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。

--- 4_モデル学習_keras [2017/11/09] – [(4)モデル学習(Keras)] adash333
+++ 4_モデル学習_keras [2017/11/17] – 以前のリビジョンを復元 (2017/11/10) adash333
@@ 行 19: / 行 19: @@
 </code>
-作成中
 ===== 開発環境 =====
@@ 行 39: / 行 38: @@
 {{:pasted:20171106-063759.png}}
-==== 1. モデルの設定 ====
+==== 1. モデルの学習 ====
 以下のコードを入力して、Shift + Enterを押します。
@@ 行 58: / 行 57: @@
-順に解説していきます。
+model.fit()関数により、モデルの学習を実行しています。
+引数については、KerasのDocumentationそのままとなりますが、以下に記載します。
+----
+x: 入力データ，Numpy 配列，あるいは Numpy 配列のリスト （モデルに複数の入力がある場合）\\
+y: ラベル，Numpy 配列．
+batch_size: 整数．設定したサンプル数ごとに勾配の更新を行います。今回は、[[(3)モデル設定(Keras)]]のところで、batch_size = 128と設定していましたので、128が用いられています。
+epochs: 整数で，モデルを訓練するエポック数。今回は、[[(3)モデル設定(Keras)]]のところで、epochs = 3と設定していましたので、3回学習が行われています。
+verbose: 0とすると標準出力にログを出力しません． 1の場合はログをプログレスバーで標準出力，2 の場合はエポックごとに1行のログを出力します
+validation_data=(x_test, y_test): ホールドアウト検証用データとして使うデータのタプル (x_val, y_val) か (x_val, y_val, val_sample_weights)。設定すると validation_split を無視します。
+----
@@ 行 64: / 行 80: @@
 <wrap hi>
-初めての場合は、次は、とりあえず、</wrap>[[(4)モデル学習(Keras)]]<wrap hi>に進んでください。
+初めての方は、次は、</wrap>[[(5)結果の出力(Keras)]]<wrap hi>に進んでください。
 </wrap>
-===== kerasで損失関数(=目的関数)の利用方法 =====
+(参考)
+Keras チュートリアル\\
+sasayabaku
+年08月16日に更新\\
+https://qiita.com/sasayabaku/items/64a01363bcd5c44feb0b
-作成中
-(参考)
+===== kerasのSequentialモデルのfitメソッドについて =====
-損失関数の利用方法について\\
-https://keras.io/ja/losses/\\
-https://keras.io/ja/objectives/
+https://keras.io/ja/models/sequential/\\
+{{:pasted:20171110-035359.png}}
-機械学習における誤差関数、損失関数、etcについて\\
+fit()関数は、固定のエポック数でモデルを訓練します。
-http://otasuke.goo-net.com/qa8944219.html
-===== Optimizerについて =====
+戻り値は、History オブジェクト。History.history 属性は、実行に成功したエポックにおける訓練の損失値と評価関数値の記録と，（適用可能ならば）検証における損失値と評価関数値も記録しています。
-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。\\
-<html>
+model.fit()の返り値を出力を変数に格納すると学習過程のパラメータの推移をプロットできます。
-<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=13a7db2c19cc5f40d6ab48906de8abd1"></iframe>
+上記の例では、Historyに格納しているので、以下のようなコードで、lossやaccuracyのグラフを出力することができます。
-&nbsp;
+<code>
+import matplotlib.pyplot as plt
+%matplotlib inline
+loss = history.history['loss']
+val_loss = history.history['val_loss']
-<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=4839962510&linkId=d722909965b5eab4196d370757843f6f"></iframe>
+# lossのグラフ
-</html>
+plt.plot(range(3), loss, marker='.', label='loss')
+plt.plot(range(3), val_loss, marker='.', label='val_loss')
+plt.legend(loc='best', fontsize=10)
+plt.grid()
+plt.xlabel('epoch')
+plt.ylabel('loss')
+plt.show()
+</code>
-===== リンク =====
+{{:pasted:20171110-040150.png}}
-次 [[(4)モデル学習(Keras)]]
+<code>
+import matplotlib.pyplot as plt
+%matplotlib inline
+acc = history.history['acc']
+val_acc = history.history['val_acc']
-前 [[(2)データ準備(Keras)]]
+# accuracyのグラフ
+plt.plot(range(3), acc, marker='.', label='acc')
+plt.plot(range(3), val_acc, marker='.', label='val_acc')
+plt.legend(loc='best', fontsize=10)
+plt.grid()
+plt.xlabel('epoch')
+plt.ylabel('acc')
+plt.show()
+</code>
+{{:pasted:20171110-040318.png}}
-<wrap hi>Keras2でMNIST目次</wrap>\\
-[[Kerasプログラミングの全体図]]
-  -[[(1)Kerasを使用するためのimport文]]
-  -[[(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)]]
+===== Optimizerについて =====
+optimizer(最適化)について\\
+https://keras.io/ja/optimizers/
 ===== 参考文献 =====