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。

--- 7_推測_keras [2017/11/17] – [0. 前回終了時の画面] adash333
+++ 7_推測_keras [2017/11/17] – [2. モデルの学習] adash333
@@ 行 66: / 行 66: @@
-==== 1. モデルの学習 ====
+==== 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>
-#5 結果の出力(Keras)
+# predict.py
-score = model.evaluate(x_test, y_test, verbose=0)
+#7 推測
-print('Test loss:', score[0])
-print('Test accuracy:', score[1])
+%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:20171110-045243.png}}
+{{: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。
-model.evaluate()関数により、入力値における損失値（損失関数に(x_test, y_test)の組み合わせを入力して出てきた結果）を返します。
+Kerasで推測の手順は上記でおしまいです。
-詳細はよく分かりませんが、score[0]にlossを、score[1]にaccuracyを持つようなリストを返すようです。
+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。
-lossは、おそらく、x_testの画像10000枚とその正解ラベルy_testのセットを、損失関数に入れたときの値（損失）だと思われます。（ググってもはっきりとした記載は見つけることはできませんでしたが、たぶんそれで間違いないと思います。）
+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。
-KerasでのModel学習の手順は上記でおしまいです。
+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。
-<wrap hi>
-初めての方は、次は、</wrap>[[(6)学習結果の保存(Keras)]]<wrap hi>に進んでください。
-</wrap>
 ===== accuracyとlossについて =====