for文の意味について

Question

自分で作っておいてなんですが、

    # テスト
    scoreboard = []
    for record in test_data_list:
        idata = (np.array(out_data_list0) / 255.0 * 0.99) + 0.01
        predict = nn.feedforward(idata)
        plabel = np.argmax(predict)
        print("predict" ,predict)
        print("plabel" ,plabel)
        pass

    scoreboard_array = np.asarray(scoreboard)
    print('performance: ', scoreboard_array.sum() / scoreboard_array.size)

このfor文ってrecord使われてないし、回してるの１回だけですよね？？forの意味ないですかね？
これに関する質問をここで更にするかも知れません。

以下コード全文です。

from google.colab import drive
drive.mount('/content/drive')

import sys
import numpy as np
import matplotlib.pyplot as plt

sys.path.append('/content/drive/My Drive')

import ActivationFunction as AF

from PIL import Image
from IPython.display import display

img = Image.open("drive/My Drive/mnist_dataset/rei.jpeg")
img = img.resize((100, 100))
img = np.asarray(img)

size = 5

v_split = img.shape[0] // size
h_split = img.shape[1] // size
out_img = []
[out_img.extend(np.hsplit(h_img, h_split))
    for h_img in np.vsplit(img, v_split)]

plt.subplot(17, 6, 1).imshow(out_img[1])
plt.subplot(17, 6, 2).imshow(out_img[2])
plt.subplot(17, 6, 3).imshow(out_img[3])
plt.subplot(17, 6, 4).imshow(out_img[4])
plt.subplot(17, 6, 5).imshow(out_img[5])
plt.subplot(17, 6, 6).imshow(out_img[6])
plt.subplot(17, 6, 7).imshow(out_img[7])
plt.subplot(17, 6, 8).imshow(out_img[8])
plt.subplot(17, 6, 9).imshow(out_img[9])
plt.subplot(17, 6, 10).imshow(out_img[10])
plt.subplot(17, 6, 11).imshow(out_img[11])
plt.subplot(17, 6, 12).imshow(out_img[12])
plt.subplot(17, 6, 13).imshow(out_img[13])
plt.subplot(17, 6, 14).imshow(out_img[14])
plt.subplot(17, 6, 15).imshow(out_img[15])
plt.subplot(17, 6, 16).imshow(out_img[16])
plt.subplot(17, 6, 17).imshow(out_img[17])
plt.subplot(17, 6, 18).imshow(out_img[18])
plt.subplot(17, 6, 19).imshow(out_img[19])
plt.subplot(17, 6, 20).imshow(out_img[20])
plt.subplot(17, 6, 21).imshow(out_img[21])
plt.subplot(17, 6, 22).imshow(out_img[22])
plt.subplot(17, 6, 23).imshow(out_img[23])
plt.subplot(17, 6, 24).imshow(out_img[24])
plt.subplot(17, 6, 25).imshow(out_img[25])
plt.subplot(17, 6, 26).imshow(out_img[26])
plt.subplot(17, 6, 27).imshow(out_img[27])
plt.subplot(17, 6, 28).imshow(out_img[28])
plt.subplot(17, 6, 29).imshow(out_img[29])
plt.subplot(17, 6, 30).imshow(out_img[30])
plt.subplot(17, 6, 31).imshow(out_img[31])
plt.subplot(17, 6, 32).imshow(out_img[32])

# PILで開いたうえでデータをNumpy形式にする
# （例えばJPEGは圧縮されていてNumpyな配列になっていないので、
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
tefilename = "test2.png"
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
teimg = teimg.resize((10, 10))
teimg = np.asarray(teimg)

def extract(x, y):
    # カラー画像の時Gだけ抜き取りたい
    if len(x.shape) == 3:
        h, w, ch = x.shape

    # RGBのGだけ抜き取りたい
    return x[:,:,y]

v_max, v_min = 300, 200

def diff(x):
    imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
    for (img, imgt) in zip(x, x.T):
        rows = img[(v_min<img)&(v_max>img)]
        columns = imgt[(v_min<imgt)&(v_max>imgt)]
        imgrows.append(rows)
        lenrows.append(len(rows))
        imgcolumns.append(columns)
        lencolumns.append(len(columns))
    return lenrows + lencolumns

test_data_list = []

test_data_list.append([0] + diff(extract(teimg, 1)) + diff(extract(teimg, 2))  + diff(extract(teimg, 0))) # 略

out_data_list0 = []

out_data_list0.append([0] + diff(extract(out_img[0], 1)) + diff(extract(out_img[0], 2))  + diff(extract(out_img[0], 0)))

out_data_list1 = []

out_data_list1.append([0] + diff(extract(out_img[1], 1)) + diff(extract(out_img[1], 2))  + diff(extract(out_img[1], 0)))

# 見本データに対しても同様に
# exについて同様に
training_data_list = []

for i in range(10):
    for e in range(1):
        trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
        trad = trad.resize((10, 10))
        trad = np.asarray(trad)
        #g #b #r 抽出後diffしてappend
        training_data_list.append([i] + diff(extract(trad, 1)) + diff(extract(trad, 2))  + diff(extract(trad, 0))) # 略

print("training_data_list" ,training_data_list)
print("training_data_list[1:]" ,training_data_list[1:])

# 3層ニューラルネットワーク
class ThreeLayerNetwork:
    # コンストラクタ
    def __init__(self, inodes, hnodes, onodes, lr):
        # 各レイヤーのノード数
        self.inodes = inodes
        self.hnodes = hnodes
        self.onodes = onodes

        # 学習率
        self.lr = lr

        # 重みの初期化
        self.w_ih = np.random.normal(0.0, 1.0, (self.hnodes, self.inodes))
        self.w_ho = np.random.normal(0.0, 1.0, (self.onodes, self.hnodes))

        # 活性化関数
        self.af = AF.sigmoid
        self.daf = AF.derivative_sigmoid

    # 誤差逆伝搬
    def backprop(self, idata, tdata):

        # 縦ベクトルに変換
        o_i = np.array(idata, ndmin=2).T
        t = np.array(tdata, ndmin=2).T

        # 隠れ層
        np.set_printoptions(threshold=10000)
        x_h = np.dot(self.w_ih, o_i)
        o_h = self.af(x_h)

        # 出力層
        x_o = np.dot(self.w_ho, o_h)
        o_o = self.af(x_o)

        # 誤差計算
        e_o = (t - o_o)
        e_h = np.dot(self.w_ho.T, e_o)

        # 重みの更新
        self.w_ho += self.lr * np.dot((e_o * self.daf(o_o)), o_h.T)
        self.w_ih += self.lr * np.dot((e_h * self.daf(o_h)), o_i.T)


    # 順伝搬
    def feedforward(self, idata):
        # 入力のリストを縦ベクトルに変換
        o_i = np.array(idata, ndmin=2).T

        # 隠れ層
        x_h = np.dot(self.w_ih, o_i)
        o_h = self.af(x_h)

        # 出力層
        x_o = np.dot(self.w_ho, o_h)
        o_o = self.af(x_o)

        return o_o

if __name__=='__main__':
    # パラメータ
    #inodes=784から30に変更
    inodes = 31
    hnodes = 100
    onodes = 10
    lr = 0.3

    # ニューラルネットワークの初期化
    nn = ThreeLayerNetwork(inodes, hnodes, onodes, lr)

    # 学習
    epoch = 50
    # 50000
    for e in range(epoch):
        print('#epoch ', e)
        data_size = len(training_data_list)
        for i in range(data_size):
            if i % 1000 == 0:
                print('  train: {0:>5d} / {1:>5d}'.format(i, data_size))
            idata = (np.array(out_data_list1) / 255.0 * 0.99) + 0.01
            # 変更の余地あり
            tdata = np.zeros(onodes) + 0.01
            tdata[out_data_list1[0]] = 0.99
            nn.backprop(idata, tdata)
            pass
        pass

    # テスト
    scoreboard = []
    for record in test_data_list:
        idata = (np.array(out_data_list0) / 255.0 * 0.99) + 0.01
        predict = nn.feedforward(idata)
        plabel = np.argmax(predict)
        print("predict" ,predict)
        print("plabel" ,plabel)
        pass

    scoreboard_array = np.asarray(scoreboard)
    print('performance: ', scoreboard_array.sum() / scoreboard_array.size)

Comments

[quickquip]

なぜ回してるの１回だけだと推測しているのかを書かないと他人には伝わらないですよ。

[ques346]

recordがないから？forの中に

[quickquip]

「recordがないから」という理由で「回してるのが１回だけ」なのでは? と思ったということですか?
そういう思考の過程は質問に書きましょう。

こういう状態で「確かにそうですね、1回しか回らないので不要そうですね」という回答が付いた時、その回答者とあなたの間では何の情報も交換されていなく、双方で全然違うことを考えているのにやりとりだけはつじつまが合っているという状況になりえますよね。

[meg_]

> 回してるの１回だけですよね？？
そう思った理由は何でしょうか？

[jbpb0]

「test_data_list」の中身が複数なら、Zuishinさんが回答に書いてるように、forループは複数回回りますけど、それが意味あるかは、forループ内が複数回実行される必要があるかどうか、によりますよね

コードの詳細読んでないので外してるかもしれませんが、毎回同じ「out_data_list0」を使ってるから、結果は毎回同じになるのでは？
ループ内を実行する度に「out_data_list0」の内容が変わるのなら、結果変わるのでしょうけど

もし、ループの毎回で結果同じなら、ループ回す必要ないですよね

Answer 1

record を使おうが使うまいが test_data_list の要素数だけループします。
test_data_list の要素数が常に 1 なら for の必要はないでしょうが、そうでないなら必要でしょう。

Answer 2

それがどんな状況でも一回しか回らない、というのがわかってるなら、forの意味はないでしょうね。