###前提・実現したいこと
個人的な趣味で、参考書のサンプルコードをもとに、深層学習を用いて動物を画像認識するプログラムを作っています。下記に示すソースコードのように、3つのカテゴリーに分類した画像データをもとにモデルを訓練させ、全体の正解率を出すプログラムを組みました。エラーはないのですが、このプログラムで、3つのカテゴリー(normal, boar2, others)のそれぞれにおいて分類した正解率も出せるようにしたいです。
具体的には、全体の正解率はacc = 0.9102...というように91%ですが、normalの正解率、boar2の正解率、othersの正解率も表示したいです。
また、出来たらでいいのですが、normalなのにboar2と判断された画像、反対にboar2なのにnormalと判断されたような画像の内訳も見れるようにしたいです。
###該当のソースコード
Python3.x
1from keras.models import Sequential 2from keras.layers import Conv2D, MaxPooling2D 3from keras.layers import Activation, Dropout, Flatten, Dense 4from keras.utils import np_utils 5import numpy as np 6 7root_dir = "./image/" 8categories = ["normal", "boar2", "others"] 9nb_classes = len(categories) 10image_size = 50 11 12# データ読み込み 13def main(): 14 X_train, X_test, y_train, y_test = np.load("./image/getboar2.npy") 15 #データを正規化 16 X_train = X_train.astype("float") / 256 17 X_test = X_test.astype("float") / 256 18 y_train = np_utils.to_categorical(y_train, nb_classes) 19 y_test = np_utils.to_categorical(y_test, nb_classes) 20 #モデルを訓練 & 評価 21 model = model_train(X_train, y_train) 22 model_eval(model, X_test, y_test) 23 24#モデル構築 25def build_model(in_shape): 26 model = Sequential() 27 model.add(Conv2D(32, (3, 3), padding='same', input_shape=in_shape)) 28 model.add(Activation('relu')) 29 model.add(MaxPooling2D(pool_size=(2, 2))) 30 model.add(Dropout(0.25)) 31 model.add(Conv2D(64, (3, 3), padding='same')) 32 model.add(Activation('relu')) 33 model.add(Conv2D(64, (3, 3))) 34 model.add(MaxPooling2D(pool_size=(2, 2))) 35 model.add(Dropout(0.25)) 36 model.add(Flatten()) 37 model.add(Dense(512)) 38 model.add(Activation('relu')) 39 model.add(Dropout(0.5)) 40 model.add(Dense(nb_classes)) 41 model.add(Activation('softmax')) 42 model.compile(loss = 'binary_crossentropy', optimizer = 'rmsprop', metrics=['accuracy']) 43 return model 44 45# 訓練 46def model_train(X, y): 47 model = build_model(X.shape[1:]) 48 model.fit(X, y, batch_size=32, epochs=30) 49 #モデル保存 50 hdf5_file = "./image/decideboar-model.hdf5" 51 model.save_weights(hdf5_file) 52 return model 53 54#モデル評価 55def model_eval(model, X, y): 56 score = model.evaluate(X, y) 57 print('loss=', score[0]) 58 print('accuracy=', score[1]) 59 60if __name__ == "__main__": 61 main()
###実行結果
$ python3 getboar_keras2.py
Using TensorFlow backend.
Epoch 1/30
13634/13634 [==============================] - 386s - loss: 1.3277 - acc: 0.9165
Epoch 2/30
13634/13634 [==============================] - 364s - loss: 1.3325 - acc: 0.9169
・
・
・
Epoch 30/30
13634/13634 [==============================] - 351s - loss: 1.3325 - acc: 0.9169
535/535 [==============================] - 5s
loss= 1.43822707305
accuracy= 0.910280388984
###補足情報(言語/FW/ツール等のバージョンなど)
参考書
http://www.socym.co.jp/support/s-1079
バージョン情報
appnope (0.1.0)
bleach (1.5.0)
chainer (2.0.1)
cycler (0.10.0)
decorator (4.1.2)
entrypoints (0.2.3)
filelock (2.0.10)
h5py (2.7.0)
html5lib (0.9999999)
ipykernel (4.6.1)
ipython (6.1.0)
ipython-genutils (0.2.0)
ipywidgets (6.0.0)
jedi (0.10.2)
Jinja2 (2.9.6)
jsonschema (2.6.0)
jupyter (1.0.0)
jupyter-client (5.1.0)
jupyter-console (5.1.0)
jupyter-core (4.3.0)
Keras (2.0.8)
Markdown (2.6.9)
MarkupSafe (1.0)
matplotlib (2.0.2)
mistune (0.7.4)
nbconvert (5.2.1)
nbformat (4.3.0)
networkx (1.11)
nose (1.3.7)
notebook (5.0.0)
numpy (1.13.1)
olefile (0.44)
opencv-python (3.3.0.9)
pandas (0.20.3)
pandocfilters (1.4.1)pexpect (4.2.1)
pickleshare (0.7.4)
Pillow (4.2.1)
pip (9.0.1)
prompt-toolkit (1.0.14)
protobuf (3.4.0)
ptyprocess (0.5.2)
Pygments (2.2.0)
pyparsing (2.2.0)
python-dateutil (2.6.1)
pytz (2017.2)
PyWavelets (0.5.2)
PyYAML (3.12)
pyzmq (16.0.2)
qtconsole (4.3.0)
scikit-image (0.13.0)
scikit-learn (0.18.2)
scipy (0.19.1)
setuptools (36.2.7)
simplegeneric (0.8.1)
six (1.10.0)
tensorflow (1.3.0)
tensorflow-tensorboard (0.1.5)
terminado (0.6)
testpath (0.3.1)
tornado (4.5.1)
traitlets (4.3.2)
wcwidth (0.1.7)
webencodings (0.5.1)
Werkzeug (0.12.2)
wheel (0.29.0)
widgetsnbextension (2.0.0)
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。
2017/11/08 07:16