今回のソースコードはGitHubに上げている。
Jupyterでそのまま開けるはず。
環境
Mac Sierra
Python 3.7.1
WindowsならPythonインストールはAncondaがいいかも。
各種機械学習ライブラリ概要
Chainer
日本初なので日本語情報は多い。TensorFlow
Google製。行列計算用ライブラリ。
比較的玄人向け。
Keras
TensorFlowラッパー（CNTKやTheanoも使える）ドキュメントが結構しっかりと日本語化されている。
曰くChainer使うくらいならKerasでいいじゃんとかなんとか。
Kerasのインストール
PyPIからKerasをインストールする方法が推奨されている。
Pythonをインストール済みのこと。
sudo pip install keras
tensorflowも必要
pip install --upgrade tensorflow
Hello Keras
mnistライブラリに含まれるアメリカ国立標準技術研究所（NIST）が用意した手書き数字の画像を使って画像認識するいうのが入門としてよく利用されるらしい。
Kerasのいろいろなサンプル
https://github.com/keras-team/keras/tree/master/examples
試すだけならほぼコピペでいける。
試したのはcnnと呼ばれるもの。
https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py
以下がJupyterで動くサンプル。
https://github.com/ninomae-makoto/keras/tree/master/01_hellokeras
jupyterについては以下にまとめている。
Jupyter Notebookのインストール
解説
処理の流れ
学習データを用意。1次元配列へ変換する。
モデルを作成する。
データセットとモデルを用いて学習する。
前処理
Keras(TensorFlow)で使用できるように、1次元配列に変換して値を0から1の間に変換する必要がある。
ほぼ共通処理。
if K.image_data_format() == 'channels_first':
x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
## 画素を0~1の範囲に正規化
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')
convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
モデルの作成
以下はcnn(畳み込みニューラルネットワーク)
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
activation='relu',
input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))
## 学習のためのモデルを設定
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
addでレイヤー(層)積み重ねる。
compileで学習方法を定義できる(マルチクラス分類問題、2値分類問題、平均二乗誤差など)
意味はあまりわかっていない。
model.fit
学習をおこなう。
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
x_train: 訓練データ
y_train: 教師データ
batch_size: 勾配更新毎のサンプル数
epochs: 学習回数
verbose: 進行状況の表示モード
https://keras.io/ja/models/model/#fit
学習データを保存する
保存 ディレクトリに出力される
model.save("test1.h5")
学習したモデルを検証する
import matplotlib.pyplot as plt
%matplotlib inline
学習済みモデル読み込み
from keras.models import load_model
loadedModel = load_model("test1.h5")
データを読み込む
(x_train2, y_train2), (x_test2, y_test2) = mnist.load_data()
確認
data_index = np.random.randint(10000)
predicated = loadedModel.predict(x_test2[data_index].reshape(1, 28, 28, 1))
検証
print("数値：", np.argmax(predicated))
テスト画像データを表示
plt.imshow(x_test2[data_index], cmap =plt.cm.gray_r)
plt.show()
Vgg16
Vgg16という学習済みモデルが使用できるらしい。
http://aidiary.hatenablog.com/entry/20170104/1483535144
今後やりたいこと
自分で用意した学習用画像から学習させて利用できるようにしたい。
k8s上で動かしてマイクロサービス化したい。
参考
https://keras.io/ja/
https://indico2.riken.jp/event/2492/attachments/4803/5587/Tanaka_Lecture.pdf
https://qiita.com/yampy/items/706d44417c433e68db0d
https://qiita.com/cvusk/items/e3ca93f93a5921c1a772
https://qiita.com/wataoka/items/5c6766d3e1c674d61425
https://qiita.com/haru1977/items/17833e508fe07c004119
ライブラリの比較
https://qiita.com/jintaka1989/items/bfcf9cc9b0c2f597d419
