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%
深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

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。

Q&A

解決済

1回答

1862閲覧

CIFAR-100データセットの一部クラスのデータだけを使いたい

pontyo

総合スコア13

深層学習

深層学習は、多数のレイヤのニューラルネットワークによる機械学習手法。人工知能研究の一つでディープラーニングとも呼ばれています。コンピューター自体がデータの潜在的な特徴を汲み取り、効率的で的確な判断を実現することができます。

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グッド

0クリップ

投稿2019/12/09 10:57

CIFAR-10またはCIFAR-100データセットの一部のクラスのデータセットのみを抽出して、使用したいのですが方法がわからないです。例えば、5クラス分のみを抽出し、5クラス分類問題として学習と評価をしたいです。
全データを使う場合は、以下のコードで大丈夫なのですが、そこからどのように変更すれば良いのでしょうか。

python

1import cPickle 2import numpy as np 3import os 4 5def unpickle(file): 6 fo = open(file, 'rb') 7 dict = cPickle.load(fo) 8 fo.close() 9 return dict 10 11def conv_data2image(data): 12 return np.rollaxis(data.reshape((3,32,32)),0,3) 13 14def get_cifar10(folder): 15 tr_data = np.empty((0,32*32*3)) 16 tr_labels = np.empty(1) 17 ''' 18 32x32x3 19 ''' 20 for i in range(1,6): 21 fname = os.path.join(folder, "%s%d" % ("data_batch_", i)) 22 data_dict = unpickle(fname) 23 if i == 1: 24 tr_data = data_dict['data'] 25 tr_labels = data_dict['labels'] 26 else: 27 tr_data = np.vstack((tr_data, data_dict['data'])) 28 tr_labels = np.hstack((tr_labels, data_dict['labels'])) 29 30 data_dict = unpickle(os.path.join(folder, 'test_batch')) 31 te_data = data_dict['data'] 32 te_labels = np.array(data_dict['labels']) 33 34 bm = unpickle(os.path.join(folder, 'batches.meta')) 35 label_names = bm['label_names'] 36 return tr_data, tr_labels, te_data, te_labels, label_names 37 38def get_cifar100(folder): 39 train_fname = os.path.join(folder,'train') 40 test_fname = os.path.join(folder,'test') 41 data_dict = unpickle(train_fname) 42 train_data = data_dict['data'] 43 train_fine_labels = data_dict['fine_labels'] 44 train_coarse_labels = data_dict['coarse_labels'] 45 46 data_dict = unpickle(test_fname) 47 test_data = data_dict['data'] 48 test_fine_labels = data_dict['fine_labels'] 49 test_coarse_labels = data_dict['coarse_labels'] 50 51 bm = unpickle(os.path.join(folder, 'meta')) 52 clabel_names = bm['coarse_label_names'] 53 flabel_names = bm['fine_label_names'] 54 55 return train_data, np.array(train_coarse_labels), np.array(train_fine_labels), test_data, np.array(test_coarse_labels), np.array(test_fine_labels), clabel_names, flabel_names 56 57if __name__ == '__main__': 58 datapath = "./data/cifar-10-batches-py" 59 datapath2 = "./data/cifar-100-python" 60 61 tr_data10, tr_labels10, te_data10, te_labels10, label_names10 = get_cifar10(datapath) 62 tr_data100, tr_clabels100, tr_flabels100, te_data100, te_clabels100, te_flabels100, clabel_names100, flabel_names100 = get_cifar100(datapath2)

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

ベストアンサー

とりあえず、CIFAR-10 の方法のみ記述します。(試してませんが基本的に CIFAR-100 でも同じかと思います)

Python

1# 0,1,2,3,4 のみを対象とする 2target = [0,1,2,3,4] 3 4tr_mask = np.isin(tr_labels10 , target) 5custom_tr_data10 = tr_data10[tr_mask, :] 6custom_tr_labels10 = tr_labels10[tr_mask] 7 8te_mask = np.isin(te_labels10, target) 9custom_te_data10 = te_data10[te_mask, :] 10custom_te_labels10 = te_labels10[te_mask]

やっている内容は、Label データから対象とするか否かの Boolean List (tr_mask,te_mask) を作成して、その Boolean List を使って DataとLabelをフィルタリングしているだけです。

投稿2019/12/10 11:37

magichan

総合スコア15898

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

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