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。

--- 7_推測_keras [2017/10/28]
adash333 [リンク]
+++ 7_推測_keras [2018/10/07] (現在)
@@ ライン 1: / ライン 1: @@
 ===== (7)学習結果を用いて推測する(Keras) =====
-<KerasでMNIST目次>\\
+<wrap hi>Keras2でMNIST目次</wrap>\\
-[[Kerasプログラミングの全体図]]\\
+[[Kerasプログラミングの全体図]]
-[[(1)Kerasを使用するためのimport文]]\\
+  -[[(1)Kerasを使用するためのimport文]]
-[[(2)データ準備(Keras)]]\\
+  -[[(2)データ準備(Keras)]]
-[[(3)モデル設定(Keras)]]\\
+  -[[(3)モデル設定(Keras)]]
-[[(4)モデル学習(Keras)]]\\
+  -[[(4)モデル学習(Keras)]]
-[[(5)結果の出力(Keras)]]\\
+  -[[(5)結果の出力(Keras)]]
-[[(6)学習結果の保存(Keras)]]\\
+  -[[(6)学習結果の保存(Keras)]]
-(7)推測(Keras)　←いまココ
+  -[[(7)推測(Keras)]]　<wrap hi><= いまココ</wrap>
-\\
-最初に以下をコピペするだけですが、プログラムごとに、さらにimport文の追加が必要になる場合があります。
+Import文を記載後、モデルとパラメータを読み込み、分類したい新しい画像データをNumpy配列に変換したのち、予測を行います。
 <code>
-import keras
+# predict.py
-from keras.models import Sequential
+# predict_MNIST_MLP(Keras2.0)
-from keras.layers import Dense, Dropout
+#7 推測(Keras)
-from keras.optimizers import RMSprop
-from keras.utils import np_utils
-from sklearn.model_selection import train_test_split
+（途中）
+</code>
+作成中。
+参考：
+自前のデータでKerasで画像分類を写経してみる（２）\\
+/8/5 2017/8/9 \\
+http://twosquirrel.mints.ne.jp/?p=19500
+===== 開発環境 =====
+Windows 8.1\\
+Anaconda \\
+Python 3.5\\
+Tensorflow 1.4\\
+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。
+このページは、[[(6)学習結果の保存(Keras)]]の続きであり、今回は、学習結果を用いて、推測を行っていきます。
+===== 手順 =====
+==== 0. 前回終了時の画面 ====
+[[(6)学習結果の保存(Keras)]]終了時は、以下のような状態となっています。
+{{:pasted:20171110-070427.png}}
+今回は、新しいipynbファイルを作成し、
+{{:pasted:20171117-210933.png}}
+predict_MNIST_MLP という名前に変更します。
+{{:pasted:20171117-211034.png}}
+predict_MNIST_MLP.ipynb は、train_MNIST_MLP.ipynb と同じフォルダにあります。
+{{:pasted:20171117-211127.png}}
+以下の状態から始めます。
+{{:pasted:20171117-211216.png}}
+==== 1. 推測したい画像の準備 ====
+MNSIT画像は、なぜか、黒の背景に白で手書きの数字が書いてあるような画像であるので、Windows 8.1に付属している「ペイント」で、適当な手書き数字を作成し、/testSet/ フォルダに、「img_1.jpg」という名前で保存します。
+{{:pasted:20171117-211948.png}}
+{{:pasted:20171117-212009.png}}
+==== 2. モデルの学習 ====
+以下のコードを入力して、Shift + Enterを押します。
+<code>
+# predict.py
+#7 推測
+%matplotlib inline
+from keras.preprocessing import image
 import numpy as np
+import sys
 from PIL import Image
-import os
+import matplotlib.pyplot as plt
+from keras.models import model_from_json
+# load model and weight
+model = model_from_json(open('apple_orange_model.json').read())
+model.load_weights('apple_orange_weights.h5')
+filepath = "testSet/img_1.jpg"
+# 画像を読み込み、グレースケールに変換し、28x28pixelに変換し、numpy配列へ変換する。
+# 画像の1ピクセルは、それぞれが0-255の数値。
+image = np.array(Image.open(filepath).convert("L").resize((28, 28)))
+print(filepath)
+# さらにフラットな1次元配列に変換。
+image = image.reshape(1, 784).astype("float32")[0]
+result = model.predict_classes(np.array([image / 255.]))
+print("result:", result[0])
+# 画像を表示
+im = Image.open(filepath)
+plt.imshow(np.array(im), cmap='gray')
 </code>
-始めはかなりとっつきにくいimport文ですが、pythonの勉強をしていくにつれて、徐々に、慣れてきます。
+以下のような画面になります。
+{{:pasted:20171117-213239.png}}
+{{:pasted:20171117-213300.png}}
+ちゃんと、「2」と予測できたようです。
+上記コードにはコメントで解説を書かせていただいておりますが、今回のポイントとしては、
+<code>
+from keras.models import model_from_json
+# load model and weight
+model = model_from_json(open('apple_orange_model.json').read())
+model.load_weights('apple_orange_weights.h5')
+</code>
+の部分で、modelと、modelのweightを読み込んでいるところです。この２つの中身は、前回の<wrap hi>[[(6)学習結果の保存(Keras)]]</wrap>で保存した名前と一致させる必要があります。
+Kerasで推測の手順は上記でおしまいです。
+そして、KerasでMNISTシリーズは、一旦ここで終了となります。グレースケール画像の分類であれば、今までのコードのほぼコピペで、実行することができるようになります。
+しかし、自前データで画像分類をする場合は、画像の前処理を行って、Kerasが理解できる形に変換しておかないといけません。
+次は、自前データでKerasで画像分類を行う方法の解説の例として、MNISTの画像データから、Keras用データセットの作成について説明したいと思います。ご興味のある方は、ぜひ、<wrap hi>[[Keras2用自前データの準備]]</wrap>へお進みください。
-keras特有のもの以外のimport文については、以下のリンクをご覧ください。
-機械学習で用いるpythonの”import xxx”まとめ\\
-/10/25\\
-http://twosquirrel.mints.ne.jp/?p=20344
@@ ライン 50: / ライン 154: @@
 ===== リンク =====
-目次\\
+次： [[機械学習成果をWEBで公開]]
-[[Kerasプログラミングの全体図]]\\
-[[(1)Kerasを使用するためのimport文]]\\
+前： [[(6)学習結果の保存(Keras)]]
-[[(2)データ準備(Keras)]]\\
-[[(3)モデル設定(Keras)]]\\
-[[(4)モデル学習(Keras)]]\\
+<wrap hi>Keras2でMNIST目次</wrap>\\
-[[(5)結果の出力(Keras)]]\\
+[[Kerasプログラミングの全体図]]
-[[(6)学習結果の保存(Keras)]]\\
+  -[[(1)Kerasを使用するためのimport文]]
-(7)推測(Keras)　←いまココ
+  -[[(2)データ準備(Keras)]]
-\\
+  -[[(3)モデル設定(Keras)]]
+  -[[(4)モデル学習(Keras)]]
+  -[[(5)結果の出力(Keras)]]
+  -[[(6)学習結果の保存(Keras)]]
+  -[[(7)推測(Keras)]]
 今回で、KerasによるMNISTコードの解説シリーズはおしまいです。

サルでもわかる機械学習

ユーザ用ツール

サイト用ツール

差分

ページ用ツール