoryの開発および実行環境で、機械学習およびエントロピー計算のプログラムを作成した。その際、用いたプログラミング言語はPythonである。また、画像処理ライブラリであるPythonImageLibrary（PIL）、数値計算ライブラリであるNumPyおよび次元圧縮アルゴリズムであるt-SNEを利用した。また学習画像として、CIFAR-■■の画像群を使用した。t-SNEは元のデータの高次元空間におけるデータ間の距離の関係をなるべく保ちつつ、次元を削減するように設計されており、データのクラスごとのまとまりを可視化する際によく用いられる。CIFAR-■■とは、乗り物や動物など■■種類のクラスの物体の画像で構成されており、データセットには■■，■■■枚の訓練データ用の画像とラベル、■■，■■■枚のテストデータ用の画像とラベルの計■■，■■■枚の画像が内包されている。また画像は幅■■×高さ■■画素のカラー画像である。このデータセットは基本的に無料で自由にダウンロードし使用できる。本研究ではCIFAR-■■を手動ではなく、PyTorch開発プロジェクトの一つであるTorchVisionを使用しダウンロードしている。本研究では、■種類のエントロピーの計算手法を用いて画像の特徴抽出を行エントロピーによる画像学習AIモデルの性能評価図■．垂直方向の■次微分カーネル■．■．実行環境■．■．エントロピーの計算手法図■．水平方向の■次微分カーネル■．実験
元のページ ../index.html#14