質問編集履歴
1
記載コードがあまりにもアバウトに削りすぎたため、見や少なるように修正を加えました。
test
CHANGED
File without changes
|
test
CHANGED
@@ -8,7 +8,7 @@
|
|
8
8
|
|
9
9
|
何卒よろしくお願いします。
|
10
10
|
|
11
|
-
※字数の都合上必要のないコードは
|
11
|
+
※字数の都合上必要のないコードはサンプルコードから変更した箇所のみ載せてありますが、足りない点がありましたらご指摘願います。主な変更点としましては使用するデータを通常のsin波としたことくらいです。サンプルコードは下記URLからご覧いただけると幸いです。
|
12
12
|
|
13
13
|
実行環境
|
14
14
|
|
@@ -30,398 +30,186 @@
|
|
30
30
|
|
31
31
|
|
32
32
|
|
33
|
-
%matplotlib inline
|
34
|
-
|
35
|
-
import argparse
|
36
|
-
|
37
|
-
import os
|
38
|
-
|
39
|
-
import sys
|
40
|
-
|
41
|
-
import time
|
42
|
-
|
43
|
-
import matplotlib.pyplot as plt
|
44
|
-
|
45
|
-
import numpy as np
|
46
|
-
|
47
|
-
import tensorflow as tf
|
48
|
-
|
49
|
-
from tensorflow.python.eager import context
|
50
|
-
|
51
|
-
|
52
|
-
|
53
|
-
class
|
33
|
+
class Datasets(object):
|
54
|
-
|
34
|
+
|
55
|
-
"""
|
35
|
+
"""ダミーデータの生成
|
56
36
|
|
57
37
|
"""
|
58
38
|
|
59
39
|
|
60
40
|
|
61
|
-
|
62
|
-
|
63
|
-
|
64
|
-
|
65
|
-
|
66
|
-
|
67
|
-
|
68
|
-
|
69
|
-
|
70
|
-
|
71
|
-
|
72
|
-
|
73
|
-
|
74
|
-
|
75
|
-
|
76
|
-
|
77
|
-
|
78
|
-
|
79
|
-
|
80
|
-
|
81
|
-
|
82
|
-
|
83
|
-
|
84
|
-
|
85
|
-
|
86
|
-
|
87
|
-
|
88
|
-
|
89
|
-
|
90
|
-
|
91
|
-
|
92
|
-
|
93
|
-
|
94
|
-
|
95
|
-
|
96
|
-
|
97
|
-
sel
|
98
|
-
|
99
|
-
|
100
|
-
|
101
|
-
|
102
|
-
|
103
|
-
|
104
|
-
|
105
|
-
|
106
|
-
|
107
|
-
|
108
|
-
|
109
|
-
d
|
110
|
-
|
111
|
-
|
112
|
-
|
113
|
-
|
114
|
-
|
115
|
-
|
116
|
-
|
117
|
-
|
118
|
-
|
119
|
-
|
120
|
-
|
121
|
-
|
122
|
-
|
123
|
-
|
124
|
-
|
125
|
-
|
126
|
-
|
127
|
-
#
|
128
|
-
|
129
|
-
|
130
|
-
|
131
|
-
ret
|
132
|
-
|
133
|
-
|
134
|
-
|
135
|
-
|
136
|
-
|
137
|
-
|
138
|
-
|
139
|
-
|
140
|
-
|
141
|
-
|
142
|
-
|
143
|
-
"""
|
144
|
-
|
145
|
-
|
146
|
-
|
147
|
-
def model_loss(inputs, targets):
|
148
|
-
|
149
|
-
return loss_fn(model, inputs, targets, training=training)[0]
|
150
|
-
|
151
|
-
|
152
|
-
|
153
|
-
total_time = 0
|
154
|
-
|
155
|
-
batch_start_idx_range = range(0, train_data.shape[0]-1, sequence_length)
|
156
|
-
|
157
|
-
for batch, i in enumerate(batch_start_idx_range):
|
158
|
-
|
159
|
-
# バッチ毎にデータを取得
|
160
|
-
|
161
|
-
train_seq, train_target = _get_batch(train_data, i, sequence_length)
|
162
|
-
|
163
|
-
start = time.time()
|
164
|
-
|
165
|
-
with tf.GradientTape() as tape:
|
166
|
-
|
167
|
-
loss, _ = loss_fn(model, train_seq, train_target, training)
|
168
|
-
|
169
|
-
# 勾配計算
|
170
|
-
|
171
|
-
grads = tape.gradient(loss, model.trainable_variables)
|
172
|
-
|
173
|
-
|
174
|
-
|
175
|
-
# パラメタ更新
|
176
|
-
|
177
|
-
optimizer.apply_gradients(zip(grads, model.trainable_variables))
|
178
|
-
|
179
|
-
|
180
|
-
|
181
|
-
total_time += (time.time() - start)
|
182
|
-
|
183
|
-
if batch % 10 == 0:
|
184
|
-
|
185
|
-
time_in_ms = (total_time * 1000) / (batch + 1)
|
186
|
-
|
187
|
-
sys.stderr.write(
|
188
|
-
|
189
|
-
"batch %d: training loss %.2f, avg step time %d ms\n" %
|
190
|
-
|
191
|
-
(batch, model_loss(train_seq, train_target).numpy(),
|
192
|
-
|
193
|
-
time_in_ms))
|
194
|
-
|
195
|
-
training_loss = model_loss(train_seq, train_target)
|
196
|
-
|
197
|
-
return training_loss
|
198
|
-
|
199
|
-
|
200
|
-
|
201
|
-
def evaluate_(args, model, test_data, train_data, training=False):
|
202
|
-
|
203
|
-
"""最終エポック時に異常データでテスト
|
204
|
-
|
205
|
-
"""
|
206
|
-
|
207
|
-
total_loss = 0.0
|
208
|
-
|
209
|
-
total_batches = 0
|
210
|
-
|
211
|
-
start = time.time()
|
212
|
-
|
213
|
-
l_scores = []
|
214
|
-
|
215
|
-
for _, i in enumerate(range(0, test_data.shape[0], args.seq_len)):
|
216
|
-
|
217
|
-
# バッチ毎にデータを取得
|
218
|
-
|
219
|
-
inp, target = _get_batch(test_data, i, args.seq_len)
|
220
|
-
|
221
|
-
# 損失計算
|
222
|
-
|
223
|
-
loss, outputs = loss_fn(model, inp, target, training=training)
|
224
|
-
|
225
|
-
total_loss += loss.numpy()
|
226
|
-
|
227
|
-
total_batches += 1
|
228
|
-
|
229
|
-
|
230
|
-
|
231
|
-
_, batch_size, _= inp.shape
|
232
|
-
|
233
|
-
# 異常スコアの計算
|
234
|
-
|
235
|
-
scores = anomaly_score(outputs, target, train_data[:, :batch_size])
|
236
|
-
|
237
|
-
l_scores.append(scores)
|
41
|
+
def __init__(self):
|
42
|
+
|
43
|
+
A = 10
|
44
|
+
|
45
|
+
# 訓練データ
|
46
|
+
|
47
|
+
t = np.linspace(0, 5*np.pi, 500)
|
48
|
+
|
49
|
+
self.train = A * np.sin(t).reshape(-1,1)
|
50
|
+
|
51
|
+
self.train = (self.train).astype('f')
|
52
|
+
|
53
|
+
|
54
|
+
|
55
|
+
# 検証データ
|
56
|
+
|
57
|
+
t = np.linspace(0, 5*np.pi, 500)
|
58
|
+
|
59
|
+
self.valid = A * np.sin(t).reshape(-1,1)
|
60
|
+
|
61
|
+
self.valid = (self.valid).astype('f')
|
62
|
+
|
63
|
+
|
64
|
+
|
65
|
+
|
66
|
+
|
67
|
+
data_ = Datasets()
|
68
|
+
|
69
|
+
seq_data = data_.test
|
70
|
+
|
71
|
+
|
72
|
+
|
73
|
+
def main(args):
|
74
|
+
|
75
|
+
if not args.data_path:
|
76
|
+
|
77
|
+
raise ValueError("Must specify --data-path")
|
78
|
+
|
79
|
+
# データセットの読み出し
|
80
|
+
|
81
|
+
data = Datasets()
|
82
|
+
|
83
|
+
# EncDec-ADへの入力用に形成した訓練データの作成
|
84
|
+
|
85
|
+
train_data = _divide_into_batches(data.train, args.batch_size)
|
86
|
+
|
87
|
+
# EncDec-ADへの入力用に形成したテストの作成
|
88
|
+
|
89
|
+
test_data = _divide_into_batches(data.test, args.eval_batch_size)
|
90
|
+
|
91
|
+
#test_data = _divide_into_batches(data.valid, args.eval_batch_size)
|
92
|
+
|
93
|
+
|
94
|
+
|
95
|
+
|
96
|
+
|
97
|
+
# GPUの有無の確認
|
98
|
+
|
99
|
+
have_gpu = context.num_gpus() > 0
|
100
|
+
|
101
|
+
|
102
|
+
|
103
|
+
# デバイスの割り当て(GPUデバイスが検出されない場合は使わない)
|
104
|
+
|
105
|
+
with tf.device("/device:GPU:0" if have_gpu else None):
|
106
|
+
|
107
|
+
# 学習係数
|
108
|
+
|
109
|
+
# 学習係数は変化するのでVariableで定義
|
110
|
+
|
111
|
+
learning_rate = tf.Variable(args.learning_rate, name="learning_rate")
|
112
|
+
|
113
|
+
sys.stderr.write("learning_rate=%f\n" % learning_rate.numpy())
|
114
|
+
|
115
|
+
# EncDecADクラスのインスタンス作成
|
116
|
+
|
117
|
+
model = EncDecAD(args.hidden_dim, args.training)
|
118
|
+
|
119
|
+
# オプティマイザーオブジェクトの作成
|
120
|
+
|
121
|
+
optimizer = tf.keras.optimizers.Adam(learning_rate)
|
238
122
|
|
239
123
|
|
240
124
|
|
241
|
-
|
125
|
+
best_loss = None
|
242
|
-
|
243
|
-
|
244
|
-
|
245
|
-
|
126
|
+
|
246
|
-
|
247
|
-
"""ダミーデータの生成
|
248
|
-
|
249
|
-
"""
|
250
|
-
|
251
|
-
|
252
|
-
|
253
|
-
def __init__(self):
|
254
|
-
|
255
|
-
|
127
|
+
cnt = 0
|
128
|
+
|
256
|
-
|
129
|
+
evaluation_loss_ = []
|
130
|
+
|
131
|
+
training_loss_ = []
|
132
|
+
|
133
|
+
# エポック毎のループ
|
134
|
+
|
135
|
+
for _ in range(args.epoch):
|
136
|
+
|
257
|
-
# 訓練データ
|
137
|
+
# 訓練データ
|
258
|
-
|
138
|
+
|
259
|
-
|
139
|
+
training_loss_.append(train(model, optimizer, train_data, args.seq_len, args.clip))
|
140
|
+
|
260
|
-
|
141
|
+
# 検証データ
|
142
|
+
|
143
|
+
eval_loss, l_scores, outputs, evaluation_loss = evaluate(args, model, test_data, train_data)
|
144
|
+
|
261
|
-
|
145
|
+
evaluation_loss_.append(evaluation_loss)
|
146
|
+
|
262
|
-
|
147
|
+
# テストデータを使った評価での損失が下がった場合
|
148
|
+
|
149
|
+
if not best_loss or eval_loss < best_loss:
|
150
|
+
|
151
|
+
best_loss = eval_loss
|
152
|
+
|
153
|
+
cnt = 0
|
154
|
+
|
155
|
+
# テストデータを使った評価での損失が下がらなかった場合
|
156
|
+
|
157
|
+
else:
|
158
|
+
|
159
|
+
cnt += 1
|
160
|
+
|
161
|
+
# 6回連続で下がらなかった場合
|
162
|
+
|
163
|
+
if cnt>5:
|
164
|
+
|
165
|
+
# 学習係数を1/1.2倍する
|
166
|
+
|
167
|
+
learning_rate.assign(max(learning_rate/1.2, .002))
|
168
|
+
|
169
|
+
sys.stderr.write(
|
170
|
+
|
171
|
+
"eval_loss did not reduce in this epoch, "
|
172
|
+
|
173
|
+
"changing learning rate to %f for the next epoch\n" %
|
174
|
+
|
175
|
+
learning_rate.numpy())
|
176
|
+
|
177
|
+
cnt = 0
|
178
|
+
|
179
|
+
|
180
|
+
|
181
|
+
###########ここでモデルの保存######################################
|
182
|
+
|
183
|
+
# save the model
|
184
|
+
|
185
|
+
tf.saved_model.save(model, "/tmp/saved_model/model")
|
186
|
+
|
187
|
+
|
188
|
+
|
189
|
+
#model._set_inputs(train_data[0, :])
|
190
|
+
|
191
|
+
#tf.keras.experimental.export_saved_model(model, "path_to_my_model", serving_only=True)
|
192
|
+
|
193
|
+
# save the weights
|
194
|
+
|
263
|
-
|
195
|
+
#model.save_weights('path_to_my_model.h5')
|
196
|
+
|
197
|
+
|
198
|
+
|
199
|
+
# モデルの定義
|
200
|
+
|
201
|
+
#model = EncDecAD(args.hidden_dim, args.training)
|
202
|
+
|
203
|
+
#############ここで保存済みの重みの読み込み###############################
|
204
|
+
|
205
|
+
# 学習済みの重みの読み込み
|
206
|
+
|
207
|
+
new_model = tf.saved_model.load("/tmp/saved_model/model")
|
264
208
|
|
265
209
|
|
266
210
|
|
267
211
|
# 検証データ
|
268
212
|
|
269
|
-
t = np.linspace(0, 5*np.pi, 500)
|
270
|
-
|
271
|
-
self.valid = A * np.sin(t).reshape(-1,1)
|
272
|
-
|
273
|
-
self.valid = (self.valid).astype('f')
|
274
|
-
|
275
|
-
|
276
|
-
|
277
|
-
|
278
|
-
|
279
|
-
data_ = Datasets()
|
280
|
-
|
281
|
-
seq_data = data_.test
|
282
|
-
|
283
|
-
|
284
|
-
|
285
|
-
def main(args):
|
286
|
-
|
287
|
-
if not args.data_path:
|
288
|
-
|
289
|
-
raise ValueError("Must specify --data-path")
|
290
|
-
|
291
|
-
# データセットの読み出し
|
292
|
-
|
293
|
-
data = Datasets()
|
294
|
-
|
295
|
-
# EncDec-ADへの入力用に形成した訓練データの作成
|
296
|
-
|
297
|
-
train_data = _divide_into_batches(data.train, args.batch_size)
|
298
|
-
|
299
|
-
# EncDec-ADへの入力用に形成したテストの作成
|
300
|
-
|
301
|
-
test_data = _divide_into_batches(data.test, args.eval_batch_size)
|
302
|
-
|
303
|
-
#test_data = _divide_into_batches(data.valid, args.eval_batch_size)
|
304
|
-
|
305
|
-
|
306
|
-
|
307
|
-
|
308
|
-
|
309
|
-
# GPUの有無の確認
|
310
|
-
|
311
|
-
have_gpu = context.num_gpus() > 0
|
312
|
-
|
313
|
-
|
314
|
-
|
315
|
-
# デバイスの割り当て(GPUデバイスが検出されない場合は使わない)
|
316
|
-
|
317
|
-
with tf.device("/device:GPU:0" if have_gpu else None):
|
318
|
-
|
319
|
-
# 学習係数
|
320
|
-
|
321
|
-
# 学習係数は変化するのでVariableで定義
|
322
|
-
|
323
|
-
learning_rate = tf.Variable(args.learning_rate, name="learning_rate")
|
324
|
-
|
325
|
-
sys.stderr.write("learning_rate=%f\n" % learning_rate.numpy())
|
326
|
-
|
327
|
-
# EncDecADクラスのインスタンス作成
|
328
|
-
|
329
|
-
model = EncDecAD(args.hidden_dim, args.training)
|
330
|
-
|
331
|
-
# オプティマイザーオブジェクトの作成
|
332
|
-
|
333
|
-
optimizer = tf.keras.optimizers.Adam(learning_rate)
|
334
|
-
|
335
|
-
|
336
|
-
|
337
|
-
best_loss = None
|
338
|
-
|
339
|
-
cnt = 0
|
340
|
-
|
341
|
-
evaluation_loss_ = []
|
342
|
-
|
343
|
-
training_loss_ = []
|
344
|
-
|
345
|
-
# エポック毎のループ
|
346
|
-
|
347
|
-
for _ in range(args.epoch):
|
348
|
-
|
349
|
-
# 訓練データ
|
350
|
-
|
351
|
-
training_loss_.append(train(model, optimizer, train_data, args.seq_len, args.clip))
|
352
|
-
|
353
|
-
# 検証データ
|
354
|
-
|
355
|
-
eval_loss, l_scores, outputs, evaluation_loss = evaluate(args, model, test_data, train_data)
|
356
|
-
|
357
|
-
evaluation_loss_.append(evaluation_loss)
|
358
|
-
|
359
|
-
# テストデータを使った評価での損失が下がった場合
|
360
|
-
|
361
|
-
if not best_loss or eval_loss < best_loss:
|
362
|
-
|
363
|
-
best_loss = eval_loss
|
364
|
-
|
365
|
-
cnt = 0
|
366
|
-
|
367
|
-
# テストデータを使った評価での損失が下がらなかった場合
|
368
|
-
|
369
|
-
else:
|
370
|
-
|
371
|
-
cnt += 1
|
372
|
-
|
373
|
-
# 6回連続で下がらなかった場合
|
374
|
-
|
375
|
-
if cnt>5:
|
376
|
-
|
377
|
-
# 学習係数を1/1.2倍する
|
378
|
-
|
379
|
-
learning_rate.assign(max(learning_rate/1.2, .002))
|
380
|
-
|
381
|
-
sys.stderr.write(
|
382
|
-
|
383
|
-
"eval_loss did not reduce in this epoch, "
|
384
|
-
|
385
|
-
"changing learning rate to %f for the next epoch\n" %
|
386
|
-
|
387
|
-
learning_rate.numpy())
|
388
|
-
|
389
|
-
cnt = 0
|
390
|
-
|
391
|
-
|
392
|
-
|
393
|
-
###########ここでモデルの保存######################################
|
394
|
-
|
395
|
-
# save the model
|
396
|
-
|
397
|
-
tf.saved_model.save(model, "/tmp/saved_model/model")
|
398
|
-
|
399
|
-
|
400
|
-
|
401
|
-
#model._set_inputs(train_data[0, :])
|
402
|
-
|
403
|
-
#tf.keras.experimental.export_saved_model(model, "path_to_my_model", serving_only=True)
|
404
|
-
|
405
|
-
# save the weights
|
406
|
-
|
407
|
-
#model.save_weights('path_to_my_model.h5')
|
408
|
-
|
409
|
-
|
410
|
-
|
411
|
-
# モデルの定義
|
412
|
-
|
413
|
-
#model = EncDecAD(args.hidden_dim, args.training)
|
414
|
-
|
415
|
-
#############ここで保存済みの重みの読み込み###############################
|
416
|
-
|
417
|
-
# 学習済みの重みの読み込み
|
418
|
-
|
419
|
-
new_model = tf.saved_model.load("/tmp/saved_model/model")
|
420
|
-
|
421
|
-
|
422
|
-
|
423
|
-
# 検証データ
|
424
|
-
|
425
213
|
outputs, l_scores = evaluate_(args, new_model, test_data, train_data)
|
426
214
|
|
427
215
|
|
@@ -434,60 +222,6 @@
|
|
434
222
|
|
435
223
|
|
436
224
|
|
437
|
-
if __name__ == "__main__":
|
438
|
-
|
439
|
-
parser = argparse.ArgumentParser()
|
440
|
-
|
441
|
-
parser.add_argument(
|
442
|
-
|
443
|
-
"--data-path",
|
444
|
-
|
445
|
-
type=str,
|
446
|
-
|
447
|
-
default="./src/chapter04/simple-examples/data",
|
448
|
-
|
449
|
-
help="Data directory path")
|
450
|
-
|
451
|
-
parser.add_argument(
|
452
|
-
|
453
|
-
"--learning-rate", type=float, default=.07, help="Learning rate.")
|
454
|
-
|
455
|
-
parser.add_argument(
|
456
|
-
|
457
|
-
"--epoch", type=int, default=300, help="Number of epoches.")
|
458
|
-
|
459
|
-
parser.add_argument(
|
460
|
-
|
461
|
-
"--batch-size", type=int, default=1, help="Batch size.")
|
462
|
-
|
463
|
-
parser.add_argument(
|
464
|
-
|
465
|
-
"--eval-batch-size", type=int, default=1, help="Batch size.")
|
466
|
-
|
467
|
-
parser.add_argument(
|
468
|
-
|
469
|
-
"--seq-len", type=int, default=len(seq_data), help="Sequence length.")
|
470
|
-
|
471
|
-
parser.add_argument(
|
472
|
-
|
473
|
-
"--hidden-dim", type=int, default=15, help="Hidden layer dimension.")
|
474
|
-
|
475
|
-
parser.add_argument(
|
476
|
-
|
477
|
-
"--clip", type=float, default=0.3, help="Gradient clipping ratio.")
|
478
|
-
|
479
|
-
parser.add_argument(
|
480
|
-
|
481
|
-
"--training", type=bool, default=True, help="Training or not.")
|
482
|
-
|
483
|
-
|
484
|
-
|
485
|
-
args, unparsed = parser.parse_known_args()
|
486
|
-
|
487
|
-
main(args)
|
488
|
-
|
489
|
-
|
490
|
-
|
491
225
|
```
|
492
226
|
|
493
227
|
該当エラー
|