質問編集履歴
5
題名変更
test
CHANGED
@@ -1 +1 @@
|
|
1
|
-
kerasでCNNをはじめてやる画像認識(入力層)
|
1
|
+
kerasでCNNをはじめてやる画像認識(入力層の4次元テンソルなのに3次元のまま どうすれば追加可能か)
|
test
CHANGED
File without changes
|
4
質問内容の変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -164,192 +164,192 @@
|
|
164
164
|
|
165
165
|
print(filepath)
|
166
166
|
|
167
|
+
#image =np.reshape(image, A)
|
168
|
+
|
169
|
+
print(image.shape)
|
170
|
+
|
171
|
+
print('\n')
|
172
|
+
|
173
|
+
image_list.append(image / 255.)
|
174
|
+
|
175
|
+
|
176
|
+
|
177
|
+
|
178
|
+
|
179
|
+
# kerasに渡すためにnumpy配列に変換。
|
180
|
+
|
181
|
+
image_list = np.array(image_list)
|
182
|
+
|
183
|
+
|
184
|
+
|
185
|
+
|
186
|
+
|
187
|
+
|
188
|
+
|
189
|
+
|
190
|
+
|
191
|
+
# ラベルの配列を1と0からなるラベル配列に変更
|
192
|
+
|
193
|
+
# 0 -> [1,0], 1 -> [0,1] という感じ。
|
194
|
+
|
195
|
+
Y = to_categorical(label_list) #わからない
|
196
|
+
|
197
|
+
|
198
|
+
|
199
|
+
print("入力データの確認")
|
200
|
+
|
201
|
+
print(image_list.shape)
|
202
|
+
|
203
|
+
#np.savetxt("check/input_data_pixel.csv",image_list,delimiter=",")
|
204
|
+
|
205
|
+
print("ラベルデータの確認")
|
206
|
+
|
207
|
+
print(Y.shape)
|
208
|
+
|
209
|
+
#np.savetxt("check/label_data.csv",Y,delimiter=",")
|
210
|
+
|
211
|
+
|
212
|
+
|
213
|
+
|
214
|
+
|
215
|
+
# モデルを生成してニューラルネットを構築
|
216
|
+
|
217
|
+
model = Sequential()
|
218
|
+
|
219
|
+
|
220
|
+
|
221
|
+
model.add(Conv2D(32,3,input_shape=(x,y,1),kernel_initializer='random_uniform',bias_initializer='zeros'))
|
222
|
+
|
223
|
+
model.add(Activation('relu'))
|
224
|
+
|
225
|
+
model.add(Conv2D(32,3,kernel_initializer='random_uniform',bias_initializer='zeros'))
|
226
|
+
|
227
|
+
model.add(Activation('relu'))
|
228
|
+
|
229
|
+
|
230
|
+
|
231
|
+
model.add(Conv2D(64,3,kernel_initializer='random_uniform',bias_initializer='zeros'))
|
232
|
+
|
233
|
+
model.add(Activation('relu'))
|
234
|
+
|
235
|
+
|
236
|
+
|
237
|
+
model.add(Flatten())
|
238
|
+
|
239
|
+
model.add(Dense(810))
|
240
|
+
|
241
|
+
model.add(Activation('relu'))
|
242
|
+
|
243
|
+
model.add(Dropout(1.0))
|
244
|
+
|
245
|
+
|
246
|
+
|
247
|
+
|
248
|
+
|
249
|
+
model.add(Dense(output))
|
250
|
+
|
251
|
+
model.add(Activation("softmax"))
|
252
|
+
|
253
|
+
|
254
|
+
|
255
|
+
# オプティマイザ(最適化)にAdamを使用
|
256
|
+
|
257
|
+
opt = Adam(lr=LR)
|
258
|
+
|
259
|
+
# モデルをコンパイル
|
260
|
+
|
261
|
+
model.compile(loss="categorical_crossentropy", optimizer=opt, metrics=["accuracy"]) #わからない
|
262
|
+
|
263
|
+
#CSVに各エポックの学習結果の保存
|
264
|
+
|
265
|
+
csv_logger = CSVLogger('result/training.csv')
|
266
|
+
|
267
|
+
# 学習を実行。20%はテストに使用。
|
268
|
+
|
269
|
+
history = model.fit(image_list, Y, nb_epoch=B,verbose=1,callbacks=[csv_logger], batch_size=BATCH_SIZE, validation_split=0.2)
|
270
|
+
|
271
|
+
|
272
|
+
|
273
|
+
|
274
|
+
|
275
|
+
|
276
|
+
|
277
|
+
# テスト用ディレクトリ(./data/train/)の画像でチェック。正解率を表示する。
|
278
|
+
|
279
|
+
total = 0.
|
280
|
+
|
281
|
+
ok_count = 0.
|
282
|
+
|
283
|
+
#最終の学習結果の表示
|
284
|
+
|
285
|
+
loss, accuracy = model.evaluate(image_list, Y)
|
286
|
+
|
287
|
+
print("\nloss:{} accuracy:{}".format(loss, accuracy))
|
288
|
+
|
289
|
+
#最終の学習結果を書き込む
|
290
|
+
|
291
|
+
fp = open("result/RESULT.txt","w")
|
292
|
+
|
293
|
+
fp.write("\nloss:{} accuracy:{}".format(loss, accuracy))
|
294
|
+
|
295
|
+
fp.close()
|
296
|
+
|
297
|
+
#正解率の書き込み
|
298
|
+
|
299
|
+
f = open("result/ANSWER.txt","w")
|
300
|
+
|
301
|
+
|
302
|
+
|
303
|
+
for dir in os.listdir("data/train"):
|
304
|
+
|
305
|
+
if dir == ".DS_Store":
|
306
|
+
|
307
|
+
continue
|
308
|
+
|
309
|
+
|
310
|
+
|
311
|
+
dir1 = "data/test/" + dir
|
312
|
+
|
313
|
+
label = 0
|
314
|
+
|
315
|
+
|
316
|
+
|
317
|
+
if dir == "a": # 左下に最大応力:ラベル0
|
318
|
+
|
319
|
+
label = 0
|
320
|
+
|
321
|
+
elif dir == "b": # 右下に最大応力:ラベル1
|
322
|
+
|
323
|
+
label = 1
|
324
|
+
|
325
|
+
elif dir == "c": # 右下に最大応力:ラベル1
|
326
|
+
|
327
|
+
label = 2
|
328
|
+
|
329
|
+
elif dir == "d": # 右下に最大応力:ラベル1
|
330
|
+
|
331
|
+
label = 3
|
332
|
+
|
333
|
+
|
334
|
+
|
335
|
+
|
336
|
+
|
337
|
+
|
338
|
+
|
339
|
+
for file in os.listdir(dir1):
|
340
|
+
|
341
|
+
if file != ".DS_Store":
|
342
|
+
|
343
|
+
label_list.append(label)
|
344
|
+
|
345
|
+
filepath = dir1 + "/" + file
|
346
|
+
|
347
|
+
image = np.array(Image.open(filepath).resize((x, y)))
|
348
|
+
|
349
|
+
print(filepath)
|
350
|
+
|
167
351
|
image =np.reshape(image, A)
|
168
352
|
|
169
|
-
print(image.shape)
|
170
|
-
|
171
|
-
print('\n')
|
172
|
-
|
173
|
-
image_list.append(image / 255.)
|
174
|
-
|
175
|
-
|
176
|
-
|
177
|
-
|
178
|
-
|
179
|
-
# kerasに渡すためにnumpy配列に変換。
|
180
|
-
|
181
|
-
image_list = np.array(image_list)
|
182
|
-
|
183
|
-
|
184
|
-
|
185
|
-
|
186
|
-
|
187
|
-
|
188
|
-
|
189
|
-
|
190
|
-
|
191
|
-
# ラベルの配列を1と0からなるラベル配列に変更
|
192
|
-
|
193
|
-
# 0 -> [1,0], 1 -> [0,1] という感じ。
|
194
|
-
|
195
|
-
Y = to_categorical(label_list) #わからない
|
196
|
-
|
197
|
-
|
198
|
-
|
199
|
-
print("入力データの確認")
|
200
|
-
|
201
|
-
print(image_list.shape)
|
202
|
-
|
203
|
-
#np.savetxt("check/input_data_pixel.csv",image_list,delimiter=",")
|
204
|
-
|
205
|
-
print("ラベルデータの確認")
|
206
|
-
|
207
|
-
print(Y.shape)
|
208
|
-
|
209
|
-
#np.savetxt("check/label_data.csv",Y,delimiter=",")
|
210
|
-
|
211
|
-
|
212
|
-
|
213
|
-
|
214
|
-
|
215
|
-
# モデルを生成してニューラルネットを構築
|
216
|
-
|
217
|
-
model = Sequential()
|
218
|
-
|
219
|
-
|
220
|
-
|
221
|
-
model.add(Conv2D(32,3,input_shape=(x,y,1),kernel_initializer='random_uniform',bias_initializer='zeros'))
|
222
|
-
|
223
|
-
model.add(Activation('relu'))
|
224
|
-
|
225
|
-
model.add(Conv2D(32,3,kernel_initializer='random_uniform',bias_initializer='zeros'))
|
226
|
-
|
227
|
-
model.add(Activation('relu'))
|
228
|
-
|
229
|
-
|
230
|
-
|
231
|
-
model.add(Conv2D(64,3,kernel_initializer='random_uniform',bias_initializer='zeros'))
|
232
|
-
|
233
|
-
model.add(Activation('relu'))
|
234
|
-
|
235
|
-
|
236
|
-
|
237
|
-
model.add(Flatten())
|
238
|
-
|
239
|
-
model.add(Dense(810))
|
240
|
-
|
241
|
-
model.add(Activation('relu'))
|
242
|
-
|
243
|
-
model.add(Dropout(1.0))
|
244
|
-
|
245
|
-
|
246
|
-
|
247
|
-
|
248
|
-
|
249
|
-
model.add(Dense(output))
|
250
|
-
|
251
|
-
model.add(Activation("softmax"))
|
252
|
-
|
253
|
-
|
254
|
-
|
255
|
-
# オプティマイザ(最適化)にAdamを使用
|
256
|
-
|
257
|
-
opt = Adam(lr=LR)
|
258
|
-
|
259
|
-
# モデルをコンパイル
|
260
|
-
|
261
|
-
model.compile(loss="categorical_crossentropy", optimizer=opt, metrics=["accuracy"]) #わからない
|
262
|
-
|
263
|
-
#CSVに各エポックの学習結果の保存
|
264
|
-
|
265
|
-
csv_logger = CSVLogger('result/training.csv')
|
266
|
-
|
267
|
-
# 学習を実行。20%はテストに使用。
|
268
|
-
|
269
|
-
history = model.fit(image_list, Y, nb_epoch=B,verbose=1,callbacks=[csv_logger], batch_size=BATCH_SIZE, validation_split=0.2)
|
270
|
-
|
271
|
-
|
272
|
-
|
273
|
-
|
274
|
-
|
275
|
-
|
276
|
-
|
277
|
-
# テスト用ディレクトリ(./data/train/)の画像でチェック。正解率を表示する。
|
278
|
-
|
279
|
-
total = 0.
|
280
|
-
|
281
|
-
ok_count = 0.
|
282
|
-
|
283
|
-
#最終の学習結果の表示
|
284
|
-
|
285
|
-
loss, accuracy = model.evaluate(image_list, Y)
|
286
|
-
|
287
|
-
print("\nloss:{} accuracy:{}".format(loss, accuracy))
|
288
|
-
|
289
|
-
#最終の学習結果を書き込む
|
290
|
-
|
291
|
-
fp = open("result/RESULT.txt","w")
|
292
|
-
|
293
|
-
fp.write("\nloss:{} accuracy:{}".format(loss, accuracy))
|
294
|
-
|
295
|
-
fp.close()
|
296
|
-
|
297
|
-
#正解率の書き込み
|
298
|
-
|
299
|
-
f = open("result/ANSWER.txt","w")
|
300
|
-
|
301
|
-
|
302
|
-
|
303
|
-
for dir in os.listdir("data/train"):
|
304
|
-
|
305
|
-
if dir == ".DS_Store":
|
306
|
-
|
307
|
-
continue
|
308
|
-
|
309
|
-
|
310
|
-
|
311
|
-
dir1 = "data/test/" + dir
|
312
|
-
|
313
|
-
label = 0
|
314
|
-
|
315
|
-
|
316
|
-
|
317
|
-
if dir == "a": # 左下に最大応力:ラベル0
|
318
|
-
|
319
|
-
label = 0
|
320
|
-
|
321
|
-
elif dir == "b": # 右下に最大応力:ラベル1
|
322
|
-
|
323
|
-
label = 1
|
324
|
-
|
325
|
-
elif dir == "c": # 右下に最大応力:ラベル1
|
326
|
-
|
327
|
-
label = 2
|
328
|
-
|
329
|
-
elif dir == "d": # 右下に最大応力:ラベル1
|
330
|
-
|
331
|
-
label = 3
|
332
|
-
|
333
|
-
|
334
|
-
|
335
|
-
|
336
|
-
|
337
|
-
|
338
|
-
|
339
|
-
for file in os.listdir(dir1):
|
340
|
-
|
341
|
-
if file != ".DS_Store":
|
342
|
-
|
343
|
-
label_list.append(label)
|
344
|
-
|
345
|
-
filepath = dir1 + "/" + file
|
346
|
-
|
347
|
-
image = np.array(Image.open(filepath).resize((x, y)))
|
348
|
-
|
349
|
-
print(filepath)
|
350
|
-
|
351
|
-
image =np.reshape(image, A)
|
352
|
-
|
353
353
|
result = model.predict_classes(np.array([image / 255.]))
|
354
354
|
|
355
355
|
print("label:", label, "result:", result[0])
|
3
質問内容の変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -20,6 +20,12 @@
|
|
20
20
|
|
21
21
|
data_format: 文字列で,"channels_last"(デフォルト)"(batch, height, width, channels)"
|
22
22
|
|
23
|
+
TensorFlowでは(サンプル数, 画像の行数, 画像の列数, チャネル数)
|
24
|
+
|
25
|
+
バックエンドでTFを使っています.
|
26
|
+
|
27
|
+
|
28
|
+
|
23
29
|
という形なので,ミニバッチを付け足せばいいと思うのですがどうすればよいですか?
|
24
30
|
|
25
31
|
|
2
質問内容の変更
test
CHANGED
@@ -1 +1 @@
|
|
1
|
-
kerasでCNNをはじめてやる画像認識
|
1
|
+
kerasでCNNをはじめてやる画像認識(入力層)
|
test
CHANGED
@@ -12,11 +12,15 @@
|
|
12
12
|
|
13
13
|
|
14
14
|
|
15
|
-
|
16
|
-
|
17
|
-
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (4000,
|
15
|
+
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (4000, 90, 90)
|
16
|
+
|
17
|
+
|
18
|
+
|
18
|
-
|
19
|
+
おそらく,
|
20
|
+
|
19
|
-
|
21
|
+
data_format: 文字列で,"channels_last"(デフォルト)"(batch, height, width, channels)"
|
22
|
+
|
23
|
+
という形なので,ミニバッチを付け足せばいいと思うのですがどうすればよいですか?
|
20
24
|
|
21
25
|
|
22
26
|
|
1
画像データの説明
test
CHANGED
File without changes
|
test
CHANGED
@@ -2,12 +2,18 @@
|
|
2
2
|
|
3
3
|
|
4
4
|
|
5
|
+
画像データはグレースケールにして二値化しています.
|
6
|
+
|
7
|
+
|
8
|
+
|
5
9
|
白丸が横方向に移動して内部の最大応力が発生した箇所を白丸ごとにラベリングしました.
|
6
10
|
|
7
11
|
MLPでは経験者なのですが,CNNは初心者なので何がなんだかわかんない状況です.以下のエラーが出ておりどこを修正すればいいのかご教授願います.
|
8
12
|
|
9
13
|
|
10
14
|
|
15
|
+
|
16
|
+
|
11
17
|
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (4000, 8100)
|
12
18
|
|
13
19
|
|