質問編集履歴
7
書式変更
test
CHANGED
@@ -1 +1 @@
|
|
1
|
-
|
1
|
+
python 画像処理
|
test
CHANGED
@@ -1 +1,227 @@
|
|
1
|
+
```このコードとほか3つのファイルで機械学習を行います。
|
2
|
+
|
3
|
+
|
4
|
+
|
5
|
+
import numpy as np
|
6
|
+
|
7
|
+
import pandas as pd
|
8
|
+
|
9
|
+
import cv2
|
10
|
+
|
11
|
+
from chainer.datasets import tuple_dataset
|
12
|
+
|
13
|
+
from random import getrandbits
|
14
|
+
|
15
|
+
|
16
|
+
|
17
|
+
#学習に関する基本情報の定義
|
18
|
+
|
19
|
+
NUM_SHAPE = 48 #画像一辺の長さ
|
20
|
+
|
21
|
+
TRAIN_DATA_SIZE_MAG = 2 #水増しで元のデータサイズの何倍の量まで増やすか
|
22
|
+
|
23
|
+
|
24
|
+
|
25
|
+
|
26
|
+
|
27
|
+
#Csvファイルから画像とラベルを読み込む
|
28
|
+
|
29
|
+
def dataFromCsv(csvfile):
|
30
|
+
|
31
|
+
|
32
|
+
|
33
|
+
data = pd.read_csv(csvfile,delimiter=',')
|
34
|
+
|
35
|
+
|
36
|
+
|
37
|
+
train_data = data[data['Usage']=='Training']
|
38
|
+
|
39
|
+
publictest_data = data[data['Usage']=='PublicTest']
|
40
|
+
|
41
|
+
privatetest_data = data[data['Usage']=='PrivateTest']
|
42
|
+
|
43
|
+
|
44
|
+
|
45
|
+
#1行のデータを画像のカタチにする(画像枚数、1、縦、横)
|
46
|
+
|
47
|
+
train_x = pixelsToArray_x(train_data)
|
48
|
+
|
49
|
+
publictest_x = pixelsToArray_x(publictest_data)
|
50
|
+
|
51
|
+
privatetest_x = pixelsToArray_x(privatetest_data)
|
52
|
+
|
53
|
+
|
54
|
+
|
55
|
+
#ラベルは["neutral","happiness","surprise","sadness","anger","disgust","fear","contempt","unknown,NA"]
|
56
|
+
|
57
|
+
#NA以外をyに入れる
|
58
|
+
|
59
|
+
#各画像へのラベルは合計10になるので、10で割って0-1にする
|
60
|
+
|
61
|
+
train_y = np.array(train_data.iloc[:,2:11],dtype=np.float32)/10
|
62
|
+
|
63
|
+
publictest_y = np.array(publictest_data.iloc[:,2:11],dtype=np.float32)/10
|
64
|
+
|
65
|
+
privatetest_y = np.array(privatetest_data.iloc[:,2:11],dtype=np.float32)/10
|
66
|
+
|
67
|
+
|
68
|
+
|
69
|
+
#水増し
|
70
|
+
|
71
|
+
train_x,train_y = augmentation(train_x,train_y)
|
72
|
+
|
73
|
+
|
74
|
+
|
75
|
+
#tuple化
|
76
|
+
|
77
|
+
train = tuple_dataset.TupleDataset(train_x,train_y)
|
78
|
+
|
79
|
+
publictest = tuple_dataset.TupleDataset(publictest_x,publictest_y)
|
80
|
+
|
81
|
+
privatetest = tuple_dataset.TupleDataset(privatetest_x,privatetest_y)
|
82
|
+
|
83
|
+
|
84
|
+
|
85
|
+
return train,publictest,privatetest
|
86
|
+
|
87
|
+
|
88
|
+
|
89
|
+
|
90
|
+
|
91
|
+
#水増し(holizontal Flip,Scale augmentation)
|
92
|
+
|
93
|
+
def augmentation(x_array,y_array,train_data_size_mag = TRAIN_DATA_SIZE_MAG):
|
94
|
+
|
95
|
+
|
96
|
+
|
97
|
+
#データ変換の処理4つ
|
98
|
+
|
99
|
+
#関数が適用されるかはランダム
|
100
|
+
|
101
|
+
def normalization(img):
|
102
|
+
|
103
|
+
return (img - np.mean(img))/np.std(img)
|
104
|
+
|
105
|
+
|
106
|
+
|
107
|
+
def gausianNoise(img):
|
108
|
+
|
109
|
+
MEAN = 0
|
110
|
+
|
111
|
+
SIGMA = 15
|
112
|
+
|
113
|
+
|
114
|
+
|
115
|
+
gaussfilter = np.random.normal(MEAN,SIGMA,(img.shape))
|
116
|
+
|
117
|
+
return img + gaussfilter
|
118
|
+
|
119
|
+
|
120
|
+
|
121
|
+
def holizontalFlip(img):
|
122
|
+
|
123
|
+
return img[:,::-1]
|
124
|
+
|
125
|
+
|
126
|
+
|
127
|
+
def scaleAugmentation(img):
|
128
|
+
|
129
|
+
SCALE_MIN = 50
|
130
|
+
|
131
|
+
SCALE_MAX = 80
|
132
|
+
|
133
|
+
|
134
|
+
|
135
|
+
#拡大処理、入力された画像サイズ48*48に対して、50*50~80*80まで拡大
|
136
|
+
|
137
|
+
SCALE_SIZE = np.random.randint(SCALE_MIN,SCALE_MAX)
|
138
|
+
|
139
|
+
|
140
|
+
|
141
|
+
#リサイズ
|
142
|
+
|
143
|
+
scale_img = cv2.resize(img,(SCALE_SIZE,SCALE_SIZE))
|
144
|
+
|
145
|
+
|
146
|
+
|
147
|
+
top = np.random.randint(0,SCALE_SIZE-NUM_SHAPE)
|
148
|
+
|
149
|
+
left = np.random.randint(0,SCALE_SIZE-NUM_SHAPE)
|
150
|
+
|
151
|
+
bottom = top + NUM_SHAPE
|
152
|
+
|
153
|
+
right = left + NUM_SHAPE
|
154
|
+
|
155
|
+
|
156
|
+
|
157
|
+
return scale_img[top:bottom,left:right]
|
158
|
+
|
159
|
+
|
160
|
+
|
161
|
+
|
162
|
+
|
1
|
-
e
|
163
|
+
def activateAugmentFforArray(f,x_array,activateP):
|
164
|
+
|
165
|
+
|
166
|
+
|
167
|
+
#変換用関数fを画像に適用させるかどうかをランダムに決める
|
168
|
+
|
169
|
+
def randActivateF(f,img):
|
170
|
+
|
171
|
+
if np.random.rand()>activateP:
|
172
|
+
|
173
|
+
return img
|
174
|
+
|
175
|
+
return f(img)
|
176
|
+
|
177
|
+
|
178
|
+
|
179
|
+
imglist = []
|
180
|
+
|
181
|
+
#x_arrayは[データ数,色数,縦,横]なので2回ループして画像毎の関数を(ランダムに)適用
|
182
|
+
|
183
|
+
for imgC in x_array:
|
184
|
+
|
185
|
+
imglist.append([randActivateF(f,img) for img in imgC])
|
186
|
+
|
187
|
+
|
188
|
+
|
189
|
+
return np.array(imglist)
|
190
|
+
|
191
|
+
|
192
|
+
|
193
|
+
#変換処理対象データをtrain_data_size_mag-1用意(1セットは元の画像にするため-1)
|
194
|
+
|
195
|
+
changed_x_array = np.concatenate([x_array]*(train_data_size_mag-1),axis=0)
|
196
|
+
|
197
|
+
|
198
|
+
|
199
|
+
#変換の種類ごとにactivateAugmentFforArrayを適用して、画像の変換(もしくは無変換)を行う
|
200
|
+
|
201
|
+
changed_x_array = activateAugmentFforArray(normalization,changed_x_array,0.2)
|
202
|
+
|
203
|
+
changed_x_array = activateAugmentFforArray(gausianNoise,changed_x_array,0.2)
|
204
|
+
|
205
|
+
changed_x_array = activateAugmentFforArray(holizontalFlip,changed_x_array,1)
|
206
|
+
|
207
|
+
changed_x_array = activateAugmentFforArray(scaleAugmentation,changed_x_array,0.2)
|
208
|
+
|
209
|
+
|
210
|
+
|
211
|
+
return np.concatenate([x_array,changed_x_array],axis=0).astype(np.float32),np.concatenate([y_array]*train_data_size_mag,axis=0)
|
212
|
+
|
213
|
+
|
214
|
+
|
215
|
+
#1行のデータを画像の形にする
|
216
|
+
|
217
|
+
def pixelsToArray_x(data):
|
218
|
+
|
219
|
+
np_x = np.array([np.fromstring(image,np.float32,sep=' ')/255 for image in np.array(data['pixels'])])
|
220
|
+
|
221
|
+
np_x.shape =(np_x.shape[0],1,NUM_SHAPE,NUM_SHAPE)
|
222
|
+
|
223
|
+
return np_x
|
224
|
+
|
225
|
+
コード
|
226
|
+
|
227
|
+
```
|
6
書式変更
test
CHANGED
@@ -1 +1 @@
|
|
1
|
-
|
1
|
+
ksncdsvnkdsnvodnv
|
test
CHANGED
@@ -1,279 +1 @@
|
|
1
|
-
pythonで表情推定を行っています。
|
2
|
-
|
3
|
-
|
4
|
-
|
5
|
-
以下が、エラー内容です。
|
6
|
-
|
7
|
-
|
8
|
-
|
9
|
-
---------------------------------------------------------------------------
|
10
|
-
|
11
|
-
ValueError Traceback (most recent call last)
|
12
|
-
|
13
|
-
<ipython-input-55-450eafb27c92> in <module>()
|
14
|
-
|
15
|
-
30 print("------------------------------")
|
16
|
-
|
17
|
-
31 if __name__ == "__main__":
|
18
|
-
|
19
|
-
---> 32 test("/content/drive/My Drive/challenges-in-representation-learning-facial-expression-recognition-challenge/fer2013/myferdata.csv","saved_model/myresnet.npz")
|
20
|
-
|
21
|
-
|
22
|
-
|
23
|
-
1 frames
|
24
|
-
|
25
|
-
<ipython-input-50-68efd0820676> in dataFromCsv(csvfile)
|
26
|
-
|
27
|
-
27 #NA以外をyに入れる
|
28
|
-
|
29
|
-
28 #各画像へのラベルは合計10になるので、10で割って0-1にする
|
30
|
-
|
31
|
-
---> 29 train_y = np.array(train_data.iloc[:,2:11],dtype=np.float32)/10
|
32
|
-
|
33
|
-
30 publictest_y = np.array(publictest_data.iloc[:,2:11],dtype=np.float32)/10
|
34
|
-
|
35
|
-
31 privatetest_y = np.array(privatetest_data.iloc[:,2:11],dtype=np.float32)/10
|
36
|
-
|
37
|
-
|
38
|
-
|
39
|
-
ValueError: could not convert string to float: 'Training'
|
40
|
-
|
41
|
-
|
42
|
-
|
43
|
-
------------------------------------------------------------------------
|
44
|
-
|
45
|
-
|
46
|
-
|
47
|
-
|
48
|
-
|
49
|
-
```python
|
50
|
-
|
51
|
-
import numpy as np
|
52
|
-
|
53
|
-
import pandas as pd
|
54
|
-
|
55
|
-
import cv2
|
56
|
-
|
57
|
-
from chainer.datasets import tuple_dataset
|
58
|
-
|
59
|
-
from random import getrandbits
|
60
|
-
|
61
|
-
|
62
|
-
|
63
|
-
#学習に関する基本情報の定義
|
64
|
-
|
65
|
-
NUM_SHAPE = 48 #画像一辺の長さ
|
66
|
-
|
67
|
-
TRAIN_DATA_SIZE_MAG = 2 #水増しで元のデータサイズの何倍の量まで増やすか
|
68
|
-
|
69
|
-
|
70
|
-
|
71
|
-
|
72
|
-
|
73
|
-
#Csvファイルから画像とラベルを読み込む
|
74
|
-
|
75
|
-
def dataFromCsv(csvfile):
|
76
|
-
|
77
|
-
|
78
|
-
|
79
|
-
data = pd.read_csv(csvfile,delimiter=',')
|
80
|
-
|
81
|
-
|
82
|
-
|
83
|
-
train_data = data[data['Usage']=='Training']
|
84
|
-
|
85
|
-
publictest_data = data[data['Usage']=='PublicTest']
|
86
|
-
|
87
|
-
privatetest_data = data[data['Usage']=='PrivateTest']
|
88
|
-
|
89
|
-
|
90
|
-
|
91
|
-
#1行のデータを画像のカタチにする(画像枚数、1、縦、横)
|
92
|
-
|
93
|
-
train_x = pixelsToArray_x(train_data)
|
94
|
-
|
95
|
-
publictest_x = pixelsToArray_x(publictest_data)
|
96
|
-
|
97
|
-
privatetest_x = pixelsToArray_x(privatetest_data)
|
98
|
-
|
99
|
-
|
100
|
-
|
101
|
-
["neutral","happiness","surprise","sadness","anger","disgust","fear","contempt","unknown,NA"]
|
102
|
-
|
103
|
-
|
104
|
-
|
105
|
-
#NA以外をyに入れる
|
106
|
-
|
107
|
-
#各画像へのラベルは合計10になるので、10で割って0-1にする
|
108
|
-
|
109
|
-
|
110
|
-
|
111
|
-
train_y = np.array(train_data.iloc[:,2:11],dtype=np.float32)/10
|
112
|
-
|
113
|
-
publictest_y = np.array(publictest_data.iloc[:,2:11],dtype=np.float32)/10
|
114
|
-
|
115
|
-
privatetest_y = np.array(privatetest_data.iloc[:,2:11],dtype=np.float32)/10
|
116
|
-
|
117
|
-
|
118
|
-
|
119
|
-
#水増し
|
120
|
-
|
121
|
-
train_x,train_y = augmentation(train_x,train_y)
|
122
|
-
|
123
|
-
|
124
|
-
|
125
|
-
#tuple化
|
126
|
-
|
127
|
-
train = tuple_dataset.TupleDataset(train_x,train_y)
|
128
|
-
|
129
|
-
publictest = tuple_dataset.TupleDataset(publictest_x,publictest_y)
|
130
|
-
|
131
|
-
privatetest = tuple_dataset.TupleDataset(privatetest_x,privatetest_y)
|
132
|
-
|
133
|
-
|
134
|
-
|
135
|
-
return train,publictest,privatetest
|
136
|
-
|
137
|
-
|
138
|
-
|
139
|
-
|
140
|
-
|
141
|
-
#水増し(holizontal Flip,Scale augmentation)
|
142
|
-
|
143
|
-
def augmentation(x_array,y_array,train_data_size_mag = TRAIN_DATA_SIZE_MAG):
|
144
|
-
|
145
|
-
|
146
|
-
|
147
|
-
#データ変換の処理4つ
|
148
|
-
|
149
|
-
#関数が適用されるかはランダム
|
150
|
-
|
151
|
-
def normalization(img):
|
152
|
-
|
153
|
-
return (img - np.mean(img))/np.std(img)
|
154
|
-
|
155
|
-
|
156
|
-
|
157
|
-
def gausianNoise(img):
|
158
|
-
|
159
|
-
MEAN = 0
|
160
|
-
|
161
|
-
SIGMA = 15
|
162
|
-
|
163
|
-
|
164
|
-
|
165
|
-
gaussfilter = np.random.normal(MEAN,SIGMA,(img.shape))
|
166
|
-
|
167
|
-
return img + gaussfilter
|
168
|
-
|
169
|
-
|
170
|
-
|
171
|
-
def holizontalFlip(img):
|
172
|
-
|
173
|
-
return img[:,::-1]
|
174
|
-
|
175
|
-
|
176
|
-
|
177
|
-
def scaleAugmentation(img):
|
178
|
-
|
179
|
-
SCALE_MIN = 50
|
180
|
-
|
181
|
-
SCALE_MAX = 80
|
182
|
-
|
183
|
-
|
184
|
-
|
185
|
-
#拡大処理、入力された画像サイズ48*48に対して、50*50~80*80まで拡大
|
186
|
-
|
187
|
-
SCALE_SIZE = np.random.randint(SCALE_MIN,SCALE_MAX)
|
188
|
-
|
189
|
-
|
190
|
-
|
191
|
-
#リサイズ
|
192
|
-
|
193
|
-
scale_img = cv2.resize(img,(SCALE_SIZE,SCALE_SIZE))
|
194
|
-
|
195
|
-
|
196
|
-
|
197
|
-
top = np.random.randint(0,SCALE_SIZE-NUM_SHAPE)
|
198
|
-
|
199
|
-
left = np.random.randint(0,SCALE_SIZE-NUM_SHAPE)
|
200
|
-
|
201
|
-
bottom = top + NUM_SHAPE
|
202
|
-
|
203
|
-
right = left + NUM_SHAPE
|
204
|
-
|
205
|
-
|
206
|
-
|
207
|
-
return scale_img[top:bottom,left:right]
|
208
|
-
|
209
|
-
|
210
|
-
|
211
|
-
|
212
|
-
|
213
|
-
|
1
|
+
esjnhyrnjewgetjhtrymkjytdkmhbtmbmdbytjrytjsrtwjt
|
214
|
-
|
215
|
-
|
216
|
-
|
217
|
-
#変換用関数fを画像に適用させるかどうかをランダムに決める
|
218
|
-
|
219
|
-
def randActivateF(f,img):
|
220
|
-
|
221
|
-
if np.random.rand()>activateP:
|
222
|
-
|
223
|
-
return img
|
224
|
-
|
225
|
-
return f(img)
|
226
|
-
|
227
|
-
|
228
|
-
|
229
|
-
imglist = []
|
230
|
-
|
231
|
-
#x_arrayは[データ数,色数,縦,横]なので2回ループして画像毎の関数を(ランダムに)適用
|
232
|
-
|
233
|
-
for imgC in x_array:
|
234
|
-
|
235
|
-
imglist.append([randActivateF(f,img) for img in imgC])
|
236
|
-
|
237
|
-
|
238
|
-
|
239
|
-
return np.array(imglist)
|
240
|
-
|
241
|
-
|
242
|
-
|
243
|
-
#変換処理対象データをtrain_data_size_mag-1用意(1セットは元の画像にするため-1)
|
244
|
-
|
245
|
-
changed_x_array = np.concatenate([x_array]*(train_data_size_mag-1),axis=0)
|
246
|
-
|
247
|
-
|
248
|
-
|
249
|
-
#変換の種類ごとにactivateAugmentFforArrayを適用して、画像の変換(もしくは無変換)を行う
|
250
|
-
|
251
|
-
changed_x_array = activateAugmentFforArray(normalization,changed_x_array,0.2)
|
252
|
-
|
253
|
-
changed_x_array = activateAugmentFforArray(gausianNoise,changed_x_array,0.2)
|
254
|
-
|
255
|
-
changed_x_array = activateAugmentFforArray(holizontalFlip,changed_x_array,1)
|
256
|
-
|
257
|
-
changed_x_array = activateAugmentFforArray(scaleAugmentation,changed_x_array,0.2)
|
258
|
-
|
259
|
-
|
260
|
-
|
261
|
-
return np.concatenate([x_array,changed_x_array],axis=0).astype(np.float32),np.concatenate([y_array]*train_data_size_mag,axis=0)
|
262
|
-
|
263
|
-
|
264
|
-
|
265
|
-
#1行のデータを画像の形にする
|
266
|
-
|
267
|
-
def pixelsToArray_x(data):
|
268
|
-
|
269
|
-
np_x = np.array([np.fromstring(image,np.float32,sep=' ')/255 for image in np.array(data['pixels'])])
|
270
|
-
|
271
|
-
np_x.shape =(np_x.shape[0],1,NUM_SHAPE,NUM_SHAPE)
|
272
|
-
|
273
|
-
return np_x
|
274
|
-
|
275
|
-
|
276
|
-
|
277
|
-
```
|
278
|
-
|
279
|
-
![csvファイル](99b9d5d1c8959bba7a06ce252a6fa351.png)
|
5
書式改善
test
CHANGED
File without changes
|
test
CHANGED
@@ -4,6 +4,8 @@
|
|
4
4
|
|
5
5
|
以下が、エラー内容です。
|
6
6
|
|
7
|
+
|
8
|
+
|
7
9
|
---------------------------------------------------------------------------
|
8
10
|
|
9
11
|
ValueError Traceback (most recent call last)
|
@@ -273,3 +275,5 @@
|
|
273
275
|
|
274
276
|
|
275
277
|
```
|
278
|
+
|
279
|
+
![csvファイル](99b9d5d1c8959bba7a06ce252a6fa351.png)
|
4
書式改善
test
CHANGED
File without changes
|
test
CHANGED
@@ -42,9 +42,9 @@
|
|
42
42
|
|
43
43
|
|
44
44
|
|
45
|
+
|
46
|
+
|
45
|
-
|
47
|
+
```python
|
46
|
-
|
47
|
-
------------------------------------------------------------------------
|
48
48
|
|
49
49
|
import numpy as np
|
50
50
|
|
@@ -58,7 +58,7 @@
|
|
58
58
|
|
59
59
|
|
60
60
|
|
61
|
-
学習に関する基本情報の定義
|
61
|
+
#学習に関する基本情報の定義
|
62
62
|
|
63
63
|
NUM_SHAPE = 48 #画像一辺の長さ
|
64
64
|
|
@@ -68,7 +68,7 @@
|
|
68
68
|
|
69
69
|
|
70
70
|
|
71
|
-
Csvファイルから画像とラベルを読み込む
|
71
|
+
#Csvファイルから画像とラベルを読み込む
|
72
72
|
|
73
73
|
def dataFromCsv(csvfile):
|
74
74
|
|
@@ -86,7 +86,7 @@
|
|
86
86
|
|
87
87
|
|
88
88
|
|
89
|
-
1行のデータを画像のカタチにする(画像枚数、1、縦、横)
|
89
|
+
#1行のデータを画像のカタチにする(画像枚数、1、縦、横)
|
90
90
|
|
91
91
|
train_x = pixelsToArray_x(train_data)
|
92
92
|
|
@@ -100,9 +100,9 @@
|
|
100
100
|
|
101
101
|
|
102
102
|
|
103
|
-
NA以外をyに入れる
|
103
|
+
#NA以外をyに入れる
|
104
|
-
|
104
|
+
|
105
|
-
各画像へのラベルは合計10になるので、10で割って0-1にする
|
105
|
+
#各画像へのラベルは合計10になるので、10で割って0-1にする
|
106
106
|
|
107
107
|
|
108
108
|
|
@@ -114,13 +114,13 @@
|
|
114
114
|
|
115
115
|
|
116
116
|
|
117
|
-
水増し
|
117
|
+
#水増し
|
118
118
|
|
119
119
|
train_x,train_y = augmentation(train_x,train_y)
|
120
120
|
|
121
121
|
|
122
122
|
|
123
|
-
tuple化
|
123
|
+
#tuple化
|
124
124
|
|
125
125
|
train = tuple_dataset.TupleDataset(train_x,train_y)
|
126
126
|
|
@@ -136,15 +136,15 @@
|
|
136
136
|
|
137
137
|
|
138
138
|
|
139
|
-
水増し(holizontal Flip,Scale augmentation)
|
139
|
+
#水増し(holizontal Flip,Scale augmentation)
|
140
140
|
|
141
141
|
def augmentation(x_array,y_array,train_data_size_mag = TRAIN_DATA_SIZE_MAG):
|
142
142
|
|
143
143
|
|
144
144
|
|
145
|
-
データ変換の処理4つ
|
145
|
+
#データ変換の処理4つ
|
146
|
-
|
146
|
+
|
147
|
-
関数が適用されるかはランダム
|
147
|
+
#関数が適用されるかはランダム
|
148
148
|
|
149
149
|
def normalization(img):
|
150
150
|
|
@@ -180,13 +180,13 @@
|
|
180
180
|
|
181
181
|
|
182
182
|
|
183
|
-
拡大処理、入力された画像サイズ48*48に対して、50*50~80*80まで拡大
|
183
|
+
#拡大処理、入力された画像サイズ48*48に対して、50*50~80*80まで拡大
|
184
184
|
|
185
185
|
SCALE_SIZE = np.random.randint(SCALE_MIN,SCALE_MAX)
|
186
186
|
|
187
187
|
|
188
188
|
|
189
|
-
リサイズ
|
189
|
+
#リサイズ
|
190
190
|
|
191
191
|
scale_img = cv2.resize(img,(SCALE_SIZE,SCALE_SIZE))
|
192
192
|
|
@@ -212,7 +212,7 @@
|
|
212
212
|
|
213
213
|
|
214
214
|
|
215
|
-
変換用関数fを画像に適用させるかどうかをランダムに決める
|
215
|
+
#変換用関数fを画像に適用させるかどうかをランダムに決める
|
216
216
|
|
217
217
|
def randActivateF(f,img):
|
218
218
|
|
@@ -226,7 +226,7 @@
|
|
226
226
|
|
227
227
|
imglist = []
|
228
228
|
|
229
|
-
x_arrayは[データ数,色数,縦,横]なので2回ループして画像毎の関数を(ランダムに)適用
|
229
|
+
#x_arrayは[データ数,色数,縦,横]なので2回ループして画像毎の関数を(ランダムに)適用
|
230
230
|
|
231
231
|
for imgC in x_array:
|
232
232
|
|
@@ -238,13 +238,13 @@
|
|
238
238
|
|
239
239
|
|
240
240
|
|
241
|
-
変換処理対象データをtrain_data_size_mag-1用意(1セットは元の画像にするため-1)
|
241
|
+
#変換処理対象データをtrain_data_size_mag-1用意(1セットは元の画像にするため-1)
|
242
242
|
|
243
243
|
changed_x_array = np.concatenate([x_array]*(train_data_size_mag-1),axis=0)
|
244
244
|
|
245
245
|
|
246
246
|
|
247
|
-
変換の種類ごとにactivateAugmentFforArrayを適用して、画像の変換(もしくは無変換)を行う
|
247
|
+
#変換の種類ごとにactivateAugmentFforArrayを適用して、画像の変換(もしくは無変換)を行う
|
248
248
|
|
249
249
|
changed_x_array = activateAugmentFforArray(normalization,changed_x_array,0.2)
|
250
250
|
|
@@ -260,7 +260,7 @@
|
|
260
260
|
|
261
261
|
|
262
262
|
|
263
|
-
1行のデータを画像の形にする
|
263
|
+
#1行のデータを画像の形にする
|
264
264
|
|
265
265
|
def pixelsToArray_x(data):
|
266
266
|
|
@@ -272,4 +272,4 @@
|
|
272
272
|
|
273
273
|
|
274
274
|
|
275
|
-
|
275
|
+
```
|
3
書式変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -96,10 +96,10 @@
|
|
96
96
|
|
97
97
|
|
98
98
|
|
99
|
-
ラベルは
|
100
|
-
|
101
99
|
["neutral","happiness","surprise","sadness","anger","disgust","fear","contempt","unknown,NA"]
|
102
100
|
|
101
|
+
|
102
|
+
|
103
103
|
NA以外をyに入れる
|
104
104
|
|
105
105
|
各画像へのラベルは合計10になるので、10で割って0-1にする
|
2
書式変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -4,8 +4,6 @@
|
|
4
4
|
|
5
5
|
以下が、エラー内容です。
|
6
6
|
|
7
|
-
|
8
|
-
|
9
7
|
---------------------------------------------------------------------------
|
10
8
|
|
11
9
|
ValueError Traceback (most recent call last)
|
@@ -38,12 +36,16 @@
|
|
38
36
|
|
39
37
|
ValueError: could not convert string to float: 'Training'
|
40
38
|
|
39
|
+
|
40
|
+
|
41
41
|
------------------------------------------------------------------------
|
42
42
|
|
43
43
|
|
44
44
|
|
45
45
|
問題のコードを以下に示します。
|
46
46
|
|
47
|
+
------------------------------------------------------------------------
|
48
|
+
|
47
49
|
import numpy as np
|
48
50
|
|
49
51
|
import pandas as pd
|
@@ -267,3 +269,7 @@
|
|
267
269
|
np_x.shape =(np_x.shape[0],1,NUM_SHAPE,NUM_SHAPE)
|
268
270
|
|
269
271
|
return np_x
|
272
|
+
|
273
|
+
|
274
|
+
|
275
|
+
--------------------------------------------------------------------------
|
1
書式改善
test
CHANGED
File without changes
|
test
CHANGED
@@ -38,7 +38,7 @@
|
|
38
38
|
|
39
39
|
ValueError: could not convert string to float: 'Training'
|
40
40
|
|
41
|
-
|
41
|
+
------------------------------------------------------------------------
|
42
42
|
|
43
43
|
|
44
44
|
|
@@ -56,7 +56,7 @@
|
|
56
56
|
|
57
57
|
|
58
58
|
|
59
|
-
|
59
|
+
学習に関する基本情報の定義
|
60
60
|
|
61
61
|
NUM_SHAPE = 48 #画像一辺の長さ
|
62
62
|
|
@@ -66,7 +66,7 @@
|
|
66
66
|
|
67
67
|
|
68
68
|
|
69
|
-
|
69
|
+
Csvファイルから画像とラベルを読み込む
|
70
70
|
|
71
71
|
def dataFromCsv(csvfile):
|
72
72
|
|
@@ -84,7 +84,7 @@
|
|
84
84
|
|
85
85
|
|
86
86
|
|
87
|
-
|
87
|
+
1行のデータを画像のカタチにする(画像枚数、1、縦、横)
|
88
88
|
|
89
89
|
train_x = pixelsToArray_x(train_data)
|
90
90
|
|
@@ -94,11 +94,15 @@
|
|
94
94
|
|
95
95
|
|
96
96
|
|
97
|
+
ラベルは
|
98
|
+
|
97
|
-
|
99
|
+
["neutral","happiness","surprise","sadness","anger","disgust","fear","contempt","unknown,NA"]
|
98
|
-
|
100
|
+
|
99
|
-
|
101
|
+
NA以外をyに入れる
|
100
|
-
|
102
|
+
|
101
|
-
|
103
|
+
各画像へのラベルは合計10になるので、10で割って0-1にする
|
104
|
+
|
105
|
+
|
102
106
|
|
103
107
|
train_y = np.array(train_data.iloc[:,2:11],dtype=np.float32)/10
|
104
108
|
|
@@ -108,13 +112,13 @@
|
|
108
112
|
|
109
113
|
|
110
114
|
|
111
|
-
|
115
|
+
水増し
|
112
116
|
|
113
117
|
train_x,train_y = augmentation(train_x,train_y)
|
114
118
|
|
115
119
|
|
116
120
|
|
117
|
-
|
121
|
+
tuple化
|
118
122
|
|
119
123
|
train = tuple_dataset.TupleDataset(train_x,train_y)
|
120
124
|
|
@@ -130,15 +134,15 @@
|
|
130
134
|
|
131
135
|
|
132
136
|
|
133
|
-
|
137
|
+
水増し(holizontal Flip,Scale augmentation)
|
134
138
|
|
135
139
|
def augmentation(x_array,y_array,train_data_size_mag = TRAIN_DATA_SIZE_MAG):
|
136
140
|
|
137
141
|
|
138
142
|
|
139
|
-
|
143
|
+
データ変換の処理4つ
|
140
|
-
|
144
|
+
|
141
|
-
|
145
|
+
関数が適用されるかはランダム
|
142
146
|
|
143
147
|
def normalization(img):
|
144
148
|
|
@@ -174,13 +178,13 @@
|
|
174
178
|
|
175
179
|
|
176
180
|
|
177
|
-
|
181
|
+
拡大処理、入力された画像サイズ48*48に対して、50*50~80*80まで拡大
|
178
182
|
|
179
183
|
SCALE_SIZE = np.random.randint(SCALE_MIN,SCALE_MAX)
|
180
184
|
|
181
185
|
|
182
186
|
|
183
|
-
|
187
|
+
リサイズ
|
184
188
|
|
185
189
|
scale_img = cv2.resize(img,(SCALE_SIZE,SCALE_SIZE))
|
186
190
|
|
@@ -206,7 +210,7 @@
|
|
206
210
|
|
207
211
|
|
208
212
|
|
209
|
-
|
213
|
+
変換用関数fを画像に適用させるかどうかをランダムに決める
|
210
214
|
|
211
215
|
def randActivateF(f,img):
|
212
216
|
|
@@ -220,7 +224,7 @@
|
|
220
224
|
|
221
225
|
imglist = []
|
222
226
|
|
223
|
-
|
227
|
+
x_arrayは[データ数,色数,縦,横]なので2回ループして画像毎の関数を(ランダムに)適用
|
224
228
|
|
225
229
|
for imgC in x_array:
|
226
230
|
|
@@ -232,13 +236,13 @@
|
|
232
236
|
|
233
237
|
|
234
238
|
|
235
|
-
|
239
|
+
変換処理対象データをtrain_data_size_mag-1用意(1セットは元の画像にするため-1)
|
236
240
|
|
237
241
|
changed_x_array = np.concatenate([x_array]*(train_data_size_mag-1),axis=0)
|
238
242
|
|
239
243
|
|
240
244
|
|
241
|
-
|
245
|
+
変換の種類ごとにactivateAugmentFforArrayを適用して、画像の変換(もしくは無変換)を行う
|
242
246
|
|
243
247
|
changed_x_array = activateAugmentFforArray(normalization,changed_x_array,0.2)
|
244
248
|
|
@@ -254,7 +258,7 @@
|
|
254
258
|
|
255
259
|
|
256
260
|
|
257
|
-
|
261
|
+
1行のデータを画像の形にする
|
258
262
|
|
259
263
|
def pixelsToArray_x(data):
|
260
264
|
|