Q&A
タグについているNeural Network ConcoleはSONYのMLツールなので，本質問に関係のないタグとなっていますので削除の検討をお願いします．同時に，貴コードはPythonで書かれたものなのでPythonタグを付けると閲覧数が増えて回答が得られやすくなります．
また，学習曲線を描画するコードを掲載いただけると原因の解明に繋がりそうなので，追記願います．
実現したいこと
Pytorchのneural networkを実装したところ、学習曲線が直線的になる原因が知りたいです。
前提
現在、Python3.7にPytorchを入れて、
https://free.kikagaku.ai/tutorial/basic_of_deep_learning/learn/pytorch_basic
こちらのサイトを参考に、92のパラメータから3つのクラスに分類する２層のneural networkを作成しました。
発生している問題・エラーメッセージ
学習結果は98％程度得られていいのですが、学習曲線を描出すると、直線的になります。
更に検証用、テスト用のデータセットをランしても同様に直線的な結果になります。
バッチサイズも10にしていますが、x軸のサンプルサイズが3,000近くになります。
エラーメッセージ
該当のソースコード
import pandas as pd import numpy as np import torch import torch.nn as nn import torch.nn.functional as F data = pd.read_csv("data.csv", index_col = 0) label=pd.read_csv("label.csv",index_col = 0) data=data.astype('f') label=label.values.astype('i') data=np.array(data,dtype=np.float32) label=label.reshape(-1) x = torch.tensor(data, dtype=torch.float32) t = torch.tensor(label, dtype=torch.int64) print(x.size()) print(t.size()) dataset = torch.utils.data.TensorDataset(x, t) # 各データセットのサンプル数を決定 # train : val: test = 60% : 20% : 20% n_train = int(len(dataset) * 0.6) n_val = int(len(dataset) * 0.2) n_test = len(dataset) - n_train - n_val # ランダムに分割を行うため、シードを固定して再現性を確保 torch.manual_seed(0) # データセットの分割 train, val, test = torch.utils.data.random_split(dataset, [n_train, n_val, n_test]) # バッチサイズ batch_size = 10 # shuffle はデフォルトで False のため、学習データのみ True に指定 train_loader = torch.utils.data.DataLoader(train, batch_size, shuffle=True) val_loader = torch.utils.data.DataLoader(val, batch_size) test_loader = torch.utils.data.DataLoader(test, batch_size) class Net(nn.Module): # 使用するオブジェクトを定義 def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(92, 31) self.fc2 = nn.Linear(31, 3) # 順伝播 def forward(self, x): x = self.fc1(x) x = F.relu(x) x = self.fc2(x) return x # 乱数のシードを固定して再現性を確保 torch.manual_seed(0) # インスタンス化 net = Net() criterion = F.cross_entropy optimizer = torch.optim.SGD(net.parameters(), lr=0.1) batch = next(iter(train_loader)) x, t = batch # 予測値の算出 y = net.forward(x) # call メソッドを用いた forward の計算（推奨） y = net(x) # 目的関数の計算 criterion の call メソッドを利用 loss = criterion(y, t) # 全結合層 fc1 の重みに関する勾配 net.fc1.weight.grad # 全結合層 fc1 のバイアスに関する勾配 net.fc1.bias.grad # 全結合層 fc2 の重みに関する勾配 net.fc2.weight.grad # 全結合層 fc2 のバイアスに関する勾配 net.fc2.bias.grad # 勾配の算出 loss.backward() # 勾配の情報を用いたパラメータの更新 optimizer.step() # 演算に使用できる GPU の有無を確認 torch.cuda.is_available() # GPU の設定状況に基づいたデバイスの選択 device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') # 指定したデバイスへのモデルの転送 net.to(device) # 指定したデバイスへの入力変数の転送 x = x.to(device) # 指定したデバイスへの目的変数の転送 t = t.to(device) # 勾配情報の初期化 optimizer.zero_grad() # エポックの数 max_epoch = 1 ############################################################# # モデルの初期化 torch.manual_seed(0) # モデルのインスタンス化とデバイスへの転送 net = Net().to(device) # 最適化手法の選択 optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 学習ループ for epoch in range(max_epoch): for batch in train_loader: # バッチサイズ分のサンプルを抽出 x, t = batch # 学習時に使用するデバイスへデータの転送 x = x.to(device) t = t.to(device) # パラメータの勾配を初期化 optimizer.zero_grad() # 予測値の算出 y = net(x) # 目標値と予測値から目的関数の値を算出 loss = criterion(y, t) # 目的関数の値を表示して確認 # item(): tensot.Tensor => float print('loss: ', loss.item()) # 各パラメータの勾配を算出 loss.backward() # 勾配の情報を用いたパラメータの更新 optimizer.step() # dim=1 で行ごとの最大値に対する要素番号を取得（dim=0 は列ごと） y_label = torch.argmax(y, dim=1) # 予測値から最大となるクラスの番号を取り出した結果 y_label # 正解率 acc = torch.sum(y_label == t) * 1.0 / len(t) acc ####################################################### # モデルの初期化 torch.manual_seed(0) # モデルのインスタンス化とデバイスへの転送 net = Net().to(device) # 最適化手法の選択 optimizer = torch.optim.SGD(net.parameters(), lr=0.1) for epoch in range(max_epoch): for batch in train_loader: x, t = batch x = x.to(device) t = t.to(device) optimizer.zero_grad() y = net(x) loss = criterion(y, t) # New：正解率の算出 y_label = torch.argmax(y, dim=1) acc = torch.sum(y_label == t) * 1.0 / len(t) print('accuracy:', acc) loss.backward() optimizer.step() val_loss_list = [] val_acc_list = [] # 正解率の計算 def calc_acc(data_loader): with torch.no_grad(): for epoch in range(max_epoch): accs = [] # 各バッチごとの結果格納用 val_loss = 0 val_acc = 0 for i, batch in enumerate(data_loader): x, t = batch x = x.to(device) t = t.to(device) y = net(x) loss = criterion(y, t) val_loss += loss.item() val_acc += (y.max(1)[1] == t).sum().item() #y_label = torch.argmax(y, dim=1) #acc = torch.sum(y_label == t) * 1.0 / len(t) #accs.append(acc) avg_val_loss = val_loss / len(data_loader.dataset) avg_val_acc = val_acc / len(data_loader.dataset) print ('Epoch [{}/{}], val_loss: {val_loss:.4f}, val_acc: {val_acc:.4f}' .format(epoch+1, max_epoch, i+1, val_loss=avg_val_loss, val_acc=avg_val_acc)) val_loss_list.append(avg_val_loss) val_acc_list.append(avg_val_acc) # 全体の平均を算出 # avg_acc = torch.tensor(accs).mean() #print('Accuracy: {:.1f}%'.format(avg_acc * 100)) #return avg_acc calc_acc(val_loader) #正解率の書き出し pd.DataFrame(val_acc_list).to_csv("val_acc.csv")
コメントありがとうございます。
タグを編集いたしました。
学習曲線は
#正解率の書き出し
pd.DataFrame(val_acc_list).to_csv("val_acc.csv")
で得たCSVから単純にエクセルで描画致しました。
よろしくお願いいたします。
ひとまず改善案は置いといて，学習曲線が直線的になる原因ですが，
calc_acc内のfor i, batch in enumerate(data_loader):のループで
val_acc += (y.max(1)[1] == t).sum().item()
avg_val_acc = val_acc / len(data_loader.dataset)
val_acc_list.append(avg_val_acc)
としていることが原因です．1バッチごとにデータ全体観点の正解率を出してそれを累積していっているので，一番最後val_acc_list[-1]がそのエポックでの正解率になっています．
ありがとうございます！
#y_label = torch.argmax(y, dim=1)
#acc = torch.sum(y_label == t) * 1.0 / len(t)
#accs.append(acc)
の部分からacc.sum().item()*100でバッチ毎の正解が取り出せました。
是非、同じ内容で構いませんので、回答欄にコメントをコピペして頂ければ幸いです。
回答1件
0
ベストアンサー
学習曲線が直線的になる原因ですが，calc_acc内のfor i, batch in enumerate(data_loader):のループで
Python
1val_acc += (y.max(1)[1] == t).sum().item() 2avg_val_acc = val_acc / len(data_loader.dataset) 3val_acc_list.append(avg_val_acc)
としていることが原因です．1バッチごとにデータ全体観点の正解率を出してそれを累積していっているので，一番最後val_acc_list[-1]がそのエポックでの正解率になっています．
普通，学習曲線を描くときの検証ループはoptimizer.step()の後に検証用データで1エポック分回して損失や精度を算出します．(現状のコードは学習完了してから検証をしています．学習完了してから使うデータはテストデータの方かと思います．)
投稿2023/04/17 09:38
総合スコア1581
ご丁寧なご回答ありがとうございました！
動かすのに必死だったので、検証用、テスト用の意味があるのかと思いながら、そのままにしていました。
今後ブラッシュアップしていきます。
あなたの回答
tips
プレビュー
