2_データ準備_keras

差分

このページの2つのバージョン間の差分を表示します。

この比較画面へのリンク

--- 2_データ準備_keras [2017/11/05] – [keras.datasets.mnist.load_data()関数について] adash333
+++ 2_データ準備_keras [2018/10/07] (現在) – 外部編集 127.0.0.1
@@ 行 50: / 行 50: @@
 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。
-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 =====
@@ 行 122: / 行 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。
-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。
@@ 行 176: / 行 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。
-<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 =====
@@ 行 187: / 行 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、
 <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>
-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_データ準備_keras.1509915656.txt.gz · 最終更新: 2018/10/07 (外部編集)