読者です 読者をやめる 読者になる 読者になる

oikakerublogの日記

知識ゼロから色々しらべてみた話し

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

広告を非表示にする

Tensorflow オートエンコーダ(Qiita記事を見ながら写経)

◆Mnistデータをオートエンコーダで学習してみる。

【Tensorflow、オートエンコーダ、エンコード、デコード、mnist】

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



f:id:oikakerublog:20170519165332p:plain

# 2017-5-19 Autoencoder、Tfチュートリアル
# 参考にした記事
# Qiita TensorFlowで機械学習と戯れる: AutoEncoderを作ってみる

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

# データ読込み
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
H = 50
BATCH_SIZE = 100
DROP_OUT_RATE = 0.5
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

#重みW、バイアスbの変数定義

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 x 28*28=784
x = tf.placeholder(tf.float32, [None, 784])

# Variable: W, b1
W = weight_variable((784, H))
b1 = bias_variable([H])

# 隠れ層 h 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)

# デコード側の変数、W2は転置、ReLu関数
W2 = tf.transpose(W)
b2 = bias_variable([784])

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

# loss関数
loss = tf.nn.l2_loss(y - x) / BATCH_SIZE
In [34]:
# Adam Optimizer
train_step = tf.train.AdamOptimizer().minimize(loss)

# 初期化、Session
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

# トレーニング
for step in range(2000):
    batch_xs, batch_ys = mnist.train.next_batch(BATCH_SIZE)
    sess.run(train_step, feed_dict={x: batch_xs, keep_prob: (1-DROP_OUT_RATE)})
    
    # Collect Summary
    summary_op = tf.merge_all_summaries()
    
    # Print Progress
    if step % 100 == 0:
        print(loss.eval(session=sess, feed_dict={x: batch_xs, keep_prob: 1.0}))

# => 
38.9964
20.0019
15.4875
12.9807
12.3335
10.0853
10.5489
10.4406
10.1243
9.82316
9.74813
9.9554
9.81496
10.0637
9.55074
9.21692
8.61834
8.72896
8.79601
9.06065

# Draw Encode/Decode Result
N_COL = 10
N_ROW = 2
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.title('IN:%02d' % i)
        plt.imshow(data.reshape((28, 28)), cmap="magma", 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)
        plt.title('OUT:%02d' % i)
        y_value = y.eval(session=sess, feed_dict={x: data, keep_prob: 1.0})
        plt.imshow(y_value.reshape((28, 28)), cmap="magma", clim=(0, 1.0), origin='upper')
        plt.tick_params(labelbottom="off")
        plt.tick_params(labelleft="off")

plt.savefig("result.png")
plt.show()
広告を非表示にする

Python 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
広告を非表示にする

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

広告を非表示にする

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

広告を非表示にする

Python Matplotlibに慣れる(その2)

◆単純な1次関数をグラフに表示
・y=2x+50

# 数式をグラフしてみる
import numpy as np
import matplotlib.pylab as plt

#式を定義

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:20170514171623p:plain

arctanのグラフ

# インライン表示の宣言
%matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
x = np.arange(-10, 10, 0.1)
y = np.arctan(x)
plt.plot(x, y)

f:id:oikakerublog:20170518145440p:plain

広告を非表示にする

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

広告を非表示にする