ℹ️Cursorコーディングエージェントにまるごと生成させたプロジェクトです。僕は一切コードを組んだりしていません。 実行して触ることができるUIはありません。プロジェクトを完全にAIに生成させるという試験的な取り組みであるためです。 MNISTでトレーニングされた数字認識CNNです。旗を押された時に予測が実行されます。現在入力として与えられているのは実際にMNIST内に存在する「9」のデータの1つです。 〈モデル情報〉 ・種類：CNN（畳み込みニューラルネットワーク） ・総パラメーター数：26138（26K） ・精度：97.66% 〈モデルアーキテクチャ概要〉 入力 (1×28×28) ↓ Conv1 + ReLU (4×28×28) ↓ MaxPool1 (4×14×14) ↓ Conv2 + ReLU (8×14×14) ↓ MaxPool2 (8×7×7) ↓ Flatten (392) ↓ FC1 + ReLU (64) ↓ FC2 (10) ↓ 予測結果 (0-9) 〈モデルアーキテクチャ詳細〉 ・入力層 28x28ピクセル 1チャンネル ・第1畳み込み層（Conv1） ・タイプ：Conv2d ・入力：28x28 1チャンネル ・出力：28x28 4チャンネル ・カーネルサイズ：3x3 ・パディング：1 ・第1ReLU活性化層 ・タイプ：ReLU ・第1最大プーリング層（Pool1） ・タイプ：MaxPool2d ・入力：28x28 4チャンネル ・出力：14x14 4チャンネル ・カーネルサイズ：2x2 ・ストライド：2 ・第2畳み込み層（Conv2） ・タイプ：Conv2d ・入力：14x14 4チャンネル ・出力：14x14 8チャンネル ・カーネルサイズ：3x3 ・パディング：1 ・第2ReLU活性化層 ・タイプ：ReLU ・第2最大プーリング層（Pool2） ・タイプ：MaxPool2d ・入力：14x14 8チャンネル ・出力：7x7 8チャンネル ・カーネルサイズ：2x2 ・ストライド：2 ・フラット化層 3次元テンソルを1次元ベクトルに変換 ・第1全結合層（FC1） ・タイプ：Linear (Dense) ・入力：392要素 ・出力：64要素 ・第3ReLU活性化層 ・タイプ：ReLU ・第2全結合層（FC2） - 出力層 ・入力：64要素 ・出力：10要素
