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

89.07%

<tensorflow>正解率が変わらない

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 309

TakaKan

score 10

前提・実現したいこと

tensorflowを使って画像をdeeplearningさせ、最終的にはももクロのメンバーを判別するアンドロイドアプリにしたいと思っています。

データ数としては、各クラスごとにトレーニングデータが300、テストデータが100枚です。(この比率に関しても調べたところさまざまな意見があるようですが、どのくらいが最適なのでしょうか?)

発生している問題・エラーメッセージ

公式チュートリアル(https://www.tensorflow.org/tutorials/images/classification)を参考にしてコードを少し書き換え、実行したのですが正解率に変動がなく、25%に留まってしまっています。

該当のソースコード

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri Feb  7 10:59:53 2020

@author: 
"""
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten, Dropout, MaxPooling2D
from tensorflow.keras.preprocessing.image import ImageDataGenerator
#import plot as plt
import os
import numpy as np
import matplotlib.pyplot as plt
"""
_URL = 'https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip'

path_to_zip = tf.keras.utils.get_file('cats_and_dogs.zip', origin=_URL, extract=True)

PATH = os.path.join(os.path.dirname(path_to_zip), 'cats_and_dogs_filtered')
"""

train_dir = "/users/kanta/desktop/tensorflow_mcz/dataset/train"
validation_dir = "/users/kanta/desktop/tensorflow_mcz/dataset/validation"

train_arin_dir = os.path.join(train_dir, 'arin') # 学習用のあーりん画像のディレクトリ
train_kanako_dir = os.path.join(train_dir, 'kanako')  # 学習用の夏菜子画像のディレクトリ
train_reni_dir = os.path.join(train_dir, 'reni')  # 学習用のれに画像のディレクトリ
train_shiori_dir = os.path.join(train_dir, 'shiori')  # 学習用の詩織画像のディレクトリ

validation_arin_dir = os.path.join(validation_dir, 'arin')  # 検証用のあーりん画像のディレクトリ
validation_kanako_dir = os.path.join(validation_dir, 'kanako')  # 検証用の夏菜子画像のディレクトリ
validation_reni_dir = os.path.join(validation_dir, 'reni')  # 検証用のれに画像のディレクトリ
validation_shiori_dir = os.path.join(validation_dir, 'shiori')  # 検証用の詩織画像のディレクトリ
num_arin_tr = len(os.listdir(train_arin_dir))
num_kanako_tr = len(os.listdir(train_kanako_dir))
num_reni_tr = len(os.listdir(train_reni_dir))
num_shiori_tr = len(os.listdir(train_shiori_dir))

num_arin_val = len(os.listdir(validation_arin_dir))
num_kanako_val = len(os.listdir(validation_kanako_dir))
num_reni_val = len(os.listdir(validation_reni_dir))
num_shiori_val = len(os.listdir(validation_shiori_dir))

total_train = num_arin_tr + num_kanako_tr +num_reni_tr+num_shiori_tr
total_val = num_arin_val + num_kanako_val +num_reni_val+num_shiori_val
print('total training arin images:', num_arin_tr)
print('total training kanako images:', num_kanako_tr)
print('total training reni images:', num_reni_tr)
print('total training shiori images:', num_shiori_tr)

print('total validation arin images:', num_arin_val)
print('total validation kanako images:', num_kanako_val)
print('total validation reni images:', num_reni_val)
print('total validation shiori images:', num_shiori_val)
print("--")
print("Total training images:", total_train)
print("Total validation images:", total_val)
batch_size = 128
epochs = 15
IMG_HEIGHT = 150
IMG_WIDTH = 150
train_image_generator = ImageDataGenerator(rescale=1./255) # 学習データのジェネレータ
validation_image_generator = ImageDataGenerator(rescale=1./255) # 検証データのジェネレータ
image_gen_train = ImageDataGenerator(
                    rescale=1./255,
                    rotation_range=45,
                    width_shift_range=.15,
                    height_shift_range=.15,
                    horizontal_flip=True,
                    zoom_range=0.5
                    )
train_data_gen = image_gen_train.flow_from_directory(batch_size=batch_size,
                                                     directory=train_dir,
                                                     shuffle=True,
                                                     target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                     class_mode='binary')
augmented_images = [train_data_gen[0][0][0] for i in range(5)]
#plotImages(augmented_images)

image_gen_val = ImageDataGenerator(rescale=1./255)
val_data_gen = image_gen_val.flow_from_directory(batch_size=batch_size,
                                                 directory=validation_dir,
                                                 target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                 class_mode='binary')

augmented_images = [train_data_gen[0][0][0] for i in range(5)]
# 上で学習用画像の可視化のために定義、使用されたおなじカスタムプロット関数を再利用する
#plotImages(augmented_images)

sample_training_images, _ = next(train_data_gen)

# この関数は、1行5列のグリッド形式で画像をプロットし、画像は各列に配置されます。
def plotImages(images_arr):
    fig, axes = plt.subplots(1, 5, figsize=(20,20))
    axes = axes.flatten()
    for img, ax in zip( images_arr, axes):
        ax.imshow(img)
        ax.axis('off')
    plt.tight_layout()
    plt.show()

plotImages(sample_training_images[:5])
model_new = Sequential([
    Conv2D(16, 3, padding='same', activation='relu', 
           input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
    MaxPooling2D(),
    Dropout(0.2),
    Conv2D(32, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Conv2D(64, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Dropout(0.2),
    Flatten(),
    Dense(512, activation='relu'),
    Dense(1, activation='sigmoid')
])

model_new.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

model_new.summary()

history = model_new.fit_generator(
    train_data_gen,
    steps_per_epoch=total_train // batch_size,
    epochs=epochs,
    validation_data=val_data_gen,
    validation_steps=total_val // batch_size
)

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

試したこと

過去にteratailで質問されている同じような質問の回答に乗っていることを試したりしましたが、良い結果は得られませんでした。

補足情報(FW/ツールのバージョンなど)

macbook air
python3

  • 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
    • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • tiitoi

    2020/02/07 20:00

    コードを見ましたが、ゼロから学習するのではなく、学習済みモデルを使って fine-tuning という形をとれば、多分精度がかなり上がると思います。
    ResNet50 とか有名なモデルは tensorflow.keras.application 以下にあるので、それを使ってみてはどうでしょうか。
    https://keras.io/ja/applications/

    キャンセル

  • meg_

    2020/02/08 11:55

    図を見るとaccuracyは7割くらいに見えるのですが、「正解率に変動がなく、25%」とはどういう意味でしょうか?

    キャンセル

  • TakaKan

    2020/02/08 18:58

    tiitoi様
    finetuningを用いたら、精度を70%ほどまで高めることができました!
    ありがとうございました。

    meg_様
    すみません...載せていたグラフはチュートリアルを行った時のグラフでした。
    凡ミスです。以後気をつけます。お手間をおかけいたしました。

    キャンセル

回答 1

check解決した方法

0

fine-tuningという方法を採用したところ、精度を向上させることができました。

みなさまありがとうございました!

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

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 89.07%
  • 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

関連した質問

同じタグがついた質問を見る