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
87.20%
Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

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。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

受付中

kerasでディープラーニングを行う際、2回に分けて学習され、時間がかかってしまう。

dragon1
dragon1

総合スコア0

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

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。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0回答

0評価

0クリップ

1072閲覧

投稿2019/10/15 03:05

編集2022/01/12 10:55

kerasでディープラーニングを行う際、以前は以下のように、1回でまとめて学習できていたのですが、

Epoch 1/20 54000/54000 [==============================] - 3s - loss: 1.0019 - acc: 0.8119 - val_loss: 0.8717 - val_acc: 0.8598 Epoch 2/20 54000/54000 [==============================] - 3s - loss: 0.8861 - acc: 0.8243 - val_loss: 0.7685 - val_acc: 0.8712

少しコードをいじってしまったところ、元に戻しても以下のように2回に分けて学習されるようになってしまいました。
これはなぜなのでしょうか?
変更箇所

class_mode="categorical", から class_mode="sparse", に変更しました。

イメージ説明

以下、該当コードです。

import os import matplotlib.pyplot as plt import numpy as np from tensorflow.keras.applications.vgg16 import VGG16, preprocess_input from tensorflow.keras.layers import Dense, Dropout, Flatten from tensorflow.keras.models import Sequential from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.utils import get_file num_classes = 2 # クラス数 # VGG16 モデルを作成する。 vgg16 = VGG16(include_top=False, weights = "imagenet", input_shape=(224, 224, 3)) vgg16.trainable = False # 重みをフリーズする。 model = Sequential( [ vgg16, Flatten(), Dense(500, activation="relu"), Dropout(0.5), Dense(500, activation="relu"), Dropout(0.5), Dense(num_classes, activation="softmax"), ] ) model.summary() # コンパイル model.compile( optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"] ) # ハイパーパラメータ batch_size = 100 # バッチサイズ num_epochs = 35 # エポック数 # ImageDataGenerator を作成する。 datagen_params = { "preprocessing_function": preprocess_input, "horizontal_flip": True, "brightness_range": (0.7, 1.3), "validation_split": 0.2, } datagen = ImageDataGenerator(**datagen_params) # dataset_dir dataset_dir = '/content/drive/My Drive/Colab Notebooks/imgs/animal_images/train/' # test_dataset_dir = '/content/drive/My Drive/Colab Notebooks/imgs/sushi/test_images/' # 学習データを生成するジェネレーターを作成する。 train_generator = datagen.flow_from_directory( dataset_dir, target_size=(224, 224), batch_size=batch_size, class_mode="sparse", subset="training" ) # バリデーションデータを生成するジェネレーターを作成する。 val_generator = datagen.flow_from_directory( dataset_dir, target_size=(224, 224), batch_size=batch_size, class_mode="sparse", subset="validation", ) # クラス ID とクラス名の対応関係 print(train_generator.class_indices) # 学習する。 history = model.fit_generator( train_generator, steps_per_epoch=train_generator.samples // batch_size, validation_data=val_generator, validation_steps=val_generator.samples // batch_size, epochs=num_epochs, ) epochs = np.arange(1, num_epochs + 1) fig, [ax1, ax2] = plt.subplots(1, 2, figsize=(10, 4)) # 損失関数の履歴を可視化する。 ax1.plot(epochs, history.history["loss"], label="loss") ax1.plot(epochs, history.history["val_loss"], label="validation loss") ax1.set_xlabel("epochs") ax1.legend() # 精度の履歴を可視化する。 ax2.plot(epochs, history.history["acc"], label="accuracy") ax2.plot(epochs, history.history["val_acc"], label="validation accuracy") ax2.set_xlabel("epochs") ax2.legend() plt.show() # 評価する。 test_loss, test_acc = model.evaluate_generator(val_generator) print(f"test loss: {test_loss:.2f}, test accuracy: {test_acc:.2%}")

試したこと

python

(-)model.compile( (-) optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"] (-)) (+)model.compile( (+) optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"] (+))

python

(-) class_mode="categorical", (-) class_mode="sparse",

これらを試してみたのですが、特に変わったことはありませんでした。
以上、よろしくお願い致します。

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。

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。

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
  • 過去に投稿した質問と同じ内容の質問
  • 広告と受け取られるような投稿

評価を下げると、トップページの「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。

coco_bauer
coco_bauer

2019/10/15 03:14

コードのどの部分を、どのように、いじったのですか?
dragon1
dragon1

2019/10/15 03:24

``` datagen_params = { "preprocessing_function": preprocess_input, "horizontal_flip": True, "brightness_range": \(0\.7, 1\.3\), "validation_split": 0\.2, } ``` の中身を修正しただけです。
dragon1
dragon1

2019/10/15 03:45

あと、 class_mode="categorical", から class_mode="sparse", に変更しました。

まだ回答がついていません

会員登録して回答してみよう

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
87.20%

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

同じタグがついた質問を見る

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

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。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。