質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.40%

  • Python 2.7

    1486questions

    Python 2.7は2.xシリーズでは最後のメジャーバージョンです。Python3.1にある機能の多くが含まれています。

  • Chainer

    220questions

    Chainerは、国産の深層学習フレームワークです。あらゆるニューラルネットワークをPythonで柔軟に書くことができ、学習させることが可能。GPUをサポートしており、複数のGPUを用いた学習も直感的に記述できます。

Epoch毎にTraining DataからRandom Cropしてデータセットを作成したい

受付中

回答 0

投稿

  • 評価
  • クリップ 0
  • VIEW 891

F0ecks

score 1

Python 2.7
Chainer 3.3.0
ChainerCV 0.8.0
Ubuntu 14.04 (64bit)

現在、ChainerのTrainer機能を使用した学習を考えており、下記の図のように新しいEpochが始まるたびにTrainingデータからRandom cropして切り出して、そのEpochでのデータセットにしようと考えています。(Validationデータでは処理しない)

Epoch 1    Random cropしてデータセットを作成



Epoch 2    Random cropしてデータセットを作成

Chainerのサンプルコードを元に下記のプログラムを作成してみたのですが、上記のような処理が出来ず試行錯誤しています。
もし上記の処理が可能であるならば、アドバイスをよろしくお願いします。

import argparse

import chainer
import numpy as np
from PIL import Image

from chainer.datasets import TransformDataset
from chainer import iterators
from chainer import optimizers
from chainer import training
from chainer.training import extensions

from chainercv import transforms
from chainercv.datasets import camvid_label_names
from chainercv.datasets import CamVidDataset
from chainercv.extensions import SemanticSegmentationEvaluator
from chainercv.links import PixelwiseSoftmaxClassifier
from model import Integrating_Multiple_Deep_Networks

def train_transform(in_data, crop_size=(240, 320)):
    img, label = in_data
    if (img.shape[1] < crop_size[0]) or (img.shape[2] < crop_size[1]):
        shorter_side = min(img.shape[1:])
        _crop_size = (shorter_side, shorter_side)
        img, param = transforms.random_crop(img, _crop_size, True)
    else:
        img, param = transforms.random_crop(img, crop_size, True)
    label = label[param['y_slice'], param['x_slice']]

    if np.random.rand() > 0.5:
        img = transforms.flip(img, x_flip=True)
        label = transforms.flip(label[None, ...], x_flip=True)[0]

    if np.random.rand() > 0.5:
        img = img[:, :, ::-1]
        label = label[:, ::-1]

    return img, label

def val_transform(in_data, crop_size=(240, 320)):
    img, label = in_data
    if (img.shape[1] < crop_size[0]) or (img.shape[2] < crop_size[1]):
        shorter_side = min(img.shape[1:])
        _crop_size = (shorter_side, shorter_side)
        img, param = transforms.random_crop(img, _crop_size, True)
    else:
        img, param = transforms.random_crop(img, crop_size, True)
    label = label[param['y_slice'], param['x_slice']]

    return img, label

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument('--gpu', type=int, default=0)
    parser.add_argument('--batchsize', type=int, default=2)
    parser.add_argument('--class_weight', type=str, default='class_weight.npy')
    parser.add_argument('--out', type=str, default='result')
    args = parser.parse_args()

    # Triggers
    log_trigger = (1, 'epoch')
    validation_trigger = (1, 'epoch')
    end_trigger = (100, 'epoch')

    # Dataset
    train = CamVidDataset(split='train')
    train = TransformDataset(train, train_transform)
    val = CamVidDataset(split='val')
    val = TransformDataset(val, val_transform)

    # Iterator
    train_iter = iterators.MultiprocessIterator(train, args.batchsize)
    val_iter = iterators.MultiprocessIterator(
        val, args.batchsize, shuffle=False, repeat=False)

    # Model
    class_weight = np.load(args.class_weight)
    model = Integrating_Multiple_Deep_Networks(n_ch=2, n_class=11, n_expt=3)
    model = PixelwiseSoftmaxClassifier(
        model, class_weight=class_weight)
    if args.gpu >= 0:
        # Make a specified GPU current
        chainer.cuda.get_device_from_id(args.gpu).use()
        model.to_gpu()  # Copy the model to the GPU

    # Optimizer
    optimizer = optimizers.Adam()
    optimizer.setup(model)

    # Updater
    updater = training.StandardUpdater(train_iter, optimizer, device=args.gpu)

    # Trainer
    trainer = training.Trainer(updater, end_trigger, out=args.out)

    trainer.extend(extensions.LogReport(trigger=log_trigger))

    if extensions.PlotReport.available():
        trainer.extend(extensions.PlotReport(
            ['main/loss', 'val/main/loss'], x_key='epoch',
            file_name='loss.png'))
        trainer.extend(extensions.PlotReport(
            ['validation/main/miou'], x_key='epoch',
            file_name='miou.png'))

    trainer.extend(extensions.snapshot_object(
        model.predictor, filename='model_epoch-{.updater.epoch}'),
        trigger=end_trigger)
    trainer.extend(extensions.PrintReport(
        ['epoch', 'main/loss', 'val/main/loss', 'validation/main/miou', 'elapsed_time']), trigger=log_trigger)
    trainer.extend(extensions.ProgressBar(update_interval=10))

    trainer.extend(extensions.Evaluator(val_iter, model, device=args.gpu), name='val')
    trainer.extend(
        SemanticSegmentationEvaluator(
            val_iter, model.predictor,
            camvid_label_names),
        trigger=validation_trigger)

    trainer.run()


if __name__ == '__main__':
    main()
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

まだ回答がついていません

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.40%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • Python 2.7

    1486questions

    Python 2.7は2.xシリーズでは最後のメジャーバージョンです。Python3.1にある機能の多くが含まれています。

  • Chainer

    220questions

    Chainerは、国産の深層学習フレームワークです。あらゆるニューラルネットワークをPythonで柔軟に書くことができ、学習させることが可能。GPUをサポートしており、複数のGPUを用いた学習も直感的に記述できます。