===== (7)学習結果を用いて推測する(Keras) ===== Keras2でMNIST目次\\ [[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)]]　<= いまココ Import文を記載後、モデルとパラメータを読み込み、分類したい新しい画像データをNumpy配列に変換したのち、予測を行います。


# predict.py
# predict_MNIST_MLP(Keras2.0)
#7 推測(Keras)

（途中）

作成中。参考：自前のデータでKerasで画像分類を写経してみる（２）\\ 2017/8/5 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。


# 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')

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、


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')

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[[(6)学習結果の保存(Keras)]]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、[[Keras2用自前データの準備]]へお進みください。 ===== 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。\\ ===== リンク ===== 次： [[機械学習成果をWEBで公開]] 前： [[(6)学習結果の保存(Keras)]] Keras2でMNIST目次\\ [[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)]] 今回で、KerasによるMNISTコードの解説シリーズはおしまいです。次： [[機械学習成果をWEBで公開]]