質問編集履歴
2
疑問点を修正しました
test
CHANGED
|
@@ -1 +1 @@
|
|
|
1
|
-
|
|
1
|
+
DCGANによる半教師あり学習の実装
|
test
CHANGED
|
@@ -2,9 +2,7 @@
|
|
|
2
2
|
|
|
3
3
|
|
|
4
4
|
|
|
5
|
-
GANを使用した半教師あり学習により、MNITSの教師あり画像を100枚使用しただけで精度90%の汎化性能を達成するべく、
|
|
5
|
+
GANを使用した半教師あり学習により、MNITSの教師あり画像を100枚使用しただけで精度90%の汎化性能を達成するべく、コード作成に取り組んでおります。
|
|
6
|
-
|
|
7
|
-
コード作成に取り組んでおります。
|
|
8
6
|
|
|
9
7
|
|
|
10
8
|
|
|
@@ -14,11 +12,11 @@
|
|
|
14
12
|
|
|
15
13
|
|
|
16
14
|
|
|
17
|
-
一方、実際の精度は60-70%程度で向上せず、
|
|
15
|
+
一方、実際の精度は60-70%程度で向上せず、何が原因なのか頭を悩ませております。
|
|
18
|
-
|
|
16
|
+
|
|
19
|
-
|
|
17
|
+
過学習が発生している可能性があるため、とりあえず画像の水増しなども実装してみたのですが、やはり汎化精度が向上しません。
|
|
20
|
-
|
|
18
|
+
|
|
21
|
-
|
|
19
|
+
もし何かわかる方がいらっしゃいましたらアドバイス頂けると大変助かります。
|
|
22
20
|
|
|
23
21
|
|
|
24
22
|
|
|
@@ -676,15 +674,7 @@
|
|
|
676
674
|
|
|
677
675
|
|
|
678
676
|
|
|
679
|
-
ネットで検索したところ、ImageDataGeneratorを使用するのがよいというアイデアはあるのですが、
|
|
680
|
-
|
|
681
|
-
いかんせんコードを書き始めて２か月のド素人のため、どのように当てはめればよいのかアドバイス頂けると大変助かります。
|
|
682
|
-
|
|
683
|
-
|
|
684
|
-
|
|
685
|
-
|
|
677
|
+
補足情報に記載したGitHubコード（とあるDCGANに関する書籍のサンプルコードです）の単純なコピペではうまくいかなかったため、kerasのImageDataGeneratorを使用して、（Class:Dataset内に）以下のコードを追加してみたのですが、汎化精度が向上しませんでした。
|
|
686
|
-
|
|
687
|
-
汎化精度が向上しませんでした。水増しの方法が誤っているのか、そもそも他に原因があるのか、もしわかる方がいらっしゃればアドバイス頂けると大変助かります。
|
|
688
678
|
|
|
689
679
|
|
|
690
680
|
|
1
日本語がいまいちでしたので、現状が分かるように修正しました。また、追加で試したこと（コード）を書き足しています。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -2,668 +2,674 @@
|
|
|
2
2
|
|
|
3
3
|
|
|
4
4
|
|
|
5
|
+
GANを使用した半教師あり学習により、MNITSの教師あり画像を100枚使用しただけで精度90%の汎化性能を達成するべく、
|
|
6
|
+
|
|
5
|
-
|
|
7
|
+
コード作成に取り組んでおります。
|
|
6
|
-
|
|
7
|
-
|
|
8
|
+
|
|
8
|
-
|
|
9
|
-
|
|
9
|
+
|
|
10
10
|
|
|
11
11
|
|
|
12
12
|
|
|
13
13
|
### 発生している問題・エラーメッセージ
|
|
14
14
|
|
|
15
|
+
|
|
16
|
+
|
|
15
|
-
|
|
17
|
+
一方、実際の精度は60-70%程度で向上せず、過学習が発生している可能性があるため、
|
|
16
|
-
|
|
18
|
+
|
|
17
|
-
|
|
19
|
+
Data Augmentationによる画像の水増しを試してみたいと思っているのですが、自分のコードの場合、
|
|
20
|
+
|
|
21
|
+
どのように実装すればよいのかわからず困っております。
|
|
22
|
+
|
|
23
|
+
|
|
24
|
+
|
|
25
|
+
### 該当のソースコード
|
|
26
|
+
|
|
27
|
+
|
|
28
|
+
|
|
29
|
+
```Python
|
|
30
|
+
|
|
31
|
+
import matplotlib.pyplot as plt
|
|
32
|
+
|
|
33
|
+
%matplotlib inline
|
|
34
|
+
|
|
35
|
+
import numpy as np
|
|
36
|
+
|
|
37
|
+
|
|
38
|
+
|
|
39
|
+
from keras import backend as K
|
|
40
|
+
|
|
41
|
+
from keras.datasets import mnist
|
|
42
|
+
|
|
43
|
+
from keras.layers import Activation, BatchNormalization, Concatenate, Dense, Dropout, Flatten, Input, Lambda, Reshape
|
|
44
|
+
|
|
45
|
+
from keras.layers.advanced_activations import LeakyReLU
|
|
46
|
+
|
|
47
|
+
from keras.layers.convolutional import Conv2D, Conv2DTranspose
|
|
48
|
+
|
|
49
|
+
from keras.models import Model, Sequential
|
|
50
|
+
|
|
51
|
+
from keras.optimizers import Adam
|
|
52
|
+
|
|
53
|
+
from keras.utils import to_categorical
|
|
54
|
+
|
|
55
|
+
from keras.preprocessing.image import ImageDataGenerator
|
|
56
|
+
|
|
57
|
+
|
|
58
|
+
|
|
59
|
+
## モデルの入力次元の定義
|
|
60
|
+
|
|
61
|
+
img_rows = 28
|
|
62
|
+
|
|
63
|
+
img_cols = 28
|
|
64
|
+
|
|
65
|
+
channels = 1
|
|
66
|
+
|
|
67
|
+
|
|
68
|
+
|
|
69
|
+
#入力画像の解像度
|
|
70
|
+
|
|
71
|
+
img_shape = (img_rows, img_cols, channels)
|
|
72
|
+
|
|
73
|
+
|
|
74
|
+
|
|
75
|
+
#Generatorに入力するノイズベクトルzのサイズ
|
|
76
|
+
|
|
77
|
+
z_dim = 100
|
|
78
|
+
|
|
79
|
+
|
|
80
|
+
|
|
81
|
+
#データセット内のクラスの数
|
|
82
|
+
|
|
83
|
+
num_classes = 10
|
|
84
|
+
|
|
85
|
+
|
|
86
|
+
|
|
87
|
+
##訓練と検証のためのデータの設定 num_labeledで指定された枚数の画像のみを使用（残りはラベルなしとして使用）
|
|
88
|
+
|
|
89
|
+
class Dataset:
|
|
90
|
+
|
|
91
|
+
def __init__(self, num_labeled):
|
|
92
|
+
|
|
93
|
+
|
|
94
|
+
|
|
95
|
+
# 訓練用に使用するラベル付き画像の数
|
|
96
|
+
|
|
97
|
+
self.num_labeled = num_labeled
|
|
98
|
+
|
|
99
|
+
|
|
100
|
+
|
|
101
|
+
# MNISTデータのDL
|
|
102
|
+
|
|
103
|
+
(self.x_train, self.y_train), (self.x_test, self.y_test) = mnist.load_data()
|
|
104
|
+
|
|
105
|
+
|
|
106
|
+
|
|
107
|
+
def preprocess_imgs(x):
|
|
108
|
+
|
|
109
|
+
# [0, 255] のグレースケール画素値を [-1, 1]の値に変換する
|
|
110
|
+
|
|
111
|
+
x = (x.astype(np.float32) - 127.5) / 127.5
|
|
112
|
+
|
|
113
|
+
# xの画像の次元を横幅×縦幅×チャンネル数に拡張する
|
|
114
|
+
|
|
115
|
+
x = np.expand_dims(x, axis=3)
|
|
116
|
+
|
|
117
|
+
return x
|
|
118
|
+
|
|
119
|
+
|
|
120
|
+
|
|
121
|
+
def preprocess_labels(y):
|
|
122
|
+
|
|
123
|
+
return y.reshape(-1, 1)
|
|
124
|
+
|
|
125
|
+
|
|
126
|
+
|
|
127
|
+
# 訓練データ
|
|
128
|
+
|
|
129
|
+
self.x_train = preprocess_imgs(self.x_train)
|
|
130
|
+
|
|
131
|
+
self.y_train = preprocess_labels(self.y_train)
|
|
132
|
+
|
|
133
|
+
|
|
134
|
+
|
|
135
|
+
# テストデータ
|
|
136
|
+
|
|
137
|
+
self.x_test = preprocess_imgs(self.x_test)
|
|
138
|
+
|
|
139
|
+
self.y_test = preprocess_labels(self.y_test)
|
|
140
|
+
|
|
141
|
+
|
|
142
|
+
|
|
143
|
+
def batch_labeled(self, batch_size):
|
|
144
|
+
|
|
145
|
+
# ラベル付き画像とそのラベルをランダムに取り出してバッチをつくる
|
|
146
|
+
|
|
147
|
+
idx = np.random.randint(0, self.num_labeled, batch_size)
|
|
148
|
+
|
|
149
|
+
imgs = self.x_train[idx]
|
|
150
|
+
|
|
151
|
+
labels = self.y_train[idx]
|
|
152
|
+
|
|
153
|
+
|
|
154
|
+
|
|
155
|
+
datagen = ImageDataGenerator(rotation_range = 50)
|
|
156
|
+
|
|
157
|
+
g = datagen.flow(imgs, labels, batch_size, shuffle=False)
|
|
158
|
+
|
|
159
|
+
imgs, labels = g.next()
|
|
160
|
+
|
|
161
|
+
|
|
162
|
+
|
|
163
|
+
return imgs, labels
|
|
164
|
+
|
|
165
|
+
|
|
166
|
+
|
|
167
|
+
def batch_unlabeled(self, batch_size):
|
|
168
|
+
|
|
169
|
+
# ラベルなし画像をランダムに取り出してバッチをつくる
|
|
170
|
+
|
|
171
|
+
idx = np.random.randint(self.num_labeled, self.x_train.shape[0],batch_size)
|
|
172
|
+
|
|
173
|
+
imgs = self.x_train[idx]
|
|
174
|
+
|
|
175
|
+
return imgs
|
|
176
|
+
|
|
177
|
+
|
|
178
|
+
|
|
179
|
+
def training_set(self):
|
|
180
|
+
|
|
181
|
+
x_train = self.x_train[range(self.num_labeled)]
|
|
182
|
+
|
|
183
|
+
y_train = self.y_train[range(self.num_labeled)]
|
|
184
|
+
|
|
185
|
+
return x_train, y_train
|
|
186
|
+
|
|
187
|
+
|
|
188
|
+
|
|
189
|
+
def test_set(self):
|
|
190
|
+
|
|
191
|
+
return self.x_test, self.y_test
|
|
192
|
+
|
|
193
|
+
|
|
194
|
+
|
|
195
|
+
## ラベル付き訓練データの数の指定
|
|
196
|
+
|
|
197
|
+
|
|
198
|
+
|
|
199
|
+
num_labeled = 100
|
|
200
|
+
|
|
201
|
+
|
|
202
|
+
|
|
203
|
+
dataset = Dataset(num_labeled)
|
|
204
|
+
|
|
205
|
+
|
|
206
|
+
|
|
207
|
+
## 生成器（Generator）の実装
|
|
208
|
+
|
|
209
|
+
|
|
210
|
+
|
|
211
|
+
def build_generator(z_dim):
|
|
212
|
+
|
|
213
|
+
|
|
214
|
+
|
|
215
|
+
model = Sequential()
|
|
216
|
+
|
|
217
|
+
|
|
218
|
+
|
|
219
|
+
# 入力を全結合により7×7×256のテンソルに変形する
|
|
220
|
+
|
|
221
|
+
model.add(Dense(256 * 7 * 7, input_dim=z_dim))
|
|
222
|
+
|
|
223
|
+
model.add(Reshape((7, 7, 256)))
|
|
224
|
+
|
|
225
|
+
|
|
226
|
+
|
|
227
|
+
# 転置畳み込み層により14x14x128のテンソルに変形する（転置畳み込みにより、幅と高さを拡大する代わりに深さを小さくできる⇔普通の畳み込みと逆）
|
|
228
|
+
|
|
229
|
+
model.add(Conv2DTranspose(128, kernel_size=3, strides=2, padding='same'))
|
|
230
|
+
|
|
231
|
+
|
|
232
|
+
|
|
233
|
+
# Batch normalization（バッチ正規化）
|
|
234
|
+
|
|
235
|
+
model.add(BatchNormalization())
|
|
236
|
+
|
|
237
|
+
|
|
238
|
+
|
|
239
|
+
# Leaky ReLU による活性化
|
|
240
|
+
|
|
241
|
+
model.add(LeakyReLU(alpha=0.01))
|
|
242
|
+
|
|
243
|
+
|
|
244
|
+
|
|
245
|
+
# 転置畳み込み層により14x14x64のテンソルに変形する
|
|
246
|
+
|
|
247
|
+
model.add(Conv2DTranspose(64, kernel_size=3, strides=1, padding='same'))
|
|
248
|
+
|
|
249
|
+
|
|
250
|
+
|
|
251
|
+
# Batch normalization （バッチ正規化）
|
|
252
|
+
|
|
253
|
+
model.add(BatchNormalization())
|
|
254
|
+
|
|
255
|
+
|
|
256
|
+
|
|
257
|
+
# Leaky ReLU による活性化
|
|
258
|
+
|
|
259
|
+
model.add(LeakyReLU(alpha=0.01))
|
|
260
|
+
|
|
261
|
+
|
|
262
|
+
|
|
263
|
+
# 転置畳み込み層により28x28x1のテンソルに変形する
|
|
264
|
+
|
|
265
|
+
model.add(Conv2DTranspose(1, kernel_size=3, strides=2, padding='same'))
|
|
266
|
+
|
|
267
|
+
|
|
268
|
+
|
|
269
|
+
# tanhによる活性化を行った出力層（tanhにすることでよりはっきりした画像になる）
|
|
270
|
+
|
|
271
|
+
model.add(Activation('tanh'))
|
|
272
|
+
|
|
273
|
+
|
|
274
|
+
|
|
275
|
+
return model
|
|
276
|
+
|
|
277
|
+
|
|
278
|
+
|
|
279
|
+
## 識別機（Discriminator）の実装
|
|
280
|
+
|
|
281
|
+
|
|
282
|
+
|
|
283
|
+
def build_discriminator_net(img_shape):
|
|
284
|
+
|
|
285
|
+
|
|
286
|
+
|
|
287
|
+
model = Sequential()
|
|
288
|
+
|
|
289
|
+
|
|
290
|
+
|
|
291
|
+
# 畳み込み層により14x14x32のテンソルに変形する
|
|
292
|
+
|
|
293
|
+
model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
294
|
+
|
|
295
|
+
|
|
296
|
+
|
|
297
|
+
# Leaky ReLU による活性化
|
|
298
|
+
|
|
299
|
+
model.add(LeakyReLU(alpha=0.01))
|
|
300
|
+
|
|
301
|
+
|
|
302
|
+
|
|
303
|
+
# 畳み込み層により7x7x64のテンソルに変形する
|
|
304
|
+
|
|
305
|
+
model.add(Conv2D(64, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
306
|
+
|
|
307
|
+
|
|
308
|
+
|
|
309
|
+
# Batch normalization （バッチ正規化）
|
|
310
|
+
|
|
311
|
+
model.add(BatchNormalization())
|
|
312
|
+
|
|
313
|
+
|
|
314
|
+
|
|
315
|
+
# Leaky ReLU による活性化
|
|
316
|
+
|
|
317
|
+
model.add(LeakyReLU(alpha=0.01))
|
|
318
|
+
|
|
319
|
+
|
|
320
|
+
|
|
321
|
+
# 畳み込み層により3x3x128のテンソルに変形する
|
|
322
|
+
|
|
323
|
+
model.add(Conv2D(128, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
324
|
+
|
|
325
|
+
|
|
326
|
+
|
|
327
|
+
# Batch normalization （バッチ正規化）
|
|
328
|
+
|
|
329
|
+
model.add(BatchNormalization())
|
|
330
|
+
|
|
331
|
+
|
|
332
|
+
|
|
333
|
+
# Leaky ReLU による活性化
|
|
334
|
+
|
|
335
|
+
model.add(LeakyReLU(alpha=0.01))
|
|
336
|
+
|
|
337
|
+
|
|
338
|
+
|
|
339
|
+
# ドロップアウト
|
|
340
|
+
|
|
341
|
+
model.add(Dropout(0.5))
|
|
342
|
+
|
|
343
|
+
|
|
344
|
+
|
|
345
|
+
# テンソルを一列に変形する
|
|
346
|
+
|
|
347
|
+
model.add(Flatten())
|
|
348
|
+
|
|
349
|
+
|
|
350
|
+
|
|
351
|
+
# num_classesニューロンへの全結合層
|
|
352
|
+
|
|
353
|
+
model.add(Dense(num_classes))
|
|
354
|
+
|
|
355
|
+
|
|
356
|
+
|
|
357
|
+
return model
|
|
358
|
+
|
|
359
|
+
|
|
360
|
+
|
|
361
|
+
## 教師あり部分のSGAN識別機の実装
|
|
362
|
+
|
|
363
|
+
|
|
364
|
+
|
|
365
|
+
def build_discriminator_supervised(discriminator_net):
|
|
366
|
+
|
|
367
|
+
|
|
368
|
+
|
|
369
|
+
model = Sequential()
|
|
370
|
+
|
|
371
|
+
|
|
372
|
+
|
|
373
|
+
model.add(discriminator_net)
|
|
374
|
+
|
|
375
|
+
|
|
376
|
+
|
|
377
|
+
# ソフトマックスによる活性化により、本物のクラスの中のどれに該当するのか推定確率を出力
|
|
378
|
+
|
|
379
|
+
model.add(Activation('softmax'))
|
|
380
|
+
|
|
381
|
+
|
|
382
|
+
|
|
383
|
+
return model
|
|
384
|
+
|
|
385
|
+
|
|
386
|
+
|
|
387
|
+
## 教師なし部分のSGAN識別機の実装
|
|
388
|
+
|
|
389
|
+
|
|
390
|
+
|
|
391
|
+
def build_discriminator_unsupervised(discriminator_net):
|
|
392
|
+
|
|
393
|
+
|
|
394
|
+
|
|
395
|
+
model = Sequential()
|
|
396
|
+
|
|
397
|
+
|
|
398
|
+
|
|
399
|
+
model.add(discriminator_net)
|
|
400
|
+
|
|
401
|
+
|
|
402
|
+
|
|
403
|
+
def predict(x):
|
|
404
|
+
|
|
405
|
+
# 本物のクラスごとの確率分布を、本物か偽物かの2値の確率に変換する
|
|
406
|
+
|
|
407
|
+
prediction = 1.0 - (1.0 /(K.sum(K.exp(x), axis=-1, keepdims=True) + 1.0))
|
|
408
|
+
|
|
409
|
+
return prediction
|
|
410
|
+
|
|
411
|
+
|
|
412
|
+
|
|
413
|
+
# 本物か偽物かを出力する
|
|
414
|
+
|
|
415
|
+
model.add(Lambda(predict))
|
|
416
|
+
|
|
417
|
+
|
|
418
|
+
|
|
419
|
+
return model
|
|
420
|
+
|
|
421
|
+
|
|
422
|
+
|
|
423
|
+
## モデル構築
|
|
424
|
+
|
|
425
|
+
|
|
426
|
+
|
|
427
|
+
def build_gan(generator, discriminator):
|
|
428
|
+
|
|
429
|
+
|
|
430
|
+
|
|
431
|
+
model = Sequential()
|
|
432
|
+
|
|
433
|
+
|
|
434
|
+
|
|
435
|
+
# 生成器と識別器を結合する
|
|
436
|
+
|
|
437
|
+
model.add(generator)
|
|
438
|
+
|
|
439
|
+
model.add(discriminator)
|
|
440
|
+
|
|
441
|
+
|
|
442
|
+
|
|
443
|
+
return model
|
|
444
|
+
|
|
445
|
+
|
|
446
|
+
|
|
447
|
+
# 教師ありと教師なしで共有される層
|
|
448
|
+
|
|
449
|
+
discriminator_net = build_discriminator_net(img_shape)
|
|
450
|
+
|
|
451
|
+
|
|
452
|
+
|
|
453
|
+
# 教師あり学習のための識別機をコンパイルする
|
|
454
|
+
|
|
455
|
+
discriminator_supervised = build_discriminator_supervised(discriminator_net)
|
|
456
|
+
|
|
457
|
+
discriminator_supervised.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer=Adam())
|
|
458
|
+
|
|
459
|
+
|
|
460
|
+
|
|
461
|
+
# 教師なし学習のための識別機をコンパイルする
|
|
462
|
+
|
|
463
|
+
discriminator_unsupervised = build_discriminator_unsupervised(discriminator_net)
|
|
464
|
+
|
|
465
|
+
discriminator_unsupervised.compile(loss='binary_crossentropy', optimizer=Adam())
|
|
466
|
+
|
|
467
|
+
|
|
468
|
+
|
|
469
|
+
# 生成器の作成
|
|
470
|
+
|
|
471
|
+
generator = build_generator(z_dim)
|
|
472
|
+
|
|
473
|
+
|
|
474
|
+
|
|
475
|
+
# 生成器の訓練中は識別機のパラメータは定数
|
|
476
|
+
|
|
477
|
+
discriminator_unsupervised.trainable = False
|
|
478
|
+
|
|
479
|
+
|
|
480
|
+
|
|
481
|
+
# 生成器の訓練を行うため、識別機のパラメータを固定したGANモデルを構築し、コンパイルする
|
|
482
|
+
|
|
483
|
+
gan = build_gan(generator, discriminator_unsupervised)
|
|
484
|
+
|
|
485
|
+
gan.compile(loss='binary_crossentropy', optimizer=Adam())
|
|
486
|
+
|
|
487
|
+
|
|
488
|
+
|
|
489
|
+
''''''''''''''''''''''
|
|
490
|
+
|
|
491
|
+
SGAN訓練アルゴリズムの実装
|
|
492
|
+
|
|
493
|
+
|
|
494
|
+
|
|
495
|
+
①教師あり識別機の訓練
|
|
496
|
+
|
|
497
|
+
|
|
498
|
+
|
|
499
|
+
ラベリングされた本物のデータからランダムにサンプルを取り出し、ミニバッチを作成
|
|
500
|
+
|
|
501
|
+
このミニバッチからロスを計算し、誤差逆伝播によってパラメータθを更新
|
|
502
|
+
|
|
503
|
+
②生成器の訓練
|
|
504
|
+
|
|
505
|
+
|
|
506
|
+
|
|
507
|
+
ラベルのない本物データからランダムにミニバッチを作成
|
|
508
|
+
|
|
509
|
+
ここからロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
510
|
+
|
|
511
|
+
ノイズベクトルzから偽サンプルのミニバッチを作成
|
|
512
|
+
|
|
513
|
+
このミニバッチからもロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
514
|
+
|
|
515
|
+
③生成器の訓練
|
|
516
|
+
|
|
517
|
+
|
|
518
|
+
|
|
519
|
+
ノイズベクトルzから偽の生成サンプルからなるミニバッチを作成
|
|
520
|
+
|
|
521
|
+
このミニバッチからロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
522
|
+
|
|
523
|
+
'''''''''''''''''''''''
|
|
524
|
+
|
|
525
|
+
|
|
526
|
+
|
|
527
|
+
supervised_losses = []
|
|
528
|
+
|
|
529
|
+
iteration_checkpoints = []
|
|
530
|
+
|
|
531
|
+
|
|
532
|
+
|
|
533
|
+
|
|
534
|
+
|
|
535
|
+
def train(iterations, batch_size, sample_interval):
|
|
536
|
+
|
|
537
|
+
|
|
538
|
+
|
|
539
|
+
# 本物の画像のラベル: すべて1
|
|
540
|
+
|
|
541
|
+
real = np.ones((batch_size, 1))
|
|
542
|
+
|
|
543
|
+
|
|
544
|
+
|
|
545
|
+
# 偽物の画像のラベル: すべて0
|
|
546
|
+
|
|
547
|
+
fake = np.zeros((batch_size, 1))
|
|
548
|
+
|
|
549
|
+
|
|
550
|
+
|
|
551
|
+
#識別機の訓練
|
|
552
|
+
|
|
553
|
+
for iteration in range(iterations):
|
|
554
|
+
|
|
555
|
+
|
|
556
|
+
|
|
557
|
+
# ラベル付きデータの取得
|
|
558
|
+
|
|
559
|
+
imgs, labels = dataset.batch_labeled(batch_size)
|
|
560
|
+
|
|
561
|
+
|
|
562
|
+
|
|
563
|
+
# ワンホットエンコードされたラベル
|
|
564
|
+
|
|
565
|
+
labels = to_categorical(labels, num_classes=num_classes)
|
|
566
|
+
|
|
567
|
+
|
|
568
|
+
|
|
569
|
+
# ラベルなしデータの取得
|
|
570
|
+
|
|
571
|
+
imgs_unlabeled = dataset.batch_unlabeled(batch_size)
|
|
572
|
+
|
|
573
|
+
|
|
574
|
+
|
|
575
|
+
# 偽画像のバッチ作成
|
|
576
|
+
|
|
577
|
+
z = np.random.normal(0, 1, (batch_size, z_dim))
|
|
578
|
+
|
|
579
|
+
gen_imgs = generator.predict(z)
|
|
580
|
+
|
|
581
|
+
|
|
582
|
+
|
|
583
|
+
# ラベル付き本物データによる訓練
|
|
584
|
+
|
|
585
|
+
d_loss_supervised, accuracy = discriminator_supervised.train_on_batch(imgs, labels)
|
|
586
|
+
|
|
587
|
+
|
|
588
|
+
|
|
589
|
+
# ラベルなしの本物サンプルによる訓練
|
|
590
|
+
|
|
591
|
+
d_loss_real = discriminator_unsupervised.train_on_batch(imgs_unlabeled, real)
|
|
592
|
+
|
|
593
|
+
|
|
594
|
+
|
|
595
|
+
# 偽のサンプルによる訓練
|
|
596
|
+
|
|
597
|
+
d_loss_fake = discriminator_unsupervised.train_on_batch(gen_imgs, fake)
|
|
598
|
+
|
|
599
|
+
|
|
600
|
+
|
|
601
|
+
d_loss_unsupervised = 0.5 * np.add(d_loss_real, d_loss_fake)
|
|
602
|
+
|
|
603
|
+
|
|
604
|
+
|
|
605
|
+
# 生成器の訓練
|
|
606
|
+
|
|
607
|
+
|
|
608
|
+
|
|
609
|
+
# 偽画像のバッチ作成
|
|
610
|
+
|
|
611
|
+
z = np.random.normal(0, 1, (batch_size, z_dim))
|
|
612
|
+
|
|
613
|
+
gen_imgs = generator.predict(z)
|
|
614
|
+
|
|
615
|
+
|
|
616
|
+
|
|
617
|
+
# 生成器の訓練
|
|
618
|
+
|
|
619
|
+
g_loss = gan.train_on_batch(z, np.ones((batch_size, 1)))
|
|
620
|
+
|
|
621
|
+
|
|
622
|
+
|
|
623
|
+
if (iteration + 1) % sample_interval == 0:
|
|
624
|
+
|
|
625
|
+
|
|
626
|
+
|
|
627
|
+
# 生成器の教師ありの分類損失を、訓練後にプロットするために保存しておく
|
|
628
|
+
|
|
629
|
+
supervised_losses.append(d_loss_supervised)
|
|
630
|
+
|
|
631
|
+
iteration_checkpoints.append(iteration + 1)
|
|
632
|
+
|
|
633
|
+
|
|
634
|
+
|
|
635
|
+
# 訓練の進捗を出力
|
|
636
|
+
|
|
637
|
+
print("%d [D loss supervised: %.4f, acc.: %.2f%%] [D loss unsupervised: %.4f] [G loss: %f]" % (iteration + 1, d_loss_supervised, 100 * accuracy, d_loss_unsupervised, g_loss))
|
|
638
|
+
|
|
639
|
+
|
|
640
|
+
|
|
641
|
+
# ハイパーパラメータの設定
|
|
642
|
+
|
|
643
|
+
iterations = 8000
|
|
644
|
+
|
|
645
|
+
batch_size = 32
|
|
646
|
+
|
|
647
|
+
sample_interval = 800
|
|
648
|
+
|
|
649
|
+
|
|
650
|
+
|
|
651
|
+
# SGANを指定した回数だけ反復訓練させる
|
|
652
|
+
|
|
653
|
+
train(iterations, batch_size, sample_interval)
|
|
654
|
+
|
|
655
|
+
|
|
656
|
+
|
|
657
|
+
x, y = dataset.test_set()
|
|
658
|
+
|
|
659
|
+
y = to_categorical(y, num_classes=num_classes)
|
|
660
|
+
|
|
661
|
+
|
|
662
|
+
|
|
663
|
+
# テストデータの分類データの測定
|
|
664
|
+
|
|
665
|
+
_, accuracy = discriminator_supervised.evaluate(x, y)
|
|
666
|
+
|
|
667
|
+
print("Test Accuracy: %.2f%%" % (100 * accuracy))
|
|
18
668
|
|
|
19
669
|
|
|
20
670
|
|
|
21
671
|
```
|
|
22
672
|
|
|
23
|
-
エラーメッセージ
|
|
24
|
-
|
|
25
|
-
```
|
|
26
|
-
|
|
27
|
-
|
|
28
|
-
|
|
29
|
-
### 該当のソースコード
|
|
30
|
-
|
|
31
|
-
|
|
32
|
-
|
|
33
|
-
```Python
|
|
34
|
-
|
|
35
|
-
import matplotlib.pyplot as plt
|
|
36
|
-
|
|
37
|
-
%matplotlib inline
|
|
38
|
-
|
|
39
|
-
import numpy as np
|
|
40
|
-
|
|
41
|
-
|
|
42
|
-
|
|
43
|
-
from keras import backend as K
|
|
44
|
-
|
|
45
|
-
from keras.datasets import mnist
|
|
46
|
-
|
|
47
|
-
from keras.layers import Activation, BatchNormalization, Concatenate, Dense, Dropout, Flatten, Input, Lambda, Reshape
|
|
48
|
-
|
|
49
|
-
from keras.layers.advanced_activations import LeakyReLU
|
|
50
|
-
|
|
51
|
-
from keras.layers.convolutional import Conv2D, Conv2DTranspose
|
|
52
|
-
|
|
53
|
-
from keras.models import Model, Sequential
|
|
54
|
-
|
|
55
|
-
from keras.optimizers import Adam
|
|
56
|
-
|
|
57
|
-
from keras.utils import to_categorical
|
|
58
|
-
|
|
59
|
-
|
|
60
|
-
|
|
61
|
-
## モデルの入力次元の定義
|
|
62
|
-
|
|
63
|
-
img_rows = 28
|
|
64
|
-
|
|
65
|
-
img_cols = 28
|
|
66
|
-
|
|
67
|
-
channels = 1
|
|
68
|
-
|
|
69
|
-
|
|
70
|
-
|
|
71
|
-
#入力画像の解像度
|
|
72
|
-
|
|
73
|
-
img_shape = (img_rows, img_cols, channels)
|
|
74
|
-
|
|
75
|
-
|
|
76
|
-
|
|
77
|
-
#Generatorに入力するノイズベクトルzのサイズ
|
|
78
|
-
|
|
79
|
-
z_dim = 100
|
|
80
|
-
|
|
81
|
-
|
|
82
|
-
|
|
83
|
-
#データセット内のクラスの数
|
|
84
|
-
|
|
85
|
-
num_classes = 10
|
|
86
|
-
|
|
87
|
-
|
|
88
|
-
|
|
89
|
-
##訓練と検証のためのデータの設定 num_labeledで指定された枚数の画像のみを使用（残りはラベルなしとして使用）
|
|
90
|
-
|
|
91
|
-
class Dataset:
|
|
92
|
-
|
|
93
|
-
def __init__(self, num_labeled):
|
|
94
|
-
|
|
95
|
-
|
|
96
|
-
|
|
97
|
-
# 訓練用に使用するラベル付き画像の数
|
|
98
|
-
|
|
99
|
-
self.num_labeled = num_labeled
|
|
100
|
-
|
|
101
|
-
|
|
102
|
-
|
|
103
|
-
# MNISTデータのDL
|
|
104
|
-
|
|
105
|
-
(self.x_train, self.y_train), (self.x_test, self.y_test) = mnist.load_data()
|
|
106
|
-
|
|
107
|
-
|
|
108
|
-
|
|
109
|
-
def preprocess_imgs(x):
|
|
110
|
-
|
|
111
|
-
# [0, 255] のグレースケール画素値を [-1, 1]の値に変換する
|
|
112
|
-
|
|
113
|
-
x = (x.astype(np.float32) - 127.5) / 127.5
|
|
114
|
-
|
|
115
|
-
# xの画像の次元を横幅×縦幅×チャンネル数に拡張する
|
|
116
|
-
|
|
117
|
-
x = np.expand_dims(x, axis=3)
|
|
118
|
-
|
|
119
|
-
return x
|
|
120
|
-
|
|
121
|
-
|
|
122
|
-
|
|
123
|
-
def preprocess_labels(y):
|
|
124
|
-
|
|
125
|
-
return y.reshape(-1, 1)
|
|
126
|
-
|
|
127
|
-
|
|
128
|
-
|
|
129
|
-
# 訓練データ
|
|
130
|
-
|
|
131
|
-
self.x_train = preprocess_imgs(self.x_train)
|
|
132
|
-
|
|
133
|
-
self.y_train = preprocess_labels(self.y_train)
|
|
134
|
-
|
|
135
|
-
|
|
136
|
-
|
|
137
|
-
# テストデータ
|
|
138
|
-
|
|
139
|
-
self.x_test = preprocess_imgs(self.x_test)
|
|
140
|
-
|
|
141
|
-
self.y_test = preprocess_labels(self.y_test)
|
|
142
|
-
|
|
143
|
-
|
|
144
|
-
|
|
145
|
-
def batch_labeled(self, batch_size):
|
|
146
|
-
|
|
147
|
-
# ラベル付き画像とそのラベルをランダムに取り出してバッチをつくる
|
|
148
|
-
|
|
149
|
-
idx = np.random.randint(0, self.num_labeled, batch_size)
|
|
150
|
-
|
|
151
|
-
imgs = self.x_train[idx]
|
|
152
|
-
|
|
153
|
-
labels = self.y_train[idx]
|
|
154
|
-
|
|
155
|
-
return imgs, labels
|
|
156
|
-
|
|
157
|
-
|
|
158
|
-
|
|
159
|
-
def batch_unlabeled(self, batch_size):
|
|
160
|
-
|
|
161
|
-
# ラベルなし画像をランダムに取り出してバッチをつくる
|
|
162
|
-
|
|
163
|
-
idx = np.random.randint(self.num_labeled, self.x_train.shape[0],batch_size)
|
|
164
|
-
|
|
165
|
-
imgs = self.x_train[idx]
|
|
166
|
-
|
|
167
|
-
return imgs
|
|
168
|
-
|
|
169
|
-
|
|
170
|
-
|
|
171
|
-
def training_set(self):
|
|
172
|
-
|
|
173
|
-
x_train = self.x_train[range(self.num_labeled)]
|
|
174
|
-
|
|
175
|
-
y_train = self.y_train[range(self.num_labeled)]
|
|
176
|
-
|
|
177
|
-
return x_train, y_train
|
|
178
|
-
|
|
179
|
-
|
|
180
|
-
|
|
181
|
-
def test_set(self):
|
|
182
|
-
|
|
183
|
-
return self.x_test, self.y_test
|
|
184
|
-
|
|
185
|
-
|
|
186
|
-
|
|
187
|
-
## ラベル付き訓練データの数の指定
|
|
188
|
-
|
|
189
|
-
|
|
190
|
-
|
|
191
|
-
num_labeled = 100
|
|
192
|
-
|
|
193
|
-
|
|
194
|
-
|
|
195
|
-
dataset = Dataset(num_labeled)
|
|
196
|
-
|
|
197
|
-
|
|
198
|
-
|
|
199
|
-
## 生成器（Generator）の実装
|
|
200
|
-
|
|
201
|
-
|
|
202
|
-
|
|
203
|
-
def build_generator(z_dim):
|
|
204
|
-
|
|
205
|
-
|
|
206
|
-
|
|
207
|
-
model = Sequential()
|
|
208
|
-
|
|
209
|
-
|
|
210
|
-
|
|
211
|
-
# 入力を全結合により7×7×256のテンソルに変形する
|
|
212
|
-
|
|
213
|
-
model.add(Dense(256 * 7 * 7, input_dim=z_dim))
|
|
214
|
-
|
|
215
|
-
model.add(Reshape((7, 7, 256)))
|
|
216
|
-
|
|
217
|
-
|
|
218
|
-
|
|
219
|
-
# 転置畳み込み層により14x14x128のテンソルに変形する（転置畳み込みにより、幅と高さを拡大する代わりに深さを小さくできる⇔普通の畳み込みと逆）
|
|
220
|
-
|
|
221
|
-
model.add(Conv2DTranspose(128, kernel_size=3, strides=2, padding='same'))
|
|
222
|
-
|
|
223
|
-
|
|
224
|
-
|
|
225
|
-
# Batch normalization（バッチ正規化）
|
|
226
|
-
|
|
227
|
-
model.add(BatchNormalization())
|
|
228
|
-
|
|
229
|
-
|
|
230
|
-
|
|
231
|
-
# Leaky ReLU による活性化
|
|
232
|
-
|
|
233
|
-
model.add(LeakyReLU(alpha=0.01))
|
|
234
|
-
|
|
235
|
-
|
|
236
|
-
|
|
237
|
-
# 転置畳み込み層により14x14x64のテンソルに変形する
|
|
238
|
-
|
|
239
|
-
model.add(Conv2DTranspose(64, kernel_size=3, strides=1, padding='same'))
|
|
240
|
-
|
|
241
|
-
|
|
242
|
-
|
|
243
|
-
# Batch normalization （バッチ正規化）
|
|
244
|
-
|
|
245
|
-
model.add(BatchNormalization())
|
|
246
|
-
|
|
247
|
-
|
|
248
|
-
|
|
249
|
-
# Leaky ReLU による活性化
|
|
250
|
-
|
|
251
|
-
model.add(LeakyReLU(alpha=0.01))
|
|
252
|
-
|
|
253
|
-
|
|
254
|
-
|
|
255
|
-
# 転置畳み込み層により28x28x1のテンソルに変形する
|
|
256
|
-
|
|
257
|
-
model.add(Conv2DTranspose(1, kernel_size=3, strides=2, padding='same'))
|
|
258
|
-
|
|
259
|
-
|
|
260
|
-
|
|
261
|
-
# tanhによる活性化を行った出力層（tanhにすることでよりはっきりした画像になる）
|
|
262
|
-
|
|
263
|
-
model.add(Activation('tanh'))
|
|
264
|
-
|
|
265
|
-
|
|
266
|
-
|
|
267
|
-
return model
|
|
268
|
-
|
|
269
|
-
|
|
270
|
-
|
|
271
|
-
## 識別機（Discriminator）の実装
|
|
272
|
-
|
|
273
|
-
|
|
274
|
-
|
|
275
|
-
def build_discriminator_net(img_shape):
|
|
276
|
-
|
|
277
|
-
|
|
278
|
-
|
|
279
|
-
model = Sequential()
|
|
280
|
-
|
|
281
|
-
|
|
282
|
-
|
|
283
|
-
# 畳み込み層により14x14x32のテンソルに変形する
|
|
284
|
-
|
|
285
|
-
model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
286
|
-
|
|
287
|
-
|
|
288
|
-
|
|
289
|
-
# Leaky ReLU による活性化
|
|
290
|
-
|
|
291
|
-
model.add(LeakyReLU(alpha=0.01))
|
|
292
|
-
|
|
293
|
-
|
|
294
|
-
|
|
295
|
-
# 畳み込み層により7x7x64のテンソルに変形する
|
|
296
|
-
|
|
297
|
-
model.add(Conv2D(64, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
298
|
-
|
|
299
|
-
|
|
300
|
-
|
|
301
|
-
# Batch normalization （バッチ正規化）
|
|
302
|
-
|
|
303
|
-
model.add(BatchNormalization())
|
|
304
|
-
|
|
305
|
-
|
|
306
|
-
|
|
307
|
-
# Leaky ReLU による活性化
|
|
308
|
-
|
|
309
|
-
model.add(LeakyReLU(alpha=0.01))
|
|
310
|
-
|
|
311
|
-
|
|
312
|
-
|
|
313
|
-
# 畳み込み層により3x3x128のテンソルに変形する
|
|
314
|
-
|
|
315
|
-
model.add(Conv2D(128, kernel_size=3, strides=2, input_shape=img_shape, padding='same'))
|
|
316
|
-
|
|
317
|
-
|
|
318
|
-
|
|
319
|
-
# Batch normalization （バッチ正規化）
|
|
320
|
-
|
|
321
|
-
model.add(BatchNormalization())
|
|
322
|
-
|
|
323
|
-
|
|
324
|
-
|
|
325
|
-
# Leaky ReLU による活性化
|
|
326
|
-
|
|
327
|
-
model.add(LeakyReLU(alpha=0.01))
|
|
328
|
-
|
|
329
|
-
|
|
330
|
-
|
|
331
|
-
# ドロップアウト
|
|
332
|
-
|
|
333
|
-
model.add(Dropout(0.5))
|
|
334
|
-
|
|
335
|
-
|
|
336
|
-
|
|
337
|
-
# テンソルを一列に変形する
|
|
338
|
-
|
|
339
|
-
model.add(Flatten())
|
|
340
|
-
|
|
341
|
-
|
|
342
|
-
|
|
343
|
-
# num_classesニューロンへの全結合層
|
|
344
|
-
|
|
345
|
-
model.add(Dense(num_classes))
|
|
346
|
-
|
|
347
|
-
|
|
348
|
-
|
|
349
|
-
return model
|
|
350
|
-
|
|
351
|
-
|
|
352
|
-
|
|
353
|
-
## 教師あり部分のSGAN識別機の実装
|
|
354
|
-
|
|
355
|
-
|
|
356
|
-
|
|
357
|
-
def build_discriminator_supervised(discriminator_net):
|
|
358
|
-
|
|
359
|
-
|
|
360
|
-
|
|
361
|
-
model = Sequential()
|
|
362
|
-
|
|
363
|
-
|
|
364
|
-
|
|
365
|
-
model.add(discriminator_net)
|
|
366
|
-
|
|
367
|
-
|
|
368
|
-
|
|
369
|
-
# ソフトマックスによる活性化により、本物のクラスの中のどれに該当するのか推定確率を出力
|
|
370
|
-
|
|
371
|
-
model.add(Activation('softmax'))
|
|
372
|
-
|
|
373
|
-
|
|
374
|
-
|
|
375
|
-
return model
|
|
376
|
-
|
|
377
|
-
|
|
378
|
-
|
|
379
|
-
## 教師なし部分のSGAN識別機の実装
|
|
380
|
-
|
|
381
|
-
|
|
382
|
-
|
|
383
|
-
def build_discriminator_unsupervised(discriminator_net):
|
|
384
|
-
|
|
385
|
-
|
|
386
|
-
|
|
387
|
-
model = Sequential()
|
|
388
|
-
|
|
389
|
-
|
|
390
|
-
|
|
391
|
-
model.add(discriminator_net)
|
|
392
|
-
|
|
393
|
-
|
|
394
|
-
|
|
395
|
-
def predict(x):
|
|
396
|
-
|
|
397
|
-
# 本物のクラスごとの確率分布を、本物か偽物かの2値の確率に変換する
|
|
398
|
-
|
|
399
|
-
prediction = 1.0 - (1.0 /(K.sum(K.exp(x), axis=-1, keepdims=True) + 1.0))
|
|
400
|
-
|
|
401
|
-
return prediction
|
|
402
|
-
|
|
403
|
-
|
|
404
|
-
|
|
405
|
-
# 本物か偽物かを出力する
|
|
406
|
-
|
|
407
|
-
model.add(Lambda(predict))
|
|
408
|
-
|
|
409
|
-
|
|
410
|
-
|
|
411
|
-
return model
|
|
412
|
-
|
|
413
|
-
|
|
414
|
-
|
|
415
|
-
## モデル構築
|
|
416
|
-
|
|
417
|
-
|
|
418
|
-
|
|
419
|
-
def build_gan(generator, discriminator):
|
|
420
|
-
|
|
421
|
-
|
|
422
|
-
|
|
423
|
-
model = Sequential()
|
|
424
|
-
|
|
425
|
-
|
|
426
|
-
|
|
427
|
-
# 生成器と識別器を結合する
|
|
428
|
-
|
|
429
|
-
model.add(generator)
|
|
430
|
-
|
|
431
|
-
model.add(discriminator)
|
|
432
|
-
|
|
433
|
-
|
|
434
|
-
|
|
435
|
-
return model
|
|
436
|
-
|
|
437
|
-
|
|
438
|
-
|
|
439
|
-
# 教師ありと教師なしで共有される層
|
|
440
|
-
|
|
441
|
-
discriminator_net = build_discriminator_net(img_shape)
|
|
442
|
-
|
|
443
|
-
|
|
444
|
-
|
|
445
|
-
# 教師あり学習のための識別機をコンパイルする
|
|
446
|
-
|
|
447
|
-
discriminator_supervised = build_discriminator_supervised(discriminator_net)
|
|
448
|
-
|
|
449
|
-
discriminator_supervised.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer=Adam())
|
|
450
|
-
|
|
451
|
-
|
|
452
|
-
|
|
453
|
-
# 教師なし学習のための識別機をコンパイルする
|
|
454
|
-
|
|
455
|
-
discriminator_unsupervised = build_discriminator_unsupervised(discriminator_net)
|
|
456
|
-
|
|
457
|
-
discriminator_unsupervised.compile(loss='binary_crossentropy', optimizer=Adam())
|
|
458
|
-
|
|
459
|
-
|
|
460
|
-
|
|
461
|
-
# 生成器の作成
|
|
462
|
-
|
|
463
|
-
generator = build_generator(z_dim)
|
|
464
|
-
|
|
465
|
-
|
|
466
|
-
|
|
467
|
-
# 生成器の訓練中は識別機のパラメータは定数
|
|
468
|
-
|
|
469
|
-
discriminator_unsupervised.trainable = False
|
|
470
|
-
|
|
471
|
-
|
|
472
|
-
|
|
473
|
-
# 生成器の訓練を行うため、識別機のパラメータを固定したGANモデルを構築し、コンパイルする
|
|
474
|
-
|
|
475
|
-
gan = build_gan(generator, discriminator_unsupervised)
|
|
476
|
-
|
|
477
|
-
gan.compile(loss='binary_crossentropy', optimizer=Adam())
|
|
478
|
-
|
|
479
|
-
|
|
480
|
-
|
|
481
|
-
###########################
|
|
482
|
-
|
|
483
|
-
SGAN訓練アルゴリズムの実装
|
|
484
|
-
|
|
485
|
-
|
|
486
|
-
|
|
487
|
-
①教師あり識別機の訓練
|
|
488
|
-
|
|
489
|
-
|
|
490
|
-
|
|
491
|
-
ラベリングされた本物のデータからランダムにサンプルを取り出し、ミニバッチを作成
|
|
492
|
-
|
|
493
|
-
このミニバッチからロスを計算し、誤差逆伝播によってパラメータθを更新
|
|
494
|
-
|
|
495
|
-
②生成器の訓練
|
|
496
|
-
|
|
497
|
-
|
|
498
|
-
|
|
499
|
-
ラベルのない本物データからランダムにミニバッチを作成
|
|
500
|
-
|
|
501
|
-
ここからロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
502
|
-
|
|
503
|
-
ノイズベクトルzから偽サンプルのミニバッチを作成
|
|
504
|
-
|
|
505
|
-
このミニバッチからもロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
506
|
-
|
|
507
|
-
③生成器の訓練
|
|
508
|
-
|
|
509
|
-
|
|
510
|
-
|
|
511
|
-
ノイズベクトルzから偽の生成サンプルからなるミニバッチを作成
|
|
512
|
-
|
|
513
|
-
このミニバッチからロスを計算し、2値分類の誤差逆伝播によってθを更新
|
|
514
|
-
|
|
515
|
-
#############################
|
|
516
|
-
|
|
517
|
-
|
|
518
|
-
|
|
519
|
-
|
|
520
|
-
|
|
521
|
-
supervised_losses = []
|
|
522
|
-
|
|
523
|
-
iteration_checkpoints = []
|
|
524
|
-
|
|
525
|
-
|
|
526
|
-
|
|
527
|
-
|
|
528
|
-
|
|
529
|
-
def train(iterations, batch_size, sample_interval):
|
|
530
|
-
|
|
531
|
-
|
|
532
|
-
|
|
533
|
-
# 本物の画像のラベル: すべて1
|
|
534
|
-
|
|
535
|
-
real = np.ones((batch_size, 1))
|
|
536
|
-
|
|
537
|
-
|
|
538
|
-
|
|
539
|
-
# 偽物の画像のラベル: すべて0
|
|
540
|
-
|
|
541
|
-
fake = np.zeros((batch_size, 1))
|
|
542
|
-
|
|
543
|
-
|
|
544
|
-
|
|
545
|
-
#識別機の訓練
|
|
546
|
-
|
|
547
|
-
for iteration in range(iterations):
|
|
548
|
-
|
|
549
|
-
|
|
550
|
-
|
|
551
|
-
# ラベル付きデータの取得
|
|
552
|
-
|
|
553
|
-
imgs, labels = dataset.batch_labeled(batch_size)
|
|
554
|
-
|
|
555
|
-
|
|
556
|
-
|
|
557
|
-
# ワンホットエンコードされたラベル
|
|
558
|
-
|
|
559
|
-
labels = to_categorical(labels, num_classes=num_classes)
|
|
560
|
-
|
|
561
|
-
|
|
562
|
-
|
|
563
|
-
# ラベルなしデータの取得
|
|
564
|
-
|
|
565
|
-
imgs_unlabeled = dataset.batch_unlabeled(batch_size)
|
|
566
|
-
|
|
567
|
-
|
|
568
|
-
|
|
569
|
-
# 偽画像のバッチ作成
|
|
570
|
-
|
|
571
|
-
z = np.random.normal(0, 1, (batch_size, z_dim))
|
|
572
|
-
|
|
573
|
-
gen_imgs = generator.predict(z)
|
|
574
|
-
|
|
575
|
-
|
|
576
|
-
|
|
577
|
-
# ラベル付き本物データによる訓練
|
|
578
|
-
|
|
579
|
-
d_loss_supervised, accuracy = discriminator_supervised.train_on_batch(imgs, labels)
|
|
580
|
-
|
|
581
|
-
|
|
582
|
-
|
|
583
|
-
# ラベルなしの本物サンプルによる訓練
|
|
584
|
-
|
|
585
|
-
d_loss_real = discriminator_unsupervised.train_on_batch(imgs_unlabeled, real)
|
|
586
|
-
|
|
587
|
-
|
|
588
|
-
|
|
589
|
-
# 偽のサンプルによる訓練
|
|
590
|
-
|
|
591
|
-
d_loss_fake = discriminator_unsupervised.train_on_batch(gen_imgs, fake)
|
|
592
|
-
|
|
593
|
-
|
|
594
|
-
|
|
595
|
-
d_loss_unsupervised = 0.5 * np.add(d_loss_real, d_loss_fake)
|
|
596
|
-
|
|
597
|
-
|
|
598
|
-
|
|
599
|
-
# 生成器の訓練
|
|
600
|
-
|
|
601
|
-
|
|
602
|
-
|
|
603
|
-
# 偽画像のバッチ作成
|
|
604
|
-
|
|
605
|
-
z = np.random.normal(0, 1, (batch_size, z_dim))
|
|
606
|
-
|
|
607
|
-
gen_imgs = generator.predict(z)
|
|
608
|
-
|
|
609
|
-
|
|
610
|
-
|
|
611
|
-
# 生成器の訓練
|
|
612
|
-
|
|
613
|
-
g_loss = gan.train_on_batch(z, np.ones((batch_size, 1)))
|
|
614
|
-
|
|
615
|
-
|
|
616
|
-
|
|
617
|
-
if (iteration + 1) % sample_interval == 0:
|
|
618
|
-
|
|
619
|
-
|
|
620
|
-
|
|
621
|
-
# 生成器の教師ありの分類損失を、訓練後にプロットするために保存しておく
|
|
622
|
-
|
|
623
|
-
supervised_losses.append(d_loss_supervised)
|
|
624
|
-
|
|
625
|
-
iteration_checkpoints.append(iteration + 1)
|
|
626
|
-
|
|
627
|
-
|
|
628
|
-
|
|
629
|
-
# 訓練の進捗を出力
|
|
630
|
-
|
|
631
|
-
print("%d [D loss supervised: %.4f, acc.: %.2f%%] [D loss unsupervised: %.4f] [G loss: %f]" % (iteration + 1, d_loss_supervised, 100 * accuracy, d_loss_unsupervised, g_loss))
|
|
632
|
-
|
|
633
|
-
|
|
634
|
-
|
|
635
|
-
# ハイパーパラメータの設定
|
|
636
|
-
|
|
637
|
-
iterations = 8000
|
|
638
|
-
|
|
639
|
-
batch_size = 32
|
|
640
|
-
|
|
641
|
-
sample_interval = 800
|
|
642
|
-
|
|
643
|
-
|
|
644
|
-
|
|
645
|
-
# SGANを指定した回数だけ反復訓練させる
|
|
646
|
-
|
|
647
|
-
train(iterations, batch_size, sample_interval)
|
|
648
|
-
|
|
649
|
-
|
|
650
|
-
|
|
651
|
-
x, y = dataset.test_set()
|
|
652
|
-
|
|
653
|
-
y = to_categorical(y, num_classes=num_classes)
|
|
654
|
-
|
|
655
|
-
|
|
656
|
-
|
|
657
|
-
# テストデータの分類データの測定
|
|
658
|
-
|
|
659
|
-
_, accuracy = discriminator_supervised.evaluate(x, y)
|
|
660
|
-
|
|
661
|
-
print("Test Accuracy: %.2f%%" % (100 * accuracy))
|
|
662
|
-
|
|
663
|
-
|
|
664
|
-
|
|
665
|
-
```
|
|
666
|
-
|
|
667
673
|
|
|
668
674
|
|
|
669
675
|
### 試したこと
|
|
@@ -676,7 +682,17 @@
|
|
|
676
682
|
|
|
677
683
|
|
|
678
684
|
|
|
685
|
+
追記：kerasのImageDataGeneratorを使用して、（Class:Dataset内に）見よう見まねで以下のコードを追加してみたのですが、
|
|
686
|
+
|
|
687
|
+
汎化精度が向上しませんでした。水増しの方法が誤っているのか、そもそも他に原因があるのか、もしわかる方がいらっしゃればアドバイス頂けると大変助かります。
|
|
688
|
+
|
|
689
|
+
|
|
690
|
+
|
|
691
|
+
datagen = ImageDataGenerator(rotation_range = 50)
|
|
692
|
+
|
|
693
|
+
g = datagen.flow(imgs, labels, batch_size, shuffle=False)
|
|
694
|
+
|
|
679
|
-
|
|
695
|
+
imgs, labels = g.next()
|
|
680
696
|
|
|
681
697
|
|
|
682
698
|
|