oikakerublogの日記

知識ゼロから色々しらべてみた話し

Python import文について

f:id:oikakerublog:20170724124339p:plain
◆import sysって?
・sysモジュール(様々な変数や関数が含まれている)をインポートしている。sysモジュール以下すべての変数&関数を“sys.を先頭に付ける形で利用できるようする。
・ちなみにimport文は、import {.pyを除いたファイル名}構文

>>>import sys


◆たとえばどんな感じ?

☞ print(sys.path)
・sys.pathはpythonパス(PYTHONPATH)をリストにして返す。絶対パスの文字列リスト。
・「path 変数は、モジュール検索パス、すなわちPythonがモジュールのインポート時にモジュールの検索対象とするディレクトリーのリストです。1個目の空文字列'' は、カレント・ディレクトリーを表します。」@IBMウェブサイト

>>>print(sys.path)


☞ print(sys.version)
・pythonやanacondaのバージョンを表示。

>>>print(sys.version)


◆とりあえず手を動かして"import"に慣れるコード書いてみる

f:id:oikakerublog:20170725002501p:plain
●目的:
・mainプログラムにmoduleプログラムを読み込んで動かす
・天気予報をランダムに表示 (O'REILLY入門Python3の139ページ)

f:id:oikakerublog:20170724235327p:plain

●予め用意するmoduleプログラム
・文字列のリストからランダムに1つを選択。
・tenkiyosoku.pyという名前で所定のディクトリに保存。
・なお、 randomモジュール&choice関数はputhon標準

def get_yosoku():
    from random import choice
    possibilities = ['晴れ','雨','曇り','雪']
    return choice(possibilities)

●mainプログラム
・moduleプログラムにアクセスし、その中のget_yosoku()関数を実行する。
・一行目を過ぎ一旦インポートされてしまえば、[moduleプログラム]名のプリフィックスを付けてmoduleプログラムの全ての部分にアクセスできる。

import tenkiyosoku

description = tenkiyosoku.get_yosoku()

print('実行のたびランダムに天気表示するよ:', description)

結果:
f:id:oikakerublog:20170725000005p:plain

◆ Memo:
・sys.path…中身はリスト。os.path…モジュール。
・参考にしたサイト IBMウェブサイト
https://www.ibm.com/developerworks/jp/linux/library/l-pyint/index.html

(2017.7.24.)

Tensorflow ORゲートのモデルの機械学習(詳解デープラーニング3章)

f:id:oikakerublog:20170708150244p:plain

◆目的:
・ORゲートの分離境界モデルを学習させる
・巣籠本(2017)の93ページ~

◆ORゲート
・いずれか一方の入力が1であれば、出力が1となる回路。

f:id:oikakerublog:20170717191625p:plain

・大まかな流れ

f:id:oikakerublog:20170717192051p:plain

◆実装:
(1)まずいつもの

import numpy as np
import tensorflow as tf

(2)パラメータの定義
・こんな感じ

f:id:oikakerublog:20170717193239p:plain

x = tf. placeholder(tf.float32, shape=[None, 2])
w = tf.Variable(tf.zeros([2,1]))
b = tf.Variable(tf.zeros([1]))
y = tf.nn.sigmoid(tf.matmul(x,w) + b)

tf. set_random_seed(0)#乱数シード

(3)学習のときに使うパラメータt

t = tf.placeholder(tf.float32, shape=[None, 1])

(4)誤差関数は交差エントロピー

cross_entropy  = - tf.reduce_sum(t * tf.log(y) + (1 -t) * tf.log(1-y))

(5)学習の式

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(cross_entropy)

(6)予測

correct_prediction = tf.equal(tf.to_float(tf.greater(y,0.5)),t)

(7)X,Y

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
Y = np.array([[0], [1], [1], [1]])

(8)初期化

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

(9)学習、200回まわす
・Tensorflowでは、Sessionで計算を実施

for epoch in range(200):
    sess.run(train_step, feed_dict={
        x: X,
        t: Y
    })

(10)学習結果の確認
・evalは発火/非発火の分類確認
⇔ tf.Variableの変数の値はevalでなくsess.run()で取得

classified = correct_prediction.eval(session=sess, feed_dict={
    x: X,
    t: Y
})
prob = y.eval(session=sess, feed_dict={
    x: X
})

print('classified:')
print(classified)
print()
print('output probability:')
print(prob)

(11)結果はこんな感じ↓
f:id:oikakerublog:20170717194926p:plain

・学習されたパラメータを確認
 縦ベクトルwの中の値2つが下記のように学習されたことが確認可能。

print('w:', sess.run(w))

→ w: [[ 3.61188436]
  [ 3.61188436]]

◆Memo:
・パラメータbの値…print('b:', sess.run(b))で確認できる。

◆キーワード:
ORゲート、分離境界、ランダム、乱数データ、学習率、学習されたパラメータの確認

** 以上 **

(2017.7.17.)

Matplotlibに慣れる(データのプロット、グラフ表示etc)

f:id:oikakerublog:20170711130847p:plain
◆目的:
データのプロットやグラフを表示する

◆練習いろいろ
1. グラフの表示etc
(1)10個の乱数データを生成してグラフにプロットする。

import numpy as np
import matplotlib.pyplot as plt

・乱数の生成、分散図、ラベル

x = np.random.rand(10)
y = np.random.rand(10)

plt.scatter(x, y)
plt.xlabel("X"), plt.ylabel("Y")

plt.show()

f:id:oikakerublog:20170711131309p:plain
(2)折れ線
・分散図 scatterではなく、次のようにすると折れ線になる。

plt.plot(x, y)
plt.show()

f:id:oikakerublog:20170711132301p:plain

2. 数式→表示
(1)1次関数

def formura(x):  
    return 2*x + 50

x = np.arange(-10.0, 10.0, 1.0) #マイナス10からプラス10まで1刻み
y = formura(x)

plt.plot(x,y)
plt.show()

f:id:oikakerublog:20170711135528p:plain
(2)アークタンジェント

x = np.arange(-10, 10, 0.1)
y = np.arctan(x)

plt.plot(x, y)

f:id:oikakerublog:20170711141229p:plain


**追加予定**


◆Memo:
(1)jupyter notebookでノート上にグラフ表示
・インライン表示の一文をいれておく

%matplotlib inline

◆キーワード:
python、matplotlib、pandas、データプロット、データ表示、分散図、グラフ

Chainer インストール〜サンプルプログラムの実行

【MacOS、Sierra、Chainer、wget1.16、インストール】

f:id:oikakerublog:20170706192912p:plain

◆ 目的(その1):
Chainerをインストールしてサンプルプログラムを動かすところまで。

1. Chainerをインストール
・chainer 2.0.0

$ pip install chainer

2. Chainer公式サンプルプログラムを実行
(1)サンプルプログラム実行のコマンドにwgetというのが出てくるけど、mac ターミナルでは”wget”コマンドが使えないようなので対処

まず、wgetが既に入っているかを確認。

$ which wget

→ 対処
・Homebrewのインストール(公式ホームページ)

$ /usr/bin/ruby -e "$(curl -fsSL https://
   raw.githubusercontent.com/Homebrew/install/master/install)"

以下がインストールされる
/usr/local/share/doc/homebrew
/usr/local/share/man/man1/brew.1
/usr/local/share/zsh/site-functions/_brew
/usr/local/etc/bash_completion.d/brew
/usr/local/Homebrew

・brew install でwgetを入れる

$ brew install wget

⇒ 解決

(2)Chainer公式のサンプルプログラム実行
・MNISTの識別のプログラムらしい..

wget https://github.com/pfnet/chainer/archive/v2.0.0.tar.gz
tar xzf v2.0.0.tar.gz
python chainer-2.0.0/examples/mnist/train_mnist.py

MacBookAirではエポックを回すのにかなり時間がかかるけど、一応、少しずつ精度が上がっていっている模様。

f:id:oikakerublog:20170706204648p:plain

**以上**

※ 参考にしたサイト
Homebrew — macOS 用パッケージマネージャー
Macにwgetコマンドをインストールしてみる - kengo92iの日記


◆ 目的(その2):
・WindowsにChainerをインストールする
f:id:oikakerublog:20170725235915p:plain
→ 仮想環境VirturalBoxにUbuntuを入れて実行する とのこと

   (追記予定...)

Tensorflow ロジスティック回帰による二項分類器(マイナビ本参考)

f:id:oikakerublog:20170708150244p:plain

f:id:oikakerublog:20170706193212p:plain

◆ 目的:
ウィルスの感染を分類する、したい。

◆ キーワード:
ロジスティック回帰、二項分類器、境界線、直線、確率0.5、シグモイド関数、データのランダム生成、確率の最大化、最尤推定法、統計学、誤差関数、log、pandas、DateFrame、行列T、ブロードキャスト、グラフの描画、濃淡、スパム、感染非感染、学習


・まずは、インポート・準備

# ロジスティック回帰の二項分類器、65頁参考

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 乱数を使ってデータ生成、pandasのデータフレームとして格納

from numpy.random import multivariate_normal, permutation
import pandas as pd
from pandas import DataFrame, Series

・感染データ/非感染データを作る

# データを用意
# 感染していないデータ(t=0)の生成

np.random.seed(20170602)

n0, mu0, variance0 = 20, [10, 11], 20
data0 = multivariate_normal(mu0, np.eye(2)*variance0 ,n0)
df0 = DataFrame(data0, columns=['x1','x2'])
df0['t'] = 0

# 感染しているデータ(t=1)の生成
n1, mu1, variance1 = 15, [18, 20], 22
data1 = multivariate_normal(mu1, np.eye(2)*variance1 ,n1)
df1 = DataFrame(data1, columns=['x1','x2'])
df1['t'] = 1

df = pd.concat([df0, df1], ignore_index=True)

# データセット
# 上で生成したデータを表示して内容を確認、35コのサンプルデータ

train_set = df.reindex(permutation(df.index)).reset_index(drop=True)
train_set


f:id:oikakerublog:20170602125115p:plain

・変数を定義

# Tensorflowで計算できるようにデータを変形
# numpyのarrayオブジェクトとして変数に格納
# X・・・(x1n、x2n)の行列 、 t・・・正解ラベル

train_x = train_set[['x1','x2']].as_matrix()
train_t = train_set['t'].as_matrix().reshape([len(train_set),1])

# Step1_予測のための数式定義
# 確率Pを行列形式で計算
# f = x*w + w0
# 入力データは35行2列 but Noneでサイズ規定
# wは、w = (w1,w2)T 転置 ・・・横のw1、w2を縦に並べている 2行1列
# w0は、ブロードキャスト・・・1次元リストでも足せる
# tf.sigmoidはそれぞれの入力に対するシグモイド関数の一次元リスト

x = tf.placeholder(tf.float32, [None, 2])
w = tf.Variable(tf.zeros([2,1]))
w0 = tf.Variable(tf.zeros([1]))

f = tf.matmul(x,w) + w0

p = tf.sigmoid(f)

・誤差関数を定義

# Step2_誤差関数定義
# 数式自体は-logPを掛け合わていくような複雑なやつ,Σで表現@p70
# tf. reduce_sumは和集約

t= tf.placeholder(tf.float32, [None, 1])
loss = -tf.reduce_sum(t*tf.log(p) + (1-t)*tf.log(1-p))

# アダムオプティマイザーで上で定義したloss関数を最小化していく

train_step = tf.train.AdamOptimizer().minimize(loss)

・予測

# 正解or不正解の分別 Pn>=0.5であればt=1
#  tf.sign  符号を取り出す関数
# tf.equal  引数が等しいかを判定する関数 Bool値を返す
# ブロードキャストルールによって、Bool値の縦ベクトルが生成される

correct_prediction = tf.equal(tf.sign(p-0.5), tf.sign(t-0.5))

# tf.cast  Bool値を1,0の値に変換
# tf.reduce_mean  ベクトルの各成分の平均値、正解なら1、不正解なら0

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# パラメータの最適化
sess = tf.Session()
sess.run(tf.global_variables_initializer())

・勾配降下法

# 勾配降下法 20000回繰り返し

i = 0
for _ in range(20000):
    i += 1
    sess.run(train_step, feed_dict={x:train_x, t:train_t})
    
    if i % 2000 == 0:
        loss_val, acc_val = sess.run([loss, accuracy], feed_dict={x:train_x, t:train_t})
        print('Step: %d, Loss %f, Accuracy: %f' % (i, loss_val, acc_val))

(out)
Step: 2000, Loss 16.098034, Accuracy: 0.857143
Step: 4000, Loss 12.176691, Accuracy: 0.885714
Step: 6000, Loss 9.802266, Accuracy: 0.914286
Step: 8000, Loss 8.280571, Accuracy: 0.914286
Step: 10000, Loss 7.283283, Accuracy: 0.914286
Step: 12000, Loss 6.632703, Accuracy: 0.914286
Step: 14000, Loss 6.220951, Accuracy: 0.914286
Step: 16000, Loss 5.976564, Accuracy: 0.914286
Step: 18000, Loss 5.848728, Accuracy: 0.914286
Step: 20000, Loss 5.797661, Accuracy: 0.942857

# Variableの値を取得
# w0・・・1要素のみのリスト
# w ・・・2行1列の行列
# [0][0]は一行目を取り出し、[1][0]は2行目を取り出し

w0_val, w_val = sess.run([w0, w])
w0_val, w1_val, w2_val = w0_val[0], w_val[0][0], w_val[1][0]

print (w0_val, w1_val, w2_val)
-14.9617 0.322867 0.617867

# 結果をグラフに表示
# 境界線は、P(x1,x2)=0.5 の確率
# シグモイド関数はロジスティック関数とも。ロジスティック回帰。

#トレーニングセットのデータからt=0、1のデータを個別に取出し

train_set0 = train_set[train_set['t']==0]
train_set1 = train_set[train_set['t']==1]

# 散布図の記号etc

fig = plt.figure(figsize=(6,6))
subplot = fig.add_subplot(1,1,1)
subplot.set_ylim([0,30])
subplot.set_xlim([0,30])
subplot.scatter(train_set1.x1, train_set1.x2, marker='x')
subplot.scatter(train_set0.x1, train_set0.x2, marker='o')

・グラフの細かい描画設定

# 境界線の直線の描画

linex = np.linspace(0,30,10)
liney = - (w1_val*linex/w2_val + w0_val/w2_val)

subplot.plot(linex, liney)

# 確率の変化を濃淡で示す
# (x1,x2)平面を100x100のセルに分割
# それぞれのセルの確率P(x1、x2)の値を2次元リスト filedに格納 濃淡表示

field = [[(1 / (1 + np.exp(-(w0_val + w1_val* x1 + w2_val*x2))))
         for x1 in np.linspace(0,30,100)]
        for x2 in np.linspace(0,30,100)]

subplot.imshow(field, origin= 'lower', extent = (0,30,0,30), cmap=plt.cm.gray_r, alpha=0.5)

plt.show()

Tensorflow 身長・体重・BMIの学習(ソシム本、218ページ)

# 2017-5-21 ソシム スクレイピング本
# 218ページ〜 BMI計算、CSVファイル
# 予め用意したCSVファイルを使って、BMI分類を学習
# 交差エントロピ、ソフトマックス、勾配法

import pandas as pd
import numpy as np
import tensorflow as tf

# 身長,体重,ラベルのCSVデータを読み出す 
# pandas でCSVファイル読み出し
csv = pd.read_csv("bmi.csv")

# データを正規化 、0〜1に
csv["height"] = csv["height"] / 200
csv["weight"] = csv["weight"] / 100

# ラベルを三次元のクラスで表す --- (※3)
# 痩せ、普通、肥満を3つの三次元クラスデータで表す
# thin=(1,0,0) / normal=(0,1,0) / fat=(0,0,1)

bclass = {"thin": [1,0,0], "normal": [0,1,0], "fat": [0,0,1]}
csv["label_pat"] = csv["label"].apply(lambda x : np.array(bclass[x]))

# 正解率を求めるためにテストデータを準備 
# 2万件のうち末尾5000件をテストデータにする

test_csv = csv[15000:20000]
test_pat = test_csv[["weight","height"]]
test_ans = list(test_csv["label_pat"])

# データフローグラフを構築する
# データを入れるプレースホルダを宣言

x  = tf.placeholder(tf.float32, [None, 2]) # 身長,体重のデータを入れる
y_ = tf.placeholder(tf.float32, [None, 3]) # 答えのラベルを入れる

# 変数を宣言 --- (※6)
W = tf.Variable(tf.zeros([2, 3])); # 重み
b = tf.Variable(tf.zeros([3])); # バイアス

# ソフトマックス回帰を定義 
# y=softmax(Wb+b)
y = tf.nn.softmax(tf.matmul(x, W) + b)

# モデルを訓練する
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

# 降下法でWやbを学習する、tfに用意されているもの
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(cross_entropy)

# 正解率を求める
# 誤差関数:交差エントロピー
# SummaryWriter

predict = tf.equal(tf.argmax(y, 1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(predict, tf.float32))

# セッションを開始
sess = tf.Session()
sess.run(tf.global_variables_initializer()) #変数を初期化

# テストデータを用いて学習させる、100件ずつ3500回学習
# 最初30%くらいの正解率が、95%くらいまで向上

print("- トレーニング中 -")

for step in range(3500):
    i = (step * 100) % 14000
    rows = csv[1 + i : 1 + i + 100]
    x_pat = rows[["weight","height"]]
    y_ans = list(rows["label_pat"])
    fd = {x: x_pat, y_: y_ans}
    sess.run(train, feed_dict=fd)
    if step % 500 == 0:
        cre = sess.run(cross_entropy, feed_dict=fd)
        acc = sess.run(accuracy, feed_dict={x: test_pat, y_: test_ans})
    
        print("step=", step, "cre=", cre, "acc=", acc)

# =>
- トレーニング中 -
step= 0 cre= 109.101 acc= 0.3084
step= 500 cre= 52.4673 acc= 0.8688
step= 1000 cre= 46.4283 acc= 0.9226
step= 1500 cre= 38.8364 acc= 0.9472
step= 2000 cre= 35.4385 acc= 0.9588
step= 2500 cre= 31.0386 acc= 0.9494
step= 3000 cre= 31.2941 acc= 0.9532

# 最終的な正解率を求める

acc = sess.run(accuracy, feed_dict={x: test_pat, y_: test_ans})

print("正解率=", acc)
# =>
正解率= 0.966

Tensorflow オートエンコーダでmnistを学習(Qiita記事を見ながら..)

f:id:oikakerublog:20170708150244p:plain

◆目的:
・mnistデータをオートエンコーダで学習してみる。

f:id:oikakerublog:20170711201144p:plain

◆キーワード:
・Tensorflow、オートエンコーダ、エンコード/デコード、mnist

・まず読込み。tensorflowのチュートリアル。mnistデータをダウンロード。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

・ニューラルネットワークの構造、ハイパーパラメータを決める。

h = 50
batch_size = 100
dropout_rate = 0.5

・重みやバイアスの定義

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

・入力層を定義、データが入るところなので”placeholder”で。

x = tf.placeholder(tf.float32, [None, 784])

・隠れ層(W、b1)

W = weight_variable((784, h))
b1 = bias_variable([h])

・隠れ層の活性化関数はソフトサイン関数

h = tf.nn.softsign(tf.matmul(x, W) + b1)
keep_prob = tf.placeholder("float")
h_drop = tf.nn.dropout(h, keep_prob)

・出力層、変数、W2は転置、ReLu関数
・tf.transposeの例 こんな感じで行↔列が入れ替えられる

f:id:oikakerublog:20170710161829p:plain

W2 = tf.transpose(W)
b2 = bias_variable([784])

y = tf.nn.relu(tf.matmul(h_drop, W2) + b2)

・損失関数

loss = tf.nn.l2_loss(y - x) / batch_size

・adamオプティマイザー、初期化、

train_step = tf.train.AdamOptimizer().minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

・トレーニング

for step in range(5000):
    batch_xs, batch_ys = mnist.train.next_batch(batch_size)
    sess.run(train_step, feed_dict={x: batch_xs, keep_prob: (1-dropout_rate)})
    
    # Collect Summary
    summary_op = tf.merge_all_summaries()
    
    # Print Progress
    if step % 200 == 0:
        print(loss.eval(session=sess, feed_dict={x: batch_xs, keep_prob: 1.0}))

⇒ 問題!
”module 'tensorflow' has no attribute 'merge_all_summaries'”のエラー

⇒ 対処
・記述を一部修正

 tf.summary.merge_all

実行すると、誤差関数の値が順次更新(下がっていく)

 38.9383
 11.8077
 9.61637

 …略…

 6.01636
 6.32462
 5.61356

・結果の出力

N_COL = 5
N_ROW = 1

plt.figure(figsize=(N_COL, N_ROW*2.5))
batch_xs, _ = mnist.train.next_batch(N_COL*N_ROW)
for row in range(N_ROW):
    for col in range(N_COL):
        i = row*N_COL + col
        data = batch_xs[i:i+1]

        # Draw Input Data(x)
        plt.subplot(2*N_ROW, N_COL, 2*row*N_COL+col+1)
        plt.imshow(data.reshape((28, 28)), cmap="gray", clim=(0, 1.0), origin='upper')
        plt.tick_params(labelbottom="off")
        plt.tick_params(labelleft="off")

        # Draw Output Data(y)
        plt.subplot(2*N_ROW, N_COL, 2*row*N_COL + N_COL+col+1)
        y_value = y.eval(session=sess, feed_dict={x: data, keep_prob: 1.0})
        plt.imshow(y_value.reshape((28, 28)), cmap="gray", clim=(0, 1.0), origin='upper')
        plt.tick_params(labelbottom="off")
        plt.tick_params(labelleft="off")

plt.savefig("result.png")
plt.show()

f:id:oikakerublog:20170711185518p:plain

**以上**

◆ 参考にした記事
http://qiita.com/mokemokechicken/items/8216aaad36709b6f0b5c

Python MLP 3層ニューラルネットワークの実装(Qiita記事を見ながらの写経)

◆ 参考とした記事「ディープじゃないディープラーニングをNumPyのみで超簡単実装してみた」
☞ フィッシャーのあやめデータセット使用する。
 ※3種類のあやめに関し、ガクの長さ、幅、花弁の長さ、幅等を測定したデータ
f:id:oikakerublog:20170519140847p:plain

# Qiita ディープじゃないディープラーニング
# 2017-5-19 numpyMLPでアイリスデータを学習

import numpy as np

# ハイパーパラメータ

TRAIN_DATA_SIZE = 50  # 150個のデータのうちTRAIN_DATA_SIZE個を訓練データとして使用。残りは教師データとして使用。
HIDDEN_LAYER_SIZE = 6  # 中間層(隠れ層)のノード数(1層なのでスカラー)
LEARNING_RATE = 0.1  # 学習率
ITERS_NUM = 1000  # 繰り返し回数
DELTA = 0.01

# データを読み込み
# デフォルトで'#'の行を飛ばすようになっている

x = np.loadtxt('iris.tsv', delimiter='\t', usecols=(0, 1, 2, 3))
raw_t = np.loadtxt('iris.tsv', dtype=int, delimiter='\t', usecols=(4,))
onehot_t = np.zeros([150, 3])
for i in range(150):
    onehot_t[i][raw_t[i]] = 1

train_x = x[:TRAIN_DATA_SIZE]
train_t = onehot_t[:TRAIN_DATA_SIZE]
test_x = x[TRAIN_DATA_SIZE:]
test_t = onehot_t[TRAIN_DATA_SIZE:]

# 重み・バイアス初期化
W1 = np.random.randn(4, HIDDEN_LAYER_SIZE) * np.sqrt(2 / 4)  # Heの初期値(ReLUのときはこれを使う)
W2 = np.random.randn(HIDDEN_LAYER_SIZE, 3) * np.sqrt(2 / HIDDEN_LAYER_SIZE)
b1 = np.zeros(HIDDEN_LAYER_SIZE)  # 初期値ゼロ ※ゼロから作るDeep Learningを見てこうしたので理由はわからない
b2 = np.zeros(3)

# ReLU関数
def relu(x):
    return np.maximum(x, 0)

# Softmax関数
def softmax(x):
    e = np.exp(x - np.max(x))
    if e.ndim == 1:
        return e / np.sum(e, axis=0)
    elif e.ndim == 2:
        return e / np.array([np.sum(e, axis=1)]).T
    else:
        raise ValueError

# 交差エントロピー誤差
def cross_entropy_error(y, t):
    if y.shape != t.shape:
        raise ValueError
    if y.ndim == 1:
        return - (t * np.log(y)).sum()
    elif y.ndim == 2:
        return - (t * np.log(y)).sum() / y.shape[0]
    else:
        raise ValueError

# 順伝搬
def forward(x):
    global W1, W2, b1, b2
    return softmax(np.dot(relu(np.dot(x, W1) + b1), W2) + b2)

# テストデータの結果
test_y = forward(test_x)
print((test_y.argmax(axis=1) == test_t.argmax(axis=1)).sum(), '/', 150 - TRAIN_DATA_SIZE)

# =>
35 / 100

# 学習ループ
for i in range(ITERS_NUM):
    # 順伝搬withデータ保存
    y1 = np.dot(train_x, W1) + b1
    y2 = relu(y1)
    train_y = softmax(np.dot(y2, W2) + b2)

    # 損失関数計算
    L = cross_entropy_error(train_y, train_t)

    if i % 100 == 0:
        print(L)

    # 勾配計算
    # 計算グラフで求めた式を使用
    a1 = (train_y - train_t) / TRAIN_DATA_SIZE
    b2_gradient = a1.sum(axis=0)
    W2_gradient = np.dot(y2.T, a1)
    a2 = np.dot(a1, W2.T)
    a2[y1 <= 0.0] = 0
    b1_gradient = a2.sum(axis=0)
    W1_gradient = np.dot(train_x.T, a2)

    # パラメータ更新
    W1 = W1 - LEARNING_RATE * W1_gradient
    W2 = W2 - LEARNING_RATE * W2_gradient
    b1 = b1 - LEARNING_RATE * b1_gradient
    b2 = b2 - LEARNING_RATE * b2_gradient

# =>
7.67570464895
0.393484233191
0.282570757345
0.197404306772
0.131109443642
0.0944027334525
0.069999080593
0.0396633772518
0.0309149715653
0.0261644638179

# 最終訓練データのL値
L = cross_entropy_error(forward(train_x), train_t)
print(L)

# テストデータの結果、正解率

test_y = forward(test_x)
print((test_y.argmax(axis=1) == test_t.argmax(axis=1)).sum(), '/', 150 - TRAIN_DATA_SIZE)
0.022632216217

# =>
97 / 100

Python 手書き文字mnistに触ってみる(その2)

◆Scikit learnの8x8digitを触ってみる @ 2017-5-14

# Scikit learnではじめる機械学習 p.223@Pythonの教科書
# Scikit learnは予めダウンロード      2017-5-14

from sklearn import datasets
# sklのデータセット読込み
digits = datasets.load_digits()

# imageプロパティ、、、画像のピクセルデータ
print(digits.images[15])
# targetプロパティ、、、ラベル情報
print('正解ラベル -', digits.target[15])

# とりあえず1つ選ぶ これを下で描画
selecteddata = digits.images[5]


# 描画コード、cm ??
# plt.imshow(対象データ、形状、cmap、インターポレーション)

from matplotlib import pyplot as plt, cm

plt.imshow(selecteddata.reshape(8,8), cmap=cm.gray_r, interpolation='nearest')
plt.show()

[[ 0. 5. 12. 13. 16. 16. 2. 0.]
[ 0. 11. 16. 15. 8. 4. 0. 0.]
[ 0. 8. 14. 11. 1. 0. 0. 0.]
[ 0. 8. 16. 16. 14. 0. 0. 0.]
[ 0. 1. 6. 6. 16. 0. 0. 0.]
[ 0. 0. 0. 5. 16. 3. 0. 0.]
[ 0. 1. 5. 15. 13. 0. 0. 0.]
[ 0. 4. 15. 16. 2. 0. 0. 0.]]
正解ラベル - 5
f:id:oikakerublog:20170514190511p:plain

Python ど基本(その2)

◆関数の基本
(1)かけ算をする関数

def mul(a,b):
    '''かけ算の関数''' # docstring
    return a * b

print(mul(3,4)) 

=> 12

(2)円の面積を計算する関数

#関数の基本と引数、リターン
def circle(radius):
    
    result = radius * radius * 3.14
    
    return result

circle(10)

# circle関数の引数に10を代入
# circle(10)まで読むと即計算、314.0をoutする。

=> 314.0

TensorFlow 触りはじめ

◆tensorflow動作テスト用のプログラム

(1)”Hello World!”を表示させる

import tensorflow as tf

hello = tf.constant('hello World!')
sess = tf.Session()

print(sess.run(hello))

(2)単純な行列計算をするプログラム

# XとYの積を求めるプログラム
import tensorflow as tf

X = tf.constant([[3.,3.]]) 
Y = tf.constant([[2.],[2.]])

# XとYの積を計算するノードを作成
node = tf.matmul(X, Y)

# 実行する
sess = tf.Session()
result = sess.run(node)

print(result) # [[12.]]

(3)mnistデータからランダムに10個取り出し、表示する

# tensorflowでmnistデータをさわる、10個ランダム抽出、表示
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

# 10個のデータを取り出す、変数mnistのメソッド
images, labels = mnist.train.next_batch(10)

# 1つ目のデータ内容を表示、ラベル&中身
print(labels[0])
print(images[0])

#  取り出した10個を画像として表示
fig = plt.figure(figsize=(8,4))
for c, (image, label) in enumerate(zip(images, labels)):
    subplot = fig.add_subplot(2,5,c+1)
    subplot.set_xticks([])
    subplot.set_yticks([])
    subplot.set_title('%d' % np.argmax(label))
    subplot.imshow(image.reshape((28,28)), vmin=0,vmax=1, cmap=plt.cm.gray_r, interpolation="nearest")
plt.show()

# Extracting /tmp/data/train-images-idx3-ubyte.gz
# Extracting /tmp/data/train-labels-idx1-ubyte.gz
# Extracting /tmp/data/t10k-images-idx3-ubyte.gz
# Extracting /tmp/data/t10k-labels-idx1-ubyte.gz
# [ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]
# [ 0.          0.          0.          0.          0.          0.          0.

f:id:oikakerublog:20170505223703p:plain

・”imshow”メソッド・・・画像を表示
・”cmap=plt.cm.gray_r”・・・グレースケールで表示
・”vmin””vmax”・・・濃度の最大値/最小値、濃淡を適切に調整
・”interpolation="nearest"”・・・画像を滑らかに表示する機能を無効化

(4)Tensorflowでmnistのトレーニング、正解&不正解のサンプルを表示

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

np.random.seed(20160604) 
mnist = input_data.read_data_sets("temp/data",one_hot=True)

# ある領域に属する確率を計算する数式の実装
x = tf.placeholder(tf.float32, [None, 784])

w = tf.Variable(tf.zeros([784,10]))
w0 = tf.Variable(tf.zeros([10]))

f = tf.matmul(x, w) + w0
p = tf.nn.softmax(f)

# 誤差関数
t = tf.placeholder(tf.float32,[None, 10])
loss = -tf.reduce_sum(t * tf.log(p))
train_step = tf.train.AdamOptimizer().minimize(loss)
# 正解率の関係式
correct_prediction = tf.equal(tf.argmax(p, 1), tf.argmax(t, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 正解率の関係式
correct_prediction = tf.equal(tf.argmax(p, 1), tf.argmax(t, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 勾配効果法、2000回、誤差関数、正解率
i = 0
for _ in range (2000):
    i += 1
    batch_xs, batch_ts = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, t: batch_ts})
    if i % 100 == 0:
        loss_val, acc_val = sess.run([loss,accuracy], feed_dict={x:mnist.test.images, t:mnist.test.labels})
        print('Step: %d, Loss: %f, Accuracy: %f' % (i, loss_val, acc_val))
# 正解した文字と不正解だった文字のサンプルを表示
images, labels = mnist.test.images, mnist.test.labels
p_val = sess.run(p, feed_dict={x:images, t: labels})

fig = plt.figure(figsize=(8,15))

for i in range(10):
    c = 1
    for (image, label, pred) in zip(images, labels, p_val):
        prediction, actual = np.argmax(pred), np.argmax(label)
        if prediction != i:
            continue
        if (c < 4 and i == actual) or (c >=4 and i != actual):
            subplot = fig.add_subplot(10,6,i*6+c)
            subplot.set_xticks([])
            subplot.set_yticks([])
            subplot.set_title('%d / %d' % (prediction, actual))
            subplot.imshow(image.reshape((28,28)), vmin=0,vmax=1, cmap=plt.cm.gray_r, interpolation="nearest")
            c += 1
            if  c >6:
                break
plt.show()

f:id:oikakerublog:20170506130905p:plain

(5)ニューラルネットワークによる手書き文字認識

# 20170512 マイナビtf本、単相ニューラルネットワークの構造、113ページから
# 勾配降下法を使った学習で97%くらいまで識別力上げる。ソフトマックスだけでは92%程度。
# [MSL-01] 必要なモジュールをインポートして、乱数のシードを設定。再現性乱数。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data
In [7]:
# 隠れ層のパラメータを乱数で初期化
np.random.seed(20160612)
tf.set_random_seed(20160612)
In [8]:
# [MSL-02] MNISTのデータセットを用意、 ダウンロード始まる
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
Extracting /tmp/data/train-images-idx3-ubyte.gz
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
Extracting /tmp/data/train-labels-idx1-ubyte.gz
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Extracting /tmp/data/t10k-images-idx3-ubyte.gz
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting /tmp/data/t10k-labels-idx1-ubyte.gz
In [10]:
# [MSL-03] 単層ニューラルネットワークを用いた確率 p の計算式を用意

# 隠れ層のノード数
num_units = 1024

# xは入力層のデータに対するプレースホルダ
x = tf.placeholder(tf.float32, [None, 784])

# 変数、num_unitsの方は上の1024が入る
# truncatedはTensorを正規分布かつ標準偏差の2倍までのランダムな値で初期化
#  tf.zeros はゼロの配列をつくる
w1 = tf.Variable(tf.truncated_normal([784, num_units]))
b1 = tf.Variable(tf.zeros([num_units]))

# 隠れ層はReLU関数
hidden1 = tf.nn.relu(tf.matmul(x, w1) + b1)

# ソフトマックス、確率計算
w0 = tf.Variable(tf.zeros([num_units, 10]))
b0 = tf.Variable(tf.zeros([10]))
p = tf.nn.softmax(tf.matmul(hidden1, w0) + b0)
In [11]:
# [MSL-04] 誤差関数 loss、トレーニングアルゴリズム train_step、正解率 accuracy を定義
t = tf.placeholder(tf.float32, [None, 10])

# 要素の和、スカラー値を返す
loss = -tf.reduce_sum(t * tf.log(p))

# アダムオプティマイザ, argmaxは添字返す
train_step = tf.train.AdamOptimizer().minimize(loss)
correct_prediction = tf.equal(tf.argmax(p, 1), tf.argmax(t, 1))

# reduce meanは平均値で縮約
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
In [13]:
# [MSL-05] セッションを用意して、Variableを初期化
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
In [14]:
# [MSL-06] パラメーターの最適化を2000回
#1回の処理はトレーニングセットから取り出した100個のデータ、勾配降下法
i = 0
for _ in range(2000):
    i += 1
    
    batch_xs, batch_ts = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, t: batch_ts})
    
    if i % 100 == 0:
        loss_val, acc_val = sess.run([loss, accuracy],
            feed_dict={x:mnist.test.images, t: mnist.test.labels})
        
        print ('Step: %d, Loss: %f, Accuracy: %f'
               % (i, loss_val, acc_val))
# [MSL-07] 最適化されたパラメーターを用いて、テストセットに対する予測を表示
images, labels = mnist.test.images, mnist.test.labels
p_val = sess.run(p, feed_dict={x:images, t: labels}) 

fig = plt.figure(figsize=(8,15))
for i in range(10):
    c = 1
    for (image, label, pred) in zip(images, labels, p_val):
        prediction, actual = np.argmax(pred), np.argmax(label)
        if prediction != i:
            continue
        if (c < 4 and i == actual) or (c >= 4 and i != actual):
            subplot = fig.add_subplot(10,6,i*6+c)
            subplot.set_xticks([])
            subplot.set_yticks([])
            subplot.set_title('%d / %d' % (prediction, actual))
            subplot.imshow(image.reshape((28,28)), vmin=0, vmax=1,
                           cmap=plt.cm.gray_r, interpolation="nearest")
            c += 1
            if c > 6:
                break
plt.show()

Step: 100, Loss: 2637.275391, Accuracy: 0.922400
Step: 200, Loss: 2196.073730, Accuracy: 0.934600
Step: 300, Loss: 1894.907593, Accuracy: 0.943000
Step: 400, Loss: 1874.442261, Accuracy: 0.942300
Step: 500, Loss: 1435.872070, Accuracy: 0.955700
Step: 600, Loss: 1302.952026, Accuracy: 0.960900
Step: 700, Loss: 1310.853516, Accuracy: 0.959800
Step: 800, Loss: 1230.490479, Accuracy: 0.962600
Step: 900, Loss: 1266.093140, Accuracy: 0.960800
Step: 1000, Loss: 1179.594116, Accuracy: 0.963500
Step: 1100, Loss: 1213.116699, Accuracy: 0.962700
Step: 1200, Loss: 1051.569458, Accuracy: 0.968900
Step: 1300, Loss: 1070.601318, Accuracy: 0.967900
Step: 1400, Loss: 1014.479492, Accuracy: 0.968400
Step: 1500, Loss: 1074.788818, Accuracy: 0.968700
Step: 1600, Loss: 1001.342285, Accuracy: 0.970600
Step: 1700, Loss: 944.826172, Accuracy: 0.973300
Step: 1800, Loss: 1006.114258, Accuracy: 0.969500
Step: 1900, Loss: 1133.716919, Accuracy: 0.966000
Step: 2000, Loss: 1004.364990, Accuracy: 0.970000

(6)畳み込みフィルタの写経、特徴抽出
『Tensorflowで学ぶディープラーニング本』の161ページ〜
・本はpython2.7で書かれているので少し修正、githubからデータセットを予めダウンロード
エンコーディングの指定をしないとエラーが出る

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import pickle

with open('ORENIST.data', 'rb')  as file:
    images, labels = pickle.load(file, encoding='latin1')

・読み込んだデータの一部を表示

fig = plt.figure(figsize=(10,5))
for i in range(40):
    subplot = fig.add_subplot(4, 10, i+1)
    subplot.set_xticks([])
    subplot.set_yticks([])
    subplot.set_title('%d' % np.argmax(labels[i]))
    subplot.imshow(images[i]. reshape(28,28),vmin=0,vmax=1,cmap=plt.cm.gray_r, interpolation='nearest')
plt.show()

f:id:oikakerublog:20170506201414p:plain

◆mnistのトレーニングデータからランダムに10個抽出する(準備)
・np.random.choice(*,*)

mport sys, os
sys.path.append(os.pardir)
from dataset.mnist import load_mnist
import numpy as np

# y_trainはラベル0〜9、ワンホットにすることで正解の1つだけ1になる
(x_train, y_train), (x_test, y_test) = load_mnist(normalize=True, one_hot_label=True)
#トレーニングデータのm個のうち、10個をランダム抽出
batch_mask = np.random.choice(x_train.shape[0],10) 

print(batch_mask)
# [ 5439 34906 17859  4359 43756 16992 51724 55159 41009 44592]

◆メモ1
・mnistの分類アルゴリズムについて・・・数学的に言えば784次元のベクトルであり、784次元空間の1つの点(x1,x2,,,x784)に対応することになる。784次元は絵では示せないが、その空間を10個の領域に分割して、分類を行うという意味では、二次元平面の分類と類似。


◆メモ2(API、計算)
☞ tf.Session()・・・処理を実行するためのクラス
☞ with句・・・セッションを記述。
☞ fetch・・・グラフから演算結果を取り出す。
☞ tf.constant・・・定数。定数の行列要素を生成。
☞ input_data・・・外部データを読み込む関数(cf.mnist)
☞ placeholder・・・データが格納される予定地。
・Noneにしておくと可変サイズに対応可
☞ tf.assign・・・変数に値を代入。

◆TensorFlow
・グラフ(エッジ+ノード)という処理概念を使っている。
・グラフを実行するためには、sessionを作りrunメソッドをコール。
・約1000のAPIが公開。

◆インストール(mac
・公式ページを参考
・conda インストール(python 3.6)

◆参考サイト
・TF参考
TensorFlowで学ぶディープラーニング入門備忘録【第2章】 - ハードウェアエンジニアの備忘録

Python 手書き文字mnistデータを触ってみる

◆mnistデータを用意

・トレーニングデータが60000(画像&ラベル)、テストデータが10000(画像&ラベル)

・ゼロから分かるディープラーニングgithubからダウンロード

f:id:oikakerublog:20170429153550p:plain

 

◆ 内容

t_train, t_train, x_test, t_test

 

◆さわりはじめ

(1)とりあえず”dataset.mnist”モジュールから”load_mnist”をインポート

import sys, os
sys.path.append(os.pardir) 
from dataset.mnist import load_mnist

(2)定義する

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

(3)テストデータの形状を確認

print(x_train.shape)

print(x_test.shape)

=>

(60000, 784)

(10000, 784)

 

◆”load_mnist”

・load_mnist(トレーニング画像, ラベル),(テスト画像, ラベル)の形式でmnistデータを返す。

・load_mnist(normalize=False, flatten=True, one_hot_label=Fals)のように引数設定。

 

◆画像の表示・・・PIL:python image libraryモジュールを使う
from PIL import Image

 

 

☞  ”トレーニング”の15番目を見てみる

print(x_train[15])  # mnistデータの”x_train”の15番目を表示 

f:id:oikakerublog:20170429195751p:plain

f:id:oikakerublog:20170429194243p:plain

 ※28x28になっていない、8ビット

 

# ”トレーニングデータラベル”の1番目を見てみる

print(t_train[15])

=>

7  #「7」とのこと

 

☞  28x28にする

image = x_train[15].reshape(28,28) #"reshape"で形を整える
print(image)

f:id:oikakerublog:20170429201203p:plain

  ※28x28になっているけどjupyternotebookで改行

 

☞ ゼロから学ぶDLの関数を使う

# 関数を定義
def img_show(img):
  pil_img = Image.fromarray(np.uint8(img))
  pil_img.show()

f:id:oikakerublog:20170429212140p:plain

f:id:oikakerublog:20170429212314p:plain

 

☞ とりあえず作業痕跡。。

(1)その1

 

f:id:oikakerublog:20170430192034p:plain

(2)その2

f:id:oikakerublog:20170430192238p:plain

◆触れたこと

☞ scikit-learn (サイキット・ラーン) ・・・機械学習ライブラリ

from sklearn.utils import shuffle
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
from sklearn.datasets import fetch_mldata

 

 fetch_mldata()・・・scikit-learnの関数、webからmnistデータをもってくる。

例)
mnist = fetch_mldata('MNIST original')

shuffle / random_state=**

split

could not read bytes

 ・中途半端なデータが残っているせいか。scikit_learn_data/mldataのフォルダごと削除して再度やり直し。

◆参考

Pythonマニュアル

https://docs.python.jp/3/tutorial/index.html

☞ scikit-learn

http://scikit-learn.org/stable/tutorial/machine_learning_map/

☞ 参考

http://tawara.hatenablog.com/entry/2016/11/06/DeepLearningFromZero-04

https://openbook4.me/sections/1452

 

Python ど基本

 

◆import

from モジュール名 import 属性1, 属性2…

(1)親ディレクトリにあるファイルをインポートする

import sys,os
sys.path.append(os.pardir)

#このあとに例えば。。

import abc #abc.pyをインポート

 

Memo:

・os.pardirは親ディレクトリを表す文字列定数

・sys.pathはファイルを検索するパスを示す文字列のリスト。

→ sys.pathにインポート対象のディレクトリを含めることで、適当なディレクトリのファイルでもインポート可となる。

 

◆print

・python3では「関数」(構文ではなく。。)

print('abc')    ※python2,3で互換性

print(***.shape)・・・形状を表示する

print(x_train[15].shape) #トレーニング用データの15番目のシェイプ

=>

(784,)

 

◆”for”文

(1) リスト、要素1つずつ表示

list = [ 'Nasu', 'Tomato', 'Kyuri' ]
for x in list :
         print(x)

=>

Nasu
Tomato
Kyuri

 

(2)1つ飛ばし

for x in list[1:] :

         print(x)

=>

Tomato
Kyuri

 

◆”range”

 

◆掛け算(九九)

[[x * y for y in range(1,10)] for x in range(1,10)]

 

◆return

・関数の戻り値

 

Python 2系と3系の切替え

(1)コマンド

source activate python2

source deactivate