メインコンテンツへスキップ

6.8.1 深層学習プロジェクトロードマップ：学習、確認、パッケージ化

この小章は第6章の出口です。深層学習プロジェクトは学習スクリプトだけではありません。データ証拠、shape 確認、loss ログ、予測サンプル、失敗例、README が必要です。

まずプロジェクトループを見る​

深層学習プロジェクトポートフォリオロードマップ

深層学習プロジェクト学習レビューループ

データセット -> モデル -> 学習ログ -> 評価 -> 失敗例 -> パッケージ化

証拠記録を1つ残す​

dl_project_evidence_first_loop.py を作ります。

evidence = {
    "task": "image classification",
    "baseline_accuracy": 0.71,
    "current_accuracy": 0.82,
    "failure_case_count": 5,
    "next_step": "inspect confused classes and add augmentation",
}

print("task:", evidence["task"])
print("improvement:", round(evidence["current_accuracy"] - evidence["baseline_accuracy"], 3))
print("failure_case_count:", evidence["failure_case_count"])
print("next_step:", evidence["next_step"])

出力：

task: image classification
improvement: 0.11
failure_case_count: 5
next_step: inspect confused classes and add augmentation

これがプロジェクト習慣です。改善には baseline、指標、失敗証拠、次の一手が必要です。

この順番で学ぶ​

順番読む提出するもの
16.8.2 画像分類データセット、CNN/転移 baseline、予測サンプル
26.8.3 感情分析テキスト処理、学習ログ、エラー例
36.8.4 生成実践生成サンプルとレビュー記録
46.8.5 DL 実践ワークショップ再現可能な PyTorch 証拠パック

プロジェクト成果物基準​

少なくとも1つのプロジェクトで、README.md、実行コマンド、データセットメモ、モデル概要、loss 曲線またはログ、指標表、予測サンプル、失敗例、次の計画を残します。

合格ライン​

別の学習者がプロジェクトを実行し、学習証拠を確認し、成功例と失敗例を見て、次に何を改善するか理解できれば合格です。