2_データ準備_keras
差分
この文書の現在のバージョンと選択したバージョンの差分を表示します。
| 両方とも前のリビジョン 前のリビジョン 次のリビジョン | 前のリビジョン | ||
|
2_データ準備_keras [2017/11/05] adash333 [keras.datasets.mnist.load_data()関数について] |
2_データ準備_keras [2018/10/07] (現在) |
||
|---|---|---|---|
| ライン 50: | ライン 50: | ||
| Keras 2.0.9\\ | Keras 2.0.9\\ | ||
| - | Keras2.0のインストール方法は[[windowsにkeras2.0をインストール]]をご覧下さい。 | + | Keras2.0のインストール方法は<wrap hi>[[windowsにkeras2.0をインストール]]</wrap>をご覧下さい。 |
| - | このページは、[[(1)Kerasを使用するためのimport文]]の続きであり、今回は、MNISTのデータの準備・設定を行っていきます。 | + | このページは、<wrap hi>[[(1)Kerasを使用するためのimport文]]</wrap>の続きであり、今回は、MNISTのデータの準備・設定を行っていきます。 |
| データの準備が難しいところなのですが、今回は、最初なので、Kerasであらかじめ用意されているMNISTデータセットを利用します。 | データの準備が難しいところなのですが、今回は、最初なので、Kerasであらかじめ用意されているMNISTデータセットを利用します。 | ||
| - | オリジナルデータセットの準備については、後日、[[Keras2用自前データの準備]]に記載予定です。 | + | オリジナルデータセットの準備については、後日、<wrap hi>[[Keras2用自前データの準備]]</wrap>に記載予定です。 |
| ===== 手順 ===== | ===== 手順 ===== | ||
| ライン 122: | ライン 122: | ||
| 手書き数字MNISTは、本来は28x28pixelのグレースケールの画像と、それが何の数字であるかの正解ラベルのセットです。この画像と正解ラベルのセットが、training用の6万セット、test用の1万セットとなっています。 | 手書き数字MNISTは、本来は28x28pixelのグレースケールの画像と、それが何の数字であるかの正解ラベルのセットです。この画像と正解ラベルのセットが、training用の6万セット、test用の1万セットとなっています。 | ||
| - | ただ、画像のままではKerasでは読み込めません。そのため、画像を0～255の値をとる284個の数字が1列に並んだ配列に変換(reshape(60000, 784))し、さらに正規化といって全部255で割ったたものをx_trainに代入しています。\\ | + | ただ、画像のままではKerasでは読み込めません。そのため、画像を0～255の値をとる784個の数字が1列に並んだ配列に変換(reshape(60000, 784))し、さらに正規化といって全部255で割ったたものをx_trainに代入しています。\\ |
| さらに、以下のコードで、正解ラベルをone hot ベクトルに変換したものを、y_trainに代入しています。 | さらに、以下のコードで、正解ラベルをone hot ベクトルに変換したものを、y_trainに代入しています。 | ||
| ライン 176: | ライン 176: | ||
| Kerasが用意しているMNISTデータセットを用いる手順は上記でおしまいです。 | Kerasが用意しているMNISTデータセットを用いる手順は上記でおしまいです。 | ||
| - | <wrap hi> | + | |
| - | 初めての場合は、次は、とりあえず、</wrap>[[(3)モデルの記述]]<wrap hi>に進んでください。 | + | 初めての場合は、次は、とりあえず、<wrap hi>[[(3)モデル設定(Keras)]]</wrap>に進んでください。 |
| - | </wrap> | + | |
| ===== keras.datasets.mnist.load_data()関数について ===== | ===== keras.datasets.mnist.load_data()関数について ===== | ||
| ライン 187: | ライン 186: | ||
| 今回はそれにあたります（MNISTなんてグレースケールで十分）が、 | 今回はそれにあたります（MNISTなんてグレースケールで十分）が、 | ||
| <code> | <code> | ||
| - | train, test = mnist.get_mnist(withlabel=True, ndim=1) | + | from keras.datasets import mnist |
| + | |||
| + | (x_train, y_train), (x_test, y_test) = mnist.load_data() | ||
| </code> | </code> | ||
| - | のように、引数に、withlabel=True, ndim=1と入れます。 | + | のように、x_trainとx_testに、画像データをNumpy配列に変換済みのものを代入し、y_trainとy_testに対応する正解ラベルを代入します。 |
| （２）もともとのデータセットがグレースケール画像のデータとなっています。 | （２）もともとのデータセットがグレースケール画像のデータとなっています。 | ||
2_データ準備_keras.1509915656.txt.gz · 最終更新: 2018/10/07 (外部編集)
