キカガク（KIKAGAKU）で「ニューラルネットワークの実装（分類）」を学ぶ

Photo by Alex Knight on Unsplash

前回「キカガク（KIKAGAKU）で逆伝播を学ぶ」のつづき。
今回は「ニューラルネットワークの実装（分類） - KIKAGAKU」を学ぶ。

Table of Contents [Disable]

• 1.実習環境
• 2.学習内容
  • 2.1.Tensorflow の基礎
  • 2.2.データセットの準備
  • 2.3.モデルの定義
  • 2.4.モデルの学習
  • 2.5.学習済みモデルの保存
  • 2.6.学習済みモデルの保存まで
  • 2.7.保存した学習済みモデルのロードして推論
• 3.ソースコード
• 4.関連記事

実習環境

演習では、敢えて Google Colaboratory 使わずに、PyCharm の環境で Tensorflow や scikit-learn をインストールして演習を行った。
Tensorflow は「pip での TensorFlow のインストール」 を参照してインストールした。

学習内容

Tensorflow の基礎

データセットの準備

1. 入力変数と目的変数に切り分け
2. Keras で計算できるデータの形式に変換
3. 目標値を ０ からに変換
4. 学習用データとテスト用データに分割

モデルの定義

1. モデルの層の定義
2. モデルの学習プロセスを定義
   最適化手法の指定
   目的関数の指定
   評価指標の指定

モデルの学習

1. 学習済みモデルの精度の確認
2. モデル精度の向上
3. 学習済みモデルの保存と推論

学習済みモデルの保存

1. 学習済みモデルのロード
2. 予測値の計算

ソースコード

学習済みモデルの保存まで

	# =========================
	# 学習済みモデルの保存まで
	# =========================
	import tensorflow as tf
	import numpy as np
	import pandas as pd
	import matplotlib.pyplot as plt
	from sklearn.model_selection import train_test_split
	import os, random
	from tensorflow.keras import models, layers
	# データの読み込み
	df = pd.read_csv('wine_class.csv')
	# 目的変数
	t = df['Class']
	# 入力変数
	x = df.drop('Class', axis=1)
	# ラベルを 0 から始める
	t = t.values - 1
	x = x.values
	# 学習データとテストデータの分割
	x_train, x_test, t_train, t_test = train_test_split(x, t, train_size=0.7, random_state=0)
	# 32 bit にキャスト
	x_train = np.array(x_train, np.float32)
	x_test = np.array(x_train, np.float32)
	t_train = np.array(t_train, np.int32)
	t_test = np.array(t_train, np.int32)
	def reset_seed(seed=0):
	os.environ['PYTHONHASHSEED'] = '0'
	random.seed(seed) # random関数のシードを固定
	np.random.seed(seed) # numpyのシードを固定
	tf.random.set_seed(seed) # tensorflowのシードを固定
	# シードの固定
	reset_seed(0)
	# モデルの構築
	model = tf.keras.models.Sequential([
	tf.keras.layers.BatchNormalization(input_shape=(10,)),
	tf.keras.layers.Dense(10, activation='relu'),
	tf.keras.layers.Dense(3, activation='softmax')
	])
	# モデルのコンパイル
	model.compile(optimizer='sgd',
	loss='sparse_categorical_crossentropy',
	metrics=['accuracy'])
	# モデルの学習
	history = model.fit(x_train, t_train,
	batch_size=10,
	epochs=50,
	validation_data=(x_test, t_test))
	# 正解率と損失を Pandas の形式に変換
	result_batchnorm = pd.DataFrame(history.history)
	print(result_batchnorm)
	# 目的関数の値
	result_batchnorm[['loss', 'val_loss']].plot()
	plt.show()
	# 正解率
	result_batchnorm[['accuracy', 'val_accuracy']].plot()
	plt.show()
	# モデルの保存
	model.save(filepath='wine_model.h5', save_format='h5')

view raw wine_classification_1.py hosted with ❤ by GitHub

保存した学習済みモデルのロードして推論

	# =========================
	# 保存した学習済みモデルのロード
	# =========================
	import tensorflow as tf
	import numpy as np
	import pandas as pd
	import matplotlib.pyplot as plt
	from sklearn.model_selection import train_test_split
	import os, random
	from tensorflow.keras import models, layers
	# データの読み込み
	df = pd.read_csv('wine_class.csv')
	# 目的変数
	t = df['Class']
	# 入力変数
	x = df.drop('Class', axis=1)
	# ラベルを 0 から始める
	t = t.values - 1
	x = x.values
	# 学習データとテストデータの分割
	x_train, x_test, t_train, t_test = train_test_split(x, t, train_size=0.7, random_state=0)
	# 32 bit にキャスト
	x_train = np.array(x_train, np.float32)
	x_test = np.array(x_train, np.float32)
	t_train = np.array(t_train, np.int32)
	t_test = np.array(t_train, np.int32)
	def reset_seed(seed=0):
	os.environ['PYTHONHASHSEED'] = '0'
	random.seed(seed) # random関数のシードを固定
	np.random.seed(seed) # numpyのシードを固定
	tf.random.set_seed(seed) # tensorflowのシードを固定
	# シードの固定
	reset_seed(0)
	# モデルの読み込み
	loaded_model = tf.keras.models.load_model('wine_model.h5')
	# データの準備
	sample = x_train[0]
	# 形を変換
	sample = sample.reshape(1, 10)
	sample.shape
	# 予測値の計算
	loaded_model.predict(sample)
	# 予測値の計算
	y = loaded_model.predict(sample)
	print(y)
	# 最も値の大きなラベルを取得
	print(np.argmax(y))
	# 正解ラベル
	print(t_train[0])

view raw wine_classification_2.py hosted with ❤ by GitHub