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 [2017/11/05]
adash333 [(7)学習結果を用いて推測する(Keras)]
+++ 7_推測_keras [2018/10/07] (現在)
@@ ライン 27: / ライン 27: @@
 /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 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>
+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。

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