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。

--- 3_モデル設定_keras [2017/11/05] – [(3)モデルの設定(Keras)] adash333
+++ 3_モデル設定_keras [2018/10/07] (現在) – 外部編集 127.0.0.1
@@ 行 41: / 行 41: @@
 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、[[(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、[[(2)データ準備(Keras)]]の続きであり、今回は、モデルの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。
 ===== 手順 =====
 ==== 0. 前回終了時の画面 ====
-[[(1)Kerasを使用するためのimport文]]終了時の、以下のような状態から始めます。
+[[(2)データ準備(Keras)]]終了時の、以下のような状態から始めます。
-{{:pasted:20171106-042357.png}}
+{{:pasted:20171106-051215.png}}
-==== 1. データセットの準備 ====
+==== 1. モデルの設定 ====
-以下のコードを入力して、Shift + Enterを押します。最初は、MNISTの画像データなどがダウンロードされるので、時間がかかります。
+以下のコードを入力して、Shift + Enterを押します。
 <code>
-#2 データ準備(Keras)(MNISTの場合)
+#3 モデル設定(Keras)
-# Kerasが用意しているMNISTデータセットをダウンロードしてx_train, y_train, x_test, y_testに代入
+batch_size = 128
-# https://keras.io/ja/datasets/ を参照
+# num_classes = 10
-from keras.datasets import mnist
+# epochs = 20
+epochs = 3
-(x_train, y_train), (x_test, y_test) = mnist.load_data()
+# モデルの記述
-x_train = x_train.reshape(60000, 784)
+model = Sequential()
-x_test = x_test.reshape(10000, 784)
+model.add(Dense(512, activation='relu', input_shape=(784,)))
-x_train = x_train.astype('float32')
+model.add(Dropout(0.2))
-x_test = x_test.astype('float32')
+model.add(Dense(512, activation='relu'))
-x_train /= 255
+model.add(Dropout(0.2))
-x_test /= 255
+model.add(Dense(10, activation='softmax'))
-# convert class vectors to binary class matrices
+model.summary()
-y_train = keras.utils.to_categorical(y_train, 10)
-y_test = keras.utils.to_categorical(y_test, 10)
-# matplotlibを使ったグラフ描画結果がnotebook内に表示されるようにします。
+# 損失関数などを設定
-%matplotlib inline
+model.compile(loss='categorical_crossentropy',
-import matplotlib.pyplot as plt
+              optimizer=RMSprop(),
+              metrics=['accuracy'])
-# データの例示
-x = x_train[0]
-t = np.argmax(y_train[0])
-plt.imshow(x.reshape(28, 28), cmap='gray')
-plt.show()
-print('label:', t)
 </code>
-以下のような画面になります。（以下の画面は、2回目以降の画面となります。最初は、「Downloading from %%http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz...%%」といった感じの文字が4行続くかもしれません。）
+以下のような画面になります。
-{{:pasted:20171106-051156.png}}
+{{:pasted:20171106-063744.png}}
-{{:pasted:20171106-051215.png}}
+{{:pasted:20171106-063759.png}}
 順に解説していきます。
 <code>
-#2 データ準備(Keras)(MNISTの場合)
+#3 モデル設定(Keras)
-# Kerasが用意しているMNISTデータセットをダウンロードしてx_train, y_train, x_test, y_testに代入
+batch_size = 128
-# https://keras.io/ja/datasets/ を参照
+# num_classes = 10
-from keras.datasets import mnist
+# epochs = 20
+epochs = 3
-(x_train, y_train), (x_test, y_test) = mnist.load_data()
 </code>
-Kerasが用意しているkeras.datasetsから、手書き数字MNISTのデータをダウンロードして読み込みます。
+batch_size, epochsなどの数値を設定します。epochsは、学習を繰り返す回数であり、回数が少なすぎても、多すぎても微妙と言われています(参考:過学習、early stopping)。今回のコードの場合、適切なepoch数についてはわかりませんが、学習にかかる時間について記載します。ノートパソコンだと、1 epochあたり32秒くらいかかるので、今回のチュートリアルでは、epoch数をかなり少ない3回としました。GPUを積んだデスクトップパソコンだと、1 epochあたり2秒とかなので、epoch数は20回に設定すればよいと思います。
-MNISTとは何か、またこれから何をやろうとしているのかについては、以下のサイトが非常に分かりやすいです。\\
+batch_sizeについては、まだよく分かっていないので、今後、勉強して内容が理解できたら、こちらに追加記載させていただきたいと思います。
-http://exceldeeplearning.blog.jp/archives/1411297.html\\
-ちなみに、よく言われているMNISTの元データのダウンロードついては、[[http://twosquirrel.mints.ne.jp/?p=20277|こちら]]をご覧いただければと思います。ただ、上記サイトのデータも、画像が既に数値の配列に変換されたものであるので、画像をダウンロードしたい場合は、サンプル数などは少し異なりますが、[[http://twosquirrel.mints.ne.jp/?p=20494|手書き数字MNISTのjpgファイル群をダウンロードする方法]]をご覧頂ければ幸いです。
-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。\\
-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。
 <code>
-# convert class vectors to binary class matrices
+# モデルの記述
-y_train = keras.utils.to_categorical(y_train, 10)
+model = Sequential()
-y_test = keras.utils.to_categorical(y_test, 10)
+model.add(Dense(512, activation='relu', input_shape=(784,)))
+model.add(Dropout(0.2))
+model.add(Dense(512, activation='relu'))
+model.add(Dropout(0.2))
+model.add(Dense(10, activation='softmax'))
 </code>
-具体的には、今回、
+"model = Sequential()"というおまじないの文章の後、モデルを1個ずつ順番に記述していきます。
+今回は、4層のMLP(multiple layer perceptron)のモデルを設定しています。
 <code>
-print(x)
+model.add(Dense(512, activation='relu', input_shape=(784,)))
-print(t)
+model.add(Dropout(0.2))
 </code>
-と入力してShift + Enterで実行すると、以下のように表示されてます。
+層目の入力層は28x28=784個のunit(ノード)で、2層目の中間層は512個のunit(ノード)に設定しています。\\
+層目の活性化関数はrelu関数を用いており、\\
+その後、ドロップアウトといって、過学習を防ぐために、512個のunit(ノード)のうち、20%のunit(ノード)を無効化します。
-{{:pasted:20171106-053503.png}}
+この話、初めての方には本当に訳わからん状態だとは思いますが、機械学習の理論のところなので、あとで、以下の本を読んで理解するのがお勧めです。
-{{:pasted:20171106-053530.png}}
+<html>
+<iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="//rcm-fe.amazon-adsystem.com/e/cm?lt1=_blank&bc1=000000&IS2=1&bg1=FFFFFF&fc1=000000&lc1=0000FF&t=twosquirrel-22&o=9&p=8&l=as4&m=amazon&f=ifr&ref=as_ss_li_til&asins=4873117585&linkId=6a99e4e49da751388b138a1c4747e16b"></iframe>
+</html>
-{{:pasted:20171106-054412.png}}
+（参考）\\
+-07-18
+【Deep Learning】過学習とDropoutについて\\
+http://sonickun.hatenablog.com/entry/2016/07/18/191656
-xは、1x784のNumpy配列（各要素は0から1までの数値（dtype=float32））であり、tは正解ラベル（dtype=int32）となっています。
+コードの解説に戻ります。
-コードの解説に戻ります。\\
+<code>
-次は、x_train[0]の画像データをJupyter Notebookで可視化しています。
+model.add(Dense(512, activation='relu'))
+model.add(Dropout(0.2))
+</code>
+上記と同様、3層目の中間層を512個のunit(ノード)に設定していて、\\
+層目の活性化関数はrelu関数を用いており、\\
+過学習を防ぐために、512個のunit(ノード)のうち、20%のunit(ノード)を無効化します。
 <code>
-# matplotlibを使ったグラフ描画結果がjupyter notebook内に表示されるようにする。
+model.add(Dense(10, activation='softmax'))
-%matplotlib inline
+</code>
-import matplotlib.pyplot as plt
+層目は出力層であり、0から9までの10個に分類するので、4層目は10個のunit(ノード)となります。\\
+分類問題なので、出力層では活性化関数をsoftmax関数を用いることになります。\\
+蛇足ですが、回帰分析を行いたい場合は、分類問題の最後のsoftmax関数を恒等関数に変更し、損失関数 (loss function) として2乗和誤差 (mean squared error) を設定すればよいと思われます。
-# データの例示
+入力層と出力層のunit（ノード）数は、常に一定ですが、中間層の層の数を深くしたり（Deep Learning）、中間層のunit(ノード)数を変更したり、畳み込み（Convolution）やMax Poolingを行ったり、損失関数の設定値を変更したりしてモデルをいじることにより、より高い正解率をたたき出すことが求められており、例えば、https://www.kaggle.com/というサイトでは皆が「このモデルで正解率xx%をたたき出しましたよ！」と競っています。
-# x_trainデータセットの1行目、つまり、画像データのNumpy配列(1x784)をxとして取り出す
-x = x_train[0]
+<code>
-# y_trainの正解ラベル(one-hot表現のベクトル)の1行目を取り出し、numpyのargmax関数で数値として取り出す
+model.summary()
-# 今回は正解ラベルのインデックスが、そのまま、数字0や1のラベルとなっている。
-t = np.argmax(y_train[0])
-# 1x784のNumpy配列xを、28x28のNumpy配列に変換後、matplotlibのpyplotを用いて、
-# グレースケール画像として読み込み、Jupyter Notebook内で表示
-plt.imshow(x.reshape(28, 28), cmap='gray')
-plt.show()
-# 正解ラベルの表示
-print('label:', t)
 </code>
+modelをテキストで表示してくれます
-こちらは、ダウンロードしたMNIST画像の１つを、Jupyter Notebook上に表示して確認しています。一つ一つのコードについては、上記のコード内にコメントで記載しました。ここでは、Numpyのreshape()関数と、matplotlib.pyplotのimshow()関数、show()関数を用いています。numpyとmatplotlibは機械学習プログラミングでよく使いますので、特にNumpyについては勉強しておく必要があります。
+<code>
+# 損失関数などを設定
+model.compile(loss='categorical_crossentropy',
+              optimizer=RMSprop(),
+              metrics=['accuracy'])
+</code>
+損失関数にcategorical_crossentropy関数を用いています。\\
+categorical_crossentropy:この目的関数を使うには，ラベルがバイナリ配列であり，その形状が(nb_samples, nb_classes)であることが必要だそうです（？？？）\\
-Numpyについては、[[http://twosquirrel.mints.ne.jp/?p=20153|Chainer用の画像処理メモ（５）初めてのNumPy"import numpy as np"]]をご覧いただければ幸いですが、pythonで機械学習を行うためには必須事項ですので、[[http://amzn.to/2zeJ7Lz|ゼロから作るDeep Learning]]などの本を読んで繰り返し写経して、ある程度しっかり勉強しておく必要があります。
+今回は、最適化関数（optimizer）に、RMSprop()を用いています。\\
+metricsについてはよくわかりません。。。（爆）
-後半のコードは、特にMNISTのtrainingを行う際には不要ですが、データを読み込んだときに、読み込んだデータと元のデータとの整合性の検証は大事なことなので、このようなコードを記載しました。
+KerasでのModel設定の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。
+初めての場合は、次は、とりあえず、<wrap hi>[[(4)モデル学習(Keras)]]</wrap>に進んでください。
-<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。
-</wrap>
-===== keras.datasets.mnist.load_data()関数について =====
+===== kerasで損失関数(=目的関数)の利用方法 =====
 作成中
+(参考)
+損失関数の利用方法について\\
+https://keras.io/ja/losses/\\
+https://keras.io/ja/objectives/
+機械学習における誤差関数、損失関数、etcについて\\
+http://otasuke.goo-net.com/qa8944219.html
+===== Optimizerについて =====
+optimizer(最適化)について\\
+https://keras.io/ja/optimizers/
 ===== 参考文献 =====
 初めてKerasプログラミングをやるときの超おすすめ本。\\