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!

新規登録して質問してみよう
ただいま回答率
85.50%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Q&A

1回答

848閲覧

Tensorflowでの学習が入力が多次元になるとうまくいかない.

rosbergf1

総合スコア13

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

0グッド

0クリップ

投稿2019/07/14 19:05

前提・実現したいこと

Tensorflowを使い慣れようと簡単な関数近似を自分でやってみようと思ったのですが, 学習がうまくできていません. 1入力の場合は, 学習がうまくできたのですが, 入力が多次元になるとうまくいきません.
学習させている関数は,
f(x,y) = {sin(x^2)/cos(y) + x^2 - 5y + 30} / 80
です.
xとyは[-5,5]の範囲で乱数を与え, (x,y)の組は100個用意しています.

該当のソースコード

Python

1import matplotlib.pyplot as plt 2import numpy as np 3import tensorflow as tf 4import random 5 6def init_weight_variable(shape): 7 """Initialize variable in a suitable way for weights.""" 8 initial = tf.truncated_normal(shape, stddev=0.1) 9 return tf.Variable(initial) 10 11 12def init_bias_variable(shape): 13 """Initialize variable in a suitable way for biases.""" 14 initial = tf.constant(0.1, shape=shape) 15 return tf.Variable(initial) 16 17 18# Step 1. Prepare data 19n_data = 100 20N_DATA = 100 21indata_max = 5 22indata_min = -5 23outdata_max = 0.4 24outdata_min = 0.3 25n_input = 2 26n_output = 1 27 28train_x = (indata_max - indata_min) * np.random.rand(n_data, n_input) + indata_min 29train_x = (train_x - indata_min) / (indata_max - indata_min) 30train_x = np.array(train_x) 31print(train_x.shape) 32train_answer = (np.sin(np.power(train_x[:, 0],2)) / np.cos(train_x[:, 1]) + train_x[:, 0]*train_x[:, 0] - 5*train_x[:, 1] + 30) / 80 33#train_answer = np.sin(train_x) 34train_y = (train_answer - outdata_min) / (outdata_max - outdata_min) 35#train_y = train_answer 36print(train_y.shape) 37# Step 2. Define operation 38x = tf.placeholder(tf.float32, (None, n_input)) 39y_answer = tf.placeholder(tf.float32) 40 41n_hidden = 100 42 43w1 = init_weight_variable((n_input, n_hidden)) 44b1 = init_bias_variable((n_hidden,)) 45h1 = tf.nn.relu(tf.matmul(x, w1) + b1) 46 47w2 = init_weight_variable((n_hidden, n_hidden)) 48b2 = init_bias_variable((n_hidden,)) 49h2 = tf.nn.relu(tf.matmul(h1, w2) + b2) 50 51w8 = init_weight_variable((n_hidden, n_output)) 52b8 = init_bias_variable((n_output,)) 53y_model = tf.matmul(h2, w8) + b8 54 55loss = tf.reduce_mean((y_model - y_answer)**2) 56#train = tf.train.AdamOptimizer(1e-6).minimize(loss) 57train = tf.train.GradientDescentOptimizer(1e-4).minimize(loss) 58init = tf.global_variables_initializer() 59 60 61# Step 3. Run operation 62with tf.Session() as sess: 63 sess.run(init) 64 epoch = 100000 65 iteration = int(train_x.size/(n_input*batch_size)) 66 vec_loss = [] 67 batch_size = 32 # バッチサイズ 68 for i in range(epoch): 69 # ランダムなindexを作成(0〜学習データのサイズをバッチの個数分) 70 rnd_idx = np.random.randint(0, int(train_x.size/n_input), int(train_x.size/n_input)) 71 for j in range(iteration): 72 x_batch_data = train_x[rnd_idx][j*batch_size:(j+1)*batch_size] 73 y_batch_data = train_y[rnd_idx][j*batch_size:(j+1)*batch_size] 74 sess.run(train, feed_dict={x: x_batch_data, y_answer: y_batch_data}) 75 76 losstrain = sess.run(loss, feed_dict={x: train_x, y_answer: train_y}) 77 vec_loss.append(losstrain) 78 if i % (epoch/10) == 0: 79 print(i,"epoch, " f"Loss: {losstrain}") 80 81 train_y_model = sess.run(y_model, {x: train_x, y_answer: train_y}) 82 train_output = train_y_model * (outdata_max - outdata_min) + outdata_min 83 #train_output = train_y_model 84 plt.plot(train_answer, label='Train_answer') 85 plt.plot(train_output, label='Train_model') 86 plt.legend() 87 plt.show() 88 89 plt.plot(vec_loss, label='Error of training') 90 plt.legend() 91 plt.show() 92 93 test_x = (indata_max - indata_min) * np.random.rand(n_data, n_input) + indata_min 94 test_x = (test_x - indata_min) / (indata_max - indata_min) 95 test_x = np.array(test_x) 96 test_answer = (np.sin(np.power(test_x[:, 0],2)) / np.cos(test_x[:, 1]) + test_x[:, 0]*test_x[:, 0] - 5*test_x[:, 1] + 30) / 80 97 #test_answer = np.sin(test_x) 98 test_y = (test_answer - outdata_min) / (outdata_max - outdata_min) 99 #test_y = test_answer 100 test_y_model = sess.run(y_model, {x: test_x, y_answer: test_y}) 101 test_output = test_y_model * (outdata_max - outdata_min) + outdata_min 102 #test_output = test_y_model 103plt.plot(test_answer, label='Test_answer') 104plt.plot(test_output, label='Test_model') 105plt.legend() 106plt.show()

個人的に思うこと

1入力ではうまくいくことから, 行列の書き方が悪いのだと考えています.
もともとは, 自作でC++を使ってニューラルネットワークを書いていたので, 計算の流れなどはわかっているのですが, Tensorflowを使い始めて日が浅いこともあり, 書き方がいまいちつかめていません.

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

単純にやろうとしている関数が難しすぎるのではないでしょうか。

シンプルな線形関数や、せいぜい2次関数程度にしておくことをおすすめします。

投稿2019/07/14 19:14

hayataka2049

総合スコア30933

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだベストアンサーが選ばれていません

会員登録して回答してみよう

アカウントをお持ちの方は

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
85.50%

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る

質問する

関連した質問