質問編集履歴
6
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -506,4 +506,6 @@
|
|
|
506
506
|
|
|
507
507
|
ちょっとミスを見つけたんですが、テストの所一部record使わないとrecord使ってる意味がないですね、
|
|
508
508
|
|
|
509
|
+
|
|
510
|
+
|
|
509
|
-
ま
|
|
511
|
+
まあ。。元はcsv読み込んでいるのだから、コードでcsv作成して読み込んだ方が良いですかね、色々ややこしいし。
|
5
追記しましたー。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -14,6 +14,80 @@
|
|
|
14
14
|
|
|
15
15
|
from google.colab import drive
|
|
16
16
|
|
|
17
|
+
|
|
18
|
+
|
|
19
|
+
|
|
20
|
+
|
|
21
|
+
中略（以下に書いたコード参照）
|
|
22
|
+
|
|
23
|
+
|
|
24
|
+
|
|
25
|
+
scoreboard_array = np.asarray(scoreboard)
|
|
26
|
+
|
|
27
|
+
print('performance: ', scoreboard_array.sum() / scoreboard_array.size)
|
|
28
|
+
|
|
29
|
+
```
|
|
30
|
+
|
|
31
|
+
|
|
32
|
+
|
|
33
|
+
以下画像
|
|
34
|
+
|
|
35
|
+
0.png～9.png
|
|
36
|
+
|
|
37
|
+
|
|
38
|
+
|
|
39
|
+
10.png～19.png
|
|
40
|
+
|
|
41
|
+
|
|
42
|
+
|
|
43
|
+
20.png～29.png
|
|
44
|
+
|
|
45
|
+
|
|
46
|
+
|
|
47
|
+
以下同様。
|
|
48
|
+
|
|
49
|
+
|
|
50
|
+
|
|
51
|
+
|
|
52
|
+
|
|
53
|
+
|
|
54
|
+
|
|
55
|
+
|
|
56
|
+
|
|
57
|
+
|
|
58
|
+
|
|
59
|
+
|
|
60
|
+
|
|
61
|
+
|
|
62
|
+
|
|
63
|
+
|
|
64
|
+
|
|
65
|
+
出力結果
|
|
66
|
+
|
|
67
|
+
Mounted at /content/drive
|
|
68
|
+
|
|
69
|
+
test_data_list [[0
|
|
70
|
+
|
|
71
|
+
中略
|
|
72
|
+
|
|
73
|
+
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:160: RuntimeWarning: invalid value encountered in double_scalars
|
|
74
|
+
|
|
75
|
+
|
|
76
|
+
|
|
77
|
+
plabelが判定結果の画像ファイル名前です、testファイルは50.pngそのものですので、5と出力させたいのですが、9になったり7になったりしてしまいます。
|
|
78
|
+
|
|
79
|
+
|
|
80
|
+
|
|
81
|
+
|
|
82
|
+
|
|
83
|
+
というか気づいたのですが、こちらのコード
|
|
84
|
+
|
|
85
|
+
|
|
86
|
+
|
|
87
|
+
```python
|
|
88
|
+
|
|
89
|
+
from google.colab import drive
|
|
90
|
+
|
|
17
91
|
drive.mount('/content/drive')
|
|
18
92
|
|
|
19
93
|
|
|
@@ -40,7 +114,7 @@
|
|
|
40
114
|
|
|
41
115
|
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
|
|
42
116
|
|
|
43
|
-
tefilename = "
|
|
117
|
+
tefilename = "1.png"
|
|
44
118
|
|
|
45
119
|
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
|
|
46
120
|
|
|
@@ -132,7 +206,203 @@
|
|
|
132
206
|
|
|
133
207
|
|
|
134
208
|
|
|
209
|
+
# 3層ニューラルネットワーク
|
|
210
|
+
|
|
211
|
+
class ThreeLayerNetwork:
|
|
212
|
+
|
|
213
|
+
# コンストラクタ
|
|
214
|
+
|
|
215
|
+
def __init__(self, inodes, hnodes, onodes, lr):
|
|
216
|
+
|
|
135
|
-
|
|
217
|
+
# 各レイヤーのノード数
|
|
218
|
+
|
|
219
|
+
self.inodes = inodes
|
|
220
|
+
|
|
221
|
+
self.hnodes = hnodes
|
|
222
|
+
|
|
223
|
+
self.onodes = onodes
|
|
224
|
+
|
|
225
|
+
|
|
226
|
+
|
|
227
|
+
# 学習率
|
|
228
|
+
|
|
229
|
+
self.lr = lr
|
|
230
|
+
|
|
231
|
+
|
|
232
|
+
|
|
233
|
+
# 重みの初期化
|
|
234
|
+
|
|
235
|
+
self.w_ih = np.random.normal(0.0, 1.0, (self.hnodes, self.inodes))
|
|
236
|
+
|
|
237
|
+
self.w_ho = np.random.normal(0.0, 1.0, (self.onodes, self.hnodes))
|
|
238
|
+
|
|
239
|
+
|
|
240
|
+
|
|
241
|
+
# 活性化関数
|
|
242
|
+
|
|
243
|
+
self.af = AF.sigmoid
|
|
244
|
+
|
|
245
|
+
self.daf = AF.derivative_sigmoid
|
|
246
|
+
|
|
247
|
+
|
|
248
|
+
|
|
249
|
+
# 誤差逆伝搬
|
|
250
|
+
|
|
251
|
+
def backprop(self, idata, tdata):
|
|
252
|
+
|
|
253
|
+
|
|
254
|
+
|
|
255
|
+
# 縦ベクトルに変換
|
|
256
|
+
|
|
257
|
+
o_i = np.array(idata, ndmin=2).T
|
|
258
|
+
|
|
259
|
+
t = np.array(tdata, ndmin=2).T
|
|
260
|
+
|
|
261
|
+
|
|
262
|
+
|
|
263
|
+
# 隠れ層
|
|
264
|
+
|
|
265
|
+
x_h = np.dot(self.w_ih, o_i)
|
|
266
|
+
|
|
267
|
+
o_h = self.af(x_h)
|
|
268
|
+
|
|
269
|
+
|
|
270
|
+
|
|
271
|
+
# 出力層
|
|
272
|
+
|
|
273
|
+
x_o = np.dot(self.w_ho, o_h)
|
|
274
|
+
|
|
275
|
+
o_o = self.af(x_o)
|
|
276
|
+
|
|
277
|
+
|
|
278
|
+
|
|
279
|
+
# 誤差計算
|
|
280
|
+
|
|
281
|
+
e_o = (t - o_o)
|
|
282
|
+
|
|
283
|
+
e_h = np.dot(self.w_ho.T, e_o)
|
|
284
|
+
|
|
285
|
+
|
|
286
|
+
|
|
287
|
+
# 重みの更新
|
|
288
|
+
|
|
289
|
+
self.w_ho += self.lr * np.dot((e_o * self.daf(o_o)), o_h.T)
|
|
290
|
+
|
|
291
|
+
self.w_ih += self.lr * np.dot((e_h * self.daf(o_h)), o_i.T)
|
|
292
|
+
|
|
293
|
+
|
|
294
|
+
|
|
295
|
+
# 順伝搬
|
|
296
|
+
|
|
297
|
+
def feedforward(self, idata):
|
|
298
|
+
|
|
299
|
+
# 入力のリストを縦ベクトルに変換
|
|
300
|
+
|
|
301
|
+
o_i = np.array(idata, ndmin=2).T
|
|
302
|
+
|
|
303
|
+
|
|
304
|
+
|
|
305
|
+
# 隠れ層
|
|
306
|
+
|
|
307
|
+
x_h = np.dot(self.w_ih, o_i)
|
|
308
|
+
|
|
309
|
+
o_h = self.af(x_h)
|
|
310
|
+
|
|
311
|
+
print("o_h" ,o_h)
|
|
312
|
+
|
|
313
|
+
|
|
314
|
+
|
|
315
|
+
# 出力層
|
|
316
|
+
|
|
317
|
+
x_o = np.dot(self.w_ho, o_h)
|
|
318
|
+
|
|
319
|
+
print("x_o" ,x_o)
|
|
320
|
+
|
|
321
|
+
o_o = self.af(x_o)
|
|
322
|
+
|
|
323
|
+
|
|
324
|
+
|
|
325
|
+
return o_o
|
|
326
|
+
|
|
327
|
+
|
|
328
|
+
|
|
329
|
+
if __name__=='__main__':
|
|
330
|
+
|
|
331
|
+
# パラメータ
|
|
332
|
+
|
|
333
|
+
#inodes=784から59+1に変更
|
|
334
|
+
|
|
335
|
+
inodes = 20
|
|
336
|
+
|
|
337
|
+
hnodes = 100
|
|
338
|
+
|
|
339
|
+
onodes = 10
|
|
340
|
+
|
|
341
|
+
lr = 0.3
|
|
342
|
+
|
|
343
|
+
|
|
344
|
+
|
|
345
|
+
# ニューラルネットワークの初期化
|
|
346
|
+
|
|
347
|
+
nn = ThreeLayerNetwork(inodes, hnodes, onodes, lr)
|
|
348
|
+
|
|
349
|
+
|
|
350
|
+
|
|
351
|
+
# 学習
|
|
352
|
+
|
|
353
|
+
epoch = 1
|
|
354
|
+
|
|
355
|
+
for e in range(epoch):
|
|
356
|
+
|
|
357
|
+
print('#epoch ', e)
|
|
358
|
+
|
|
359
|
+
data_size = len(training_data_list)
|
|
360
|
+
|
|
361
|
+
for i in range(data_size):
|
|
362
|
+
|
|
363
|
+
if i % 1000 == 0:
|
|
364
|
+
|
|
365
|
+
print(' train: {0:>5d} / {1:>5d}'.format(i, data_size))
|
|
366
|
+
|
|
367
|
+
idata = (np.array(training_data_list[i][1:]) / 255.0 * 0.99) + 0.01
|
|
368
|
+
|
|
369
|
+
# 変更の余地あり
|
|
370
|
+
|
|
371
|
+
tdata = np.zeros(onodes) + 0.01
|
|
372
|
+
|
|
373
|
+
tdata[training_data_list[i][0]] = 0.99
|
|
374
|
+
|
|
375
|
+
print("idata" ,idata)
|
|
376
|
+
|
|
377
|
+
print("tdata" ,tdata)
|
|
378
|
+
|
|
379
|
+
nn.backprop(idata, tdata)
|
|
380
|
+
|
|
381
|
+
pass
|
|
382
|
+
|
|
383
|
+
pass
|
|
384
|
+
|
|
385
|
+
|
|
386
|
+
|
|
387
|
+
# テスト
|
|
388
|
+
|
|
389
|
+
scoreboard = []
|
|
390
|
+
|
|
391
|
+
for record in test_data_list:
|
|
392
|
+
|
|
393
|
+
idata = (np.array(record[1:]) / 255.0 * 0.99) + 0.01
|
|
394
|
+
|
|
395
|
+
predict = nn.feedforward(idata)
|
|
396
|
+
|
|
397
|
+
plabel = np.argmax(predict)
|
|
398
|
+
|
|
399
|
+
np.set_printoptions(threshold=10000)
|
|
400
|
+
|
|
401
|
+
print("predict=o_o" ,predict)
|
|
402
|
+
|
|
403
|
+
print("plabel" ,plabel)
|
|
404
|
+
|
|
405
|
+
pass
|
|
136
406
|
|
|
137
407
|
|
|
138
408
|
|
|
@@ -142,452 +412,76 @@
|
|
|
142
412
|
|
|
143
413
|
```
|
|
144
414
|
|
|
145
|
-
|
|
146
|
-
|
|
147
|
-
|
|
148
|
-
|
|
149
|
-
|
|
150
|
-
|
|
151
|
-
|
|
152
|
-
|
|
153
|
-
|
|
154
|
-
|
|
155
|
-
|
|
156
|
-
|
|
157
|
-
|
|
158
|
-
|
|
159
|
-
|
|
160
|
-
|
|
161
|
-
|
|
162
|
-
|
|
163
|
-
|
|
164
|
-
|
|
165
|
-
|
|
166
|
-
|
|
167
|
-
|
|
168
|
-
|
|
169
|
-
|
|
170
|
-
|
|
171
|
-
|
|
172
|
-
|
|
173
|
-
|
|
174
|
-
|
|
175
|
-
|
|
176
|
-
|
|
177
|
-
|
|
178
|
-
|
|
179
|
-
出力結果
|
|
180
|
-
|
|
181
|
-
Mounted at /content/drive
|
|
182
|
-
|
|
183
|
-
test_data_list [[0
|
|
415
|
+
の出力結果が以下のようになるわけですが、
|
|
416
|
+
|
|
417
|
+
|
|
418
|
+
|
|
419
|
+
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
|
|
420
|
+
|
|
421
|
+
test_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
422
|
+
|
|
423
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10], [1, 10, 8, 5, 5, 7, 7, 8, 7, 3, 4, 10, 10, 6, 6, 1, 1, 3, 8, 9, 10], [2, 10, 4, 3, 8, 7, 6, 6, 7, 2, 2, 10, 6, 5, 4, 3, 3, 2, 4, 8, 10], [3, 10, 4, 2, 7, 6, 5, 7, 5, 3, 5, 10, 7, 5, 6, 4, 4, 1, 2, 5, 10], [4, 10, 7, 6, 5, 5, 5, 2, 2, 7, 8, 10, 7, 6, 6, 6, 2, 1, 1, 8, 10], [5, 10, 3, 8, 7, 3, 5, 7, 4, 3, 9, 10, 7, 3, 5, 5, 5, 4, 4, 6, 10], [6, 10, 5, 5, 7, 3, 3, 5, 4, 4, 8, 10, 5, 3, 3, 5, 4, 4, 3, 7, 10], [7, 10, 2, 4, 7, 7, 7, 7, 7, 7, 10, 10, 9, 7, 5, 4, 4, 5, 6, 8, 10], [8, 8, 4, 4, 4, 4, 2, 5, 4, 4, 8, 10, 5, 2, 3, 4, 4, 2, 2, 5, 10], [9, 10, 4, 2, 5, 5, 3, 4, 6, 4, 7, 10, 7, 3, 2, 4, 4, 4, 2, 4, 10]]
|
|
424
|
+
|
|
425
|
+
#epoch 0
|
|
426
|
+
|
|
427
|
+
train: 0 / 10
|
|
428
|
+
|
|
429
|
+
idata [0.04882353 0.02552941 0.01776471 0.02552941 0.02552941 0.02552941
|
|
430
|
+
|
|
431
|
+
0.02552941 0.02552941 0.02552941 0.04105882 0.04882353 0.02552941
|
|
432
|
+
|
|
433
|
+
0.01776471 0.01776471 0.03329412 0.03329412 0.01776471 0.01776471
|
|
434
|
+
|
|
435
|
+
0.02552941 0.04882353]
|
|
436
|
+
|
|
437
|
+
tdata [0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
184
438
|
|
|
185
439
|
中略
|
|
186
440
|
|
|
441
|
+
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99]
|
|
442
|
+
|
|
443
|
+
o_h [[0.44149295]
|
|
444
|
+
|
|
445
|
+
[0.47443682]
|
|
446
|
+
|
|
447
|
+
中略
|
|
448
|
+
|
|
449
|
+
[0.5014706 ]]
|
|
450
|
+
|
|
451
|
+
x_o [[ -2.09106513]
|
|
452
|
+
|
|
453
|
+
中略
|
|
454
|
+
|
|
455
|
+
[ -2.25102428]]
|
|
456
|
+
|
|
457
|
+
predict=o_o [[1.09968282e-01]
|
|
458
|
+
|
|
459
|
+
中略
|
|
460
|
+
|
|
461
|
+
[9.52611495e-02]]
|
|
462
|
+
|
|
463
|
+
plabel 6
|
|
464
|
+
|
|
465
|
+
performance: nan
|
|
466
|
+
|
|
187
|
-
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:16
|
|
467
|
+
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:162: RuntimeWarning: invalid value encountered in double_scalars
|
|
188
|
-
|
|
189
|
-
|
|
190
|
-
|
|
468
|
+
|
|
469
|
+
|
|
470
|
+
|
|
191
|
-
|
|
471
|
+
まあつまり、trainingは、画像番号0しか入力していないのに、画像番号は存在しない3になっており、これは毎度引っかかっているlist in list構造問題であり、
|
|
192
|
-
|
|
193
|
-
|
|
194
|
-
|
|
195
|
-
|
|
196
|
-
|
|
197
|
-
というか気づいたのですが、こちらのコード
|
|
198
|
-
|
|
199
|
-
|
|
200
472
|
|
|
201
473
|
```python
|
|
202
474
|
|
|
203
|
-
from google.colab import drive
|
|
204
|
-
|
|
205
|
-
drive.mount('/content/drive')
|
|
206
|
-
|
|
207
|
-
|
|
208
|
-
|
|
209
|
-
import sys
|
|
210
|
-
|
|
211
|
-
import numpy as np
|
|
212
|
-
|
|
213
|
-
|
|
214
|
-
|
|
215
|
-
sys.path.append('/content/drive/My Drive')
|
|
216
|
-
|
|
217
|
-
|
|
218
|
-
|
|
219
|
-
import ActivationFunction as AF
|
|
220
|
-
|
|
221
|
-
from PIL import Image
|
|
222
|
-
|
|
223
|
-
|
|
224
|
-
|
|
225
|
-
# PILで開いたうえでデータをNumpy形式にする
|
|
226
|
-
|
|
227
|
-
# （例えばJPEGは圧縮されていてNumpyな配列になっていないので、
|
|
228
|
-
|
|
229
|
-
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
|
|
230
|
-
|
|
231
|
-
tefilename = "1.png"
|
|
232
|
-
|
|
233
|
-
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
|
|
234
|
-
|
|
235
|
-
teimg = teimg.resize((10, 10))
|
|
236
|
-
|
|
237
|
-
teimg = np.asarray(teimg)
|
|
238
|
-
|
|
239
|
-
|
|
240
|
-
|
|
241
|
-
def extract(x, y):
|
|
242
|
-
|
|
243
|
-
# カラー画像の時Gだけ抜き取りたい
|
|
244
|
-
|
|
245
|
-
if len(x.shape) == 3:
|
|
246
|
-
|
|
247
|
-
h, w, ch = x.shape
|
|
248
|
-
|
|
249
|
-
|
|
250
|
-
|
|
251
|
-
# RGBのGだけ抜き取りたい
|
|
252
|
-
|
|
253
|
-
return x[:,:,y]
|
|
254
|
-
|
|
255
|
-
|
|
256
|
-
|
|
257
|
-
v_max, v_min = 300, 200
|
|
258
|
-
|
|
259
|
-
|
|
260
|
-
|
|
261
|
-
def diff(x):
|
|
262
|
-
|
|
263
|
-
imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
|
|
264
|
-
|
|
265
|
-
for (img, imgt) in zip(x, x.T):
|
|
266
|
-
|
|
267
|
-
rows = img[(v_min<img)&(v_max>img)]
|
|
268
|
-
|
|
269
|
-
columns = imgt[(v_min<imgt)&(v_max>imgt)]
|
|
270
|
-
|
|
271
|
-
imgrows.append(rows)
|
|
272
|
-
|
|
273
|
-
lenrows.append(len(rows))
|
|
274
|
-
|
|
275
|
-
imgcolumns.append(columns)
|
|
276
|
-
|
|
277
|
-
lencolumns.append(len(columns))
|
|
278
|
-
|
|
279
|
-
return lenrows + lencolumns
|
|
280
|
-
|
|
281
|
-
|
|
282
|
-
|
|
283
|
-
test_data_list = []
|
|
284
|
-
|
|
285
|
-
|
|
286
|
-
|
|
287
|
-
test_data_list.append([0] + diff(extract(teimg, 1))) # 略
|
|
288
|
-
|
|
289
|
-
|
|
290
|
-
|
|
291
|
-
print("test_data_list" ,test_data_list)
|
|
292
|
-
|
|
293
|
-
|
|
294
|
-
|
|
295
|
-
# 見本データに対しても同様に
|
|
296
|
-
|
|
297
|
-
# exについて同様に
|
|
298
|
-
|
|
299
|
-
training_data_list = []
|
|
300
|
-
|
|
301
|
-
|
|
302
|
-
|
|
303
|
-
for i in range(1):
|
|
304
|
-
|
|
305
|
-
for e in range(1):
|
|
306
|
-
|
|
307
|
-
trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
|
|
308
|
-
|
|
309
|
-
trad = trad.resize((10, 10))
|
|
310
|
-
|
|
311
|
-
trad = np.asarray(trad)
|
|
312
|
-
|
|
313
|
-
#g #b #r 抽出後diffしてappend
|
|
314
|
-
|
|
315
|
-
training_data_list.append([i] + diff(extract(trad, 1))) # 略
|
|
316
|
-
|
|
317
|
-
|
|
318
|
-
|
|
319
|
-
print("training_data_list" ,training_data_list)
|
|
320
|
-
|
|
321
|
-
|
|
322
|
-
|
|
323
|
-
# 3層ニューラルネットワーク
|
|
324
|
-
|
|
325
|
-
class ThreeLayerNetwork:
|
|
326
|
-
|
|
327
|
-
# コンストラクタ
|
|
328
|
-
|
|
329
|
-
def __init__(self, inodes, hnodes, onodes, lr):
|
|
330
|
-
|
|
331
|
-
# 各レイヤーのノード数
|
|
332
|
-
|
|
333
|
-
self.inodes = inodes
|
|
334
|
-
|
|
335
|
-
self.hnodes = hnodes
|
|
336
|
-
|
|
337
|
-
self.onodes = onodes
|
|
338
|
-
|
|
339
|
-
|
|
340
|
-
|
|
341
|
-
# 学習率
|
|
342
|
-
|
|
343
|
-
self.lr = lr
|
|
344
|
-
|
|
345
|
-
|
|
346
|
-
|
|
347
|
-
# 重みの初期化
|
|
348
|
-
|
|
349
|
-
self.w_ih = np.random.normal(0.0, 1.0, (self.hnodes, self.inodes))
|
|
350
|
-
|
|
351
|
-
self.w_ho = np.random.normal(0.0, 1.0, (self.onodes, self.hnodes))
|
|
352
|
-
|
|
353
|
-
|
|
354
|
-
|
|
355
|
-
# 活性化関数
|
|
356
|
-
|
|
357
|
-
self.af = AF.sigmoid
|
|
358
|
-
|
|
359
|
-
self.daf = AF.derivative_sigmoid
|
|
360
|
-
|
|
361
|
-
|
|
362
|
-
|
|
363
|
-
# 誤差逆伝搬
|
|
364
|
-
|
|
365
|
-
def backprop(self, idata, tdata):
|
|
366
|
-
|
|
367
|
-
|
|
368
|
-
|
|
369
|
-
# 縦ベクトルに変換
|
|
370
|
-
|
|
371
|
-
o_i = np.array(idata, ndmin=2).T
|
|
372
|
-
|
|
373
|
-
t = np.array(tdata, ndmin=2).T
|
|
374
|
-
|
|
375
|
-
|
|
376
|
-
|
|
377
|
-
# 隠れ層
|
|
378
|
-
|
|
379
|
-
x_h = np.dot(self.w_ih, o_i)
|
|
380
|
-
|
|
381
|
-
o_h = self.af(x_h)
|
|
382
|
-
|
|
383
|
-
|
|
384
|
-
|
|
385
|
-
# 出力層
|
|
386
|
-
|
|
387
|
-
x_o = np.dot(self.w_ho, o_h)
|
|
388
|
-
|
|
389
|
-
o_o = self.af(x_o)
|
|
390
|
-
|
|
391
|
-
|
|
392
|
-
|
|
393
|
-
# 誤差計算
|
|
394
|
-
|
|
395
|
-
e_o = (t - o_o)
|
|
396
|
-
|
|
397
|
-
e_h = np.dot(self.w_ho.T, e_o)
|
|
398
|
-
|
|
399
|
-
|
|
400
|
-
|
|
401
|
-
# 重みの更新
|
|
402
|
-
|
|
403
|
-
self.w_ho += self.lr * np.dot((e_o * self.daf(o_o)), o_h.T)
|
|
404
|
-
|
|
405
|
-
self.w_ih += self.lr * np.dot((e_h * self.daf(o_h)), o_i.T)
|
|
406
|
-
|
|
407
|
-
|
|
408
|
-
|
|
409
|
-
# 順伝搬
|
|
410
|
-
|
|
411
|
-
def feedforward(self, idata):
|
|
412
|
-
|
|
413
|
-
# 入力のリストを縦ベクトルに変換
|
|
414
|
-
|
|
415
|
-
o_i = np.array(idata, ndmin=2).T
|
|
416
|
-
|
|
417
|
-
|
|
418
|
-
|
|
419
|
-
# 隠れ層
|
|
420
|
-
|
|
421
|
-
x_h = np.dot(self.w_ih, o_i)
|
|
422
|
-
|
|
423
|
-
o_h = self.af(x_h)
|
|
424
|
-
|
|
425
|
-
|
|
426
|
-
|
|
427
|
-
# 出力層
|
|
428
|
-
|
|
429
|
-
x_o = np.dot(self.w_ho, o_h)
|
|
430
|
-
|
|
431
|
-
o_o = self.af(x_o)
|
|
432
|
-
|
|
433
|
-
|
|
434
|
-
|
|
435
|
-
return o_o
|
|
436
|
-
|
|
437
|
-
|
|
438
|
-
|
|
439
|
-
if __name__=='__main__':
|
|
440
|
-
|
|
441
|
-
# パラメータ
|
|
442
|
-
|
|
443
|
-
#inodes=784から59+1に変更
|
|
444
|
-
|
|
445
|
-
inodes = 20
|
|
446
|
-
|
|
447
|
-
hnodes = 100
|
|
448
|
-
|
|
449
|
-
onodes = 10
|
|
450
|
-
|
|
451
|
-
lr = 0.3
|
|
452
|
-
|
|
453
|
-
|
|
454
|
-
|
|
455
|
-
# ニューラルネットワークの初期化
|
|
456
|
-
|
|
457
|
-
nn = ThreeLayerNetwork(inodes, hnodes, onodes, lr)
|
|
458
|
-
|
|
459
|
-
|
|
460
|
-
|
|
461
|
-
# 学習
|
|
462
|
-
|
|
463
|
-
epoch = 1
|
|
464
|
-
|
|
465
|
-
for e in range(epoch):
|
|
466
|
-
|
|
467
|
-
print('#epoch ', e)
|
|
468
|
-
|
|
469
|
-
data_size = len(training_data_list)
|
|
470
|
-
|
|
471
|
-
for i in range(data_size):
|
|
472
|
-
|
|
473
|
-
if i % 1000 == 0:
|
|
474
|
-
|
|
475
|
-
print(' train: {0:>5d} / {1:>5d}'.format(i, data_size))
|
|
476
|
-
|
|
477
|
-
idata = (np.array(training_data_list[i][1:]) / 255.0 * 0.99) + 0.01
|
|
478
|
-
|
|
479
|
-
# 変更の余地あり
|
|
480
|
-
|
|
481
|
-
tdata = np.zeros(onodes) + 0.01
|
|
482
|
-
|
|
483
|
-
tdata[training_data_list[i][0]] = 0.99
|
|
484
|
-
|
|
485
|
-
print("idata" ,idata)
|
|
486
|
-
|
|
487
|
-
print("tdata" ,tdata)
|
|
488
|
-
|
|
489
|
-
nn.backprop(idata, tdata)
|
|
490
|
-
|
|
491
|
-
pass
|
|
492
|
-
|
|
493
|
-
pass
|
|
494
|
-
|
|
495
|
-
|
|
496
|
-
|
|
497
|
-
# テスト
|
|
498
|
-
|
|
499
|
-
scoreboard = []
|
|
500
|
-
|
|
501
|
-
for record in test_data_list:
|
|
502
|
-
|
|
503
|
-
idata = (np.array(test_data_list[0][1:]) / 255.0 * 0.99) + 0.01
|
|
504
|
-
|
|
505
475
|
predict = nn.feedforward(idata)
|
|
506
476
|
|
|
507
|
-
plabel = np.argmax(predict)
|
|
508
|
-
|
|
509
|
-
np.set_printoptions(threshold=10000)
|
|
510
|
-
|
|
511
|
-
print("predict" ,predict)
|
|
512
|
-
|
|
513
|
-
print("plabel" ,plabel)
|
|
514
|
-
|
|
515
|
-
pass
|
|
516
|
-
|
|
517
|
-
|
|
518
|
-
|
|
519
|
-
scoreboard_array = np.asarray(scoreboard)
|
|
520
|
-
|
|
521
|
-
print('performance: ', scoreboard_array.sum() / scoreboard_array.size)
|
|
522
|
-
|
|
523
477
|
```
|
|
524
478
|
|
|
525
|
-
の出力結果が以下のようになるわけですが、
|
|
526
|
-
|
|
527
|
-
|
|
528
|
-
|
|
529
|
-
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
|
|
530
|
-
|
|
531
|
-
|
|
479
|
+
ここでfeedforwardしたidataが、idataつまりtarining_dataの1番目のlist（呼び方が分からない）のn番目（呼び方が分からない）を画像番号nに該当するとして計算しており、
|
|
480
|
+
|
|
481
|
+
|
|
532
482
|
|
|
533
483
|
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
534
484
|
|
|
535
|
-
#epoch 0
|
|
536
|
-
|
|
537
|
-
train: 0 / 1
|
|
538
|
-
|
|
539
|
-
idata [0.04882353 0.02552941 0.01776471 0.02552941 0.02552941 0.02552941
|
|
540
|
-
|
|
541
|
-
0.02552941 0.02552941 0.02552941 0.04105882 0.04882353 0.02552941
|
|
542
|
-
|
|
543
|
-
0.01776471 0.01776471 0.03329412 0.03329412 0.01776471 0.01776471
|
|
544
|
-
|
|
545
|
-
0.02552941 0.04882353]
|
|
546
|
-
|
|
547
|
-
tdata [0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
548
|
-
|
|
549
|
-
predict [[9.64636153e-01]
|
|
550
|
-
|
|
551
|
-
[2.99907387e-01]
|
|
552
|
-
|
|
553
|
-
[1.16165869e-06]
|
|
554
|
-
|
|
555
|
-
[9.99965583e-01]
|
|
556
|
-
|
|
557
|
-
[1.79569353e-01]
|
|
558
|
-
|
|
559
|
-
[1.86221042e-01]
|
|
560
|
-
|
|
561
|
-
[1.19130905e-02]
|
|
562
|
-
|
|
563
|
-
[1.09462110e-02]
|
|
564
|
-
|
|
565
|
-
[1.15735189e-05]
|
|
566
|
-
|
|
567
|
-
[3.39788516e-04]]
|
|
568
|
-
|
|
569
|
-
plabel 3
|
|
570
|
-
|
|
571
|
-
performance: nan
|
|
572
|
-
|
|
573
|
-
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:160: RuntimeWarning: invalid value encountered in double_scalars
|
|
574
|
-
|
|
575
|
-
|
|
576
|
-
|
|
577
|
-
まあつまり、trainingは、画像番号0しか入力していないのに、画像番号は存在しない3になっており、これは毎度引っかかっているlist in list構造問題であり、
|
|
578
|
-
|
|
579
|
-
```python
|
|
580
|
-
|
|
581
|
-
predict = nn.feedforward(idata)
|
|
582
|
-
|
|
583
|
-
```
|
|
584
|
-
|
|
585
|
-
ここでfeedforwardしたidataが、idataつまりtarining_dataの1番目のlist（呼び方が分からない）のn番目（呼び方が分からない）を画像番号nに該当するとして計算しており、
|
|
586
|
-
|
|
587
|
-
|
|
588
|
-
|
|
589
|
-
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
590
|
-
|
|
591
485
|
|
|
592
486
|
|
|
593
487
|
この10が画像番号0,4が画像番号1,2が画像番号2・・・となっているのですが、実際は、（最初のコードに書いたように）
|
4
ミス発見しました。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -607,3 +607,9 @@
|
|
|
607
607
|
|
|
608
608
|
|
|
609
609
|
・・・というかこれもう、元のプログラムに即して、画像からテキストファイルを作成し、そのテキストファイルを読み込む、みたいにした方がいいんでしょうか・・・？
|
|
610
|
+
|
|
611
|
+
|
|
612
|
+
|
|
613
|
+
ちょっとミスを見つけたんですが、テストの所一部record使わないとrecord使ってる意味がないですね、
|
|
614
|
+
|
|
615
|
+
まだミスあるかも知れないので、すぐには編集しません。
|
3
補足致しました。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -602,4 +602,8 @@
|
|
|
602
602
|
|
|
603
603
|
これを画像番号2のデータ・・・
|
|
604
604
|
|
|
605
|
-
として処理したいのですが、どうすればいいんでしょうか。
|
|
605
|
+
として処理したいのですが、どうすればいいんでしょうか。]
|
|
606
|
+
|
|
607
|
+
|
|
608
|
+
|
|
609
|
+
・・・というかこれもう、元のプログラムに即して、画像からテキストファイルを作成し、そのテキストファイルを読み込む、みたいにした方がいいんでしょうか・・・？
|
2
追記致しました。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -1,3 +1,11 @@
|
|
|
1
|
+
自分でニューラルネットワークを作ろう
|
|
2
|
+
|
|
3
|
+
https://qiita.com/takahiro_itazuri/items/d2bea1c643d7cca11352#comment-a59cd26161ee56ea1220
|
|
4
|
+
|
|
5
|
+
を元に作ったコードなんですが・・・。
|
|
6
|
+
|
|
7
|
+
|
|
8
|
+
|
|
1
9
|
コードと出力結果はBA決定後、中略します。
|
|
2
10
|
|
|
3
11
|
|
|
@@ -124,6 +132,194 @@
|
|
|
124
132
|
|
|
125
133
|
|
|
126
134
|
|
|
135
|
+
中略（以下に書いたコード参照）
|
|
136
|
+
|
|
137
|
+
|
|
138
|
+
|
|
139
|
+
scoreboard_array = np.asarray(scoreboard)
|
|
140
|
+
|
|
141
|
+
print('performance: ', scoreboard_array.sum() / scoreboard_array.size)
|
|
142
|
+
|
|
143
|
+
```
|
|
144
|
+
|
|
145
|
+
|
|
146
|
+
|
|
147
|
+
以下画像
|
|
148
|
+
|
|
149
|
+
0.png～9.png
|
|
150
|
+
|
|
151
|
+
|
|
152
|
+
|
|
153
|
+
10.png～19.png
|
|
154
|
+
|
|
155
|
+
|
|
156
|
+
|
|
157
|
+
20.png～29.png
|
|
158
|
+
|
|
159
|
+
|
|
160
|
+
|
|
161
|
+
以下同様。
|
|
162
|
+
|
|
163
|
+
|
|
164
|
+
|
|
165
|
+
|
|
166
|
+
|
|
167
|
+
|
|
168
|
+
|
|
169
|
+
|
|
170
|
+
|
|
171
|
+
|
|
172
|
+
|
|
173
|
+
|
|
174
|
+
|
|
175
|
+
|
|
176
|
+
|
|
177
|
+
|
|
178
|
+
|
|
179
|
+
出力結果
|
|
180
|
+
|
|
181
|
+
Mounted at /content/drive
|
|
182
|
+
|
|
183
|
+
test_data_list [[0
|
|
184
|
+
|
|
185
|
+
中略
|
|
186
|
+
|
|
187
|
+
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:160: RuntimeWarning: invalid value encountered in double_scalars
|
|
188
|
+
|
|
189
|
+
|
|
190
|
+
|
|
191
|
+
plabelが判定結果の画像ファイル名前です、testファイルは50.pngそのものですので、5と出力させたいのですが、9になったり7になったりしてしまいます。
|
|
192
|
+
|
|
193
|
+
|
|
194
|
+
|
|
195
|
+
|
|
196
|
+
|
|
197
|
+
というか気づいたのですが、こちらのコード
|
|
198
|
+
|
|
199
|
+
|
|
200
|
+
|
|
201
|
+
```python
|
|
202
|
+
|
|
203
|
+
from google.colab import drive
|
|
204
|
+
|
|
205
|
+
drive.mount('/content/drive')
|
|
206
|
+
|
|
207
|
+
|
|
208
|
+
|
|
209
|
+
import sys
|
|
210
|
+
|
|
211
|
+
import numpy as np
|
|
212
|
+
|
|
213
|
+
|
|
214
|
+
|
|
215
|
+
sys.path.append('/content/drive/My Drive')
|
|
216
|
+
|
|
217
|
+
|
|
218
|
+
|
|
219
|
+
import ActivationFunction as AF
|
|
220
|
+
|
|
221
|
+
from PIL import Image
|
|
222
|
+
|
|
223
|
+
|
|
224
|
+
|
|
225
|
+
# PILで開いたうえでデータをNumpy形式にする
|
|
226
|
+
|
|
227
|
+
# （例えばJPEGは圧縮されていてNumpyな配列になっていないので、
|
|
228
|
+
|
|
229
|
+
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
|
|
230
|
+
|
|
231
|
+
tefilename = "1.png"
|
|
232
|
+
|
|
233
|
+
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
|
|
234
|
+
|
|
235
|
+
teimg = teimg.resize((10, 10))
|
|
236
|
+
|
|
237
|
+
teimg = np.asarray(teimg)
|
|
238
|
+
|
|
239
|
+
|
|
240
|
+
|
|
241
|
+
def extract(x, y):
|
|
242
|
+
|
|
243
|
+
# カラー画像の時Gだけ抜き取りたい
|
|
244
|
+
|
|
245
|
+
if len(x.shape) == 3:
|
|
246
|
+
|
|
247
|
+
h, w, ch = x.shape
|
|
248
|
+
|
|
249
|
+
|
|
250
|
+
|
|
251
|
+
# RGBのGだけ抜き取りたい
|
|
252
|
+
|
|
253
|
+
return x[:,:,y]
|
|
254
|
+
|
|
255
|
+
|
|
256
|
+
|
|
257
|
+
v_max, v_min = 300, 200
|
|
258
|
+
|
|
259
|
+
|
|
260
|
+
|
|
261
|
+
def diff(x):
|
|
262
|
+
|
|
263
|
+
imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
|
|
264
|
+
|
|
265
|
+
for (img, imgt) in zip(x, x.T):
|
|
266
|
+
|
|
267
|
+
rows = img[(v_min<img)&(v_max>img)]
|
|
268
|
+
|
|
269
|
+
columns = imgt[(v_min<imgt)&(v_max>imgt)]
|
|
270
|
+
|
|
271
|
+
imgrows.append(rows)
|
|
272
|
+
|
|
273
|
+
lenrows.append(len(rows))
|
|
274
|
+
|
|
275
|
+
imgcolumns.append(columns)
|
|
276
|
+
|
|
277
|
+
lencolumns.append(len(columns))
|
|
278
|
+
|
|
279
|
+
return lenrows + lencolumns
|
|
280
|
+
|
|
281
|
+
|
|
282
|
+
|
|
283
|
+
test_data_list = []
|
|
284
|
+
|
|
285
|
+
|
|
286
|
+
|
|
287
|
+
test_data_list.append([0] + diff(extract(teimg, 1))) # 略
|
|
288
|
+
|
|
289
|
+
|
|
290
|
+
|
|
291
|
+
print("test_data_list" ,test_data_list)
|
|
292
|
+
|
|
293
|
+
|
|
294
|
+
|
|
295
|
+
# 見本データに対しても同様に
|
|
296
|
+
|
|
297
|
+
# exについて同様に
|
|
298
|
+
|
|
299
|
+
training_data_list = []
|
|
300
|
+
|
|
301
|
+
|
|
302
|
+
|
|
303
|
+
for i in range(1):
|
|
304
|
+
|
|
305
|
+
for e in range(1):
|
|
306
|
+
|
|
307
|
+
trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
|
|
308
|
+
|
|
309
|
+
trad = trad.resize((10, 10))
|
|
310
|
+
|
|
311
|
+
trad = np.asarray(trad)
|
|
312
|
+
|
|
313
|
+
#g #b #r 抽出後diffしてappend
|
|
314
|
+
|
|
315
|
+
training_data_list.append([i] + diff(extract(trad, 1))) # 略
|
|
316
|
+
|
|
317
|
+
|
|
318
|
+
|
|
319
|
+
print("training_data_list" ,training_data_list)
|
|
320
|
+
|
|
321
|
+
|
|
322
|
+
|
|
127
323
|
# 3層ニューラルネットワーク
|
|
128
324
|
|
|
129
325
|
class ThreeLayerNetwork:
|
|
@@ -280,6 +476,8 @@
|
|
|
280
476
|
|
|
281
477
|
idata = (np.array(training_data_list[i][1:]) / 255.0 * 0.99) + 0.01
|
|
282
478
|
|
|
479
|
+
# 変更の余地あり
|
|
480
|
+
|
|
283
481
|
tdata = np.zeros(onodes) + 0.01
|
|
284
482
|
|
|
285
483
|
tdata[training_data_list[i][0]] = 0.99
|
|
@@ -324,51 +522,19 @@
|
|
|
324
522
|
|
|
325
523
|
```
|
|
326
524
|
|
|
327
|
-
|
|
328
|
-
|
|
329
|
-
|
|
330
|
-
|
|
331
|
-
|
|
332
|
-
|
|
333
|
-
|
|
334
|
-
|
|
335
|
-
|
|
336
|
-
|
|
337
|
-
|
|
338
|
-
|
|
339
|
-
20.png～29.png
|
|
340
|
-
|
|
341
|
-
|
|
342
|
-
|
|
343
|
-
以下同様。
|
|
344
|
-
|
|
345
|
-
|
|
346
|
-
|
|
347
|
-
|
|
348
|
-
|
|
349
|
-
|
|
350
|
-
|
|
351
|
-
|
|
352
|
-
|
|
353
|
-
|
|
354
|
-
|
|
355
|
-
|
|
356
|
-
|
|
357
|
-
|
|
358
|
-
|
|
359
|
-
|
|
360
|
-
|
|
361
|
-
出力結果
|
|
362
|
-
|
|
363
|
-
Mounted at /content/drive
|
|
364
|
-
|
|
365
|
-
test_data_list [[0, 10, 3, 8, 7, 3, 5, 7, 4, 3, 9, 10, 7, 3, 5, 5, 5, 4, 4, 6, 10]]
|
|
366
|
-
|
|
367
|
-
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10], [1, 10, 8, 5, 5, 7, 7, 8, 7, 3, 4, 10, 10, 6, 6, 1, 1, 3, 8, 9, 10], [2, 10, 4, 3, 8, 7, 6, 6, 7, 2, 2, 10, 6, 5, 4, 3, 3, 2, 4, 8, 10], [3, 10, 4, 2, 7, 6, 5, 7, 5, 3, 5, 10, 7, 5, 6, 4, 4, 1, 2, 5, 10], [4, 10, 7, 6, 5, 5, 5, 2, 2, 7, 8, 10, 7, 6, 6, 6, 2, 1, 1, 8, 10], [5, 10, 3, 8, 7, 3, 5, 7, 4, 3, 9, 10, 7, 3, 5, 5, 5, 4, 4, 6, 10], [6, 10, 5, 5, 7, 3, 3, 5, 4, 4, 8, 10, 5, 3, 3, 5, 4, 4, 3, 7, 10], [7, 10, 2, 4, 7, 7, 7, 7, 7, 7, 10, 10, 9, 7, 5, 4, 4, 5, 6, 8, 10], [8, 8, 4, 4, 4, 4, 2, 5, 4, 4, 8, 10, 5, 2, 3, 4, 4, 2, 2, 5, 10], [9, 10, 4, 2, 5, 5, 3, 4, 6, 4, 7, 10, 7, 3, 2, 4, 4, 4, 2, 4, 10]]
|
|
525
|
+
の出力結果が以下のようになるわけですが、
|
|
526
|
+
|
|
527
|
+
|
|
528
|
+
|
|
529
|
+
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
|
|
530
|
+
|
|
531
|
+
test_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
532
|
+
|
|
533
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
368
534
|
|
|
369
535
|
#epoch 0
|
|
370
536
|
|
|
371
|
-
train: 0 / 1
|
|
537
|
+
train: 0 / 1
|
|
372
538
|
|
|
373
539
|
idata [0.04882353 0.02552941 0.01776471 0.02552941 0.02552941 0.02552941
|
|
374
540
|
|
|
@@ -380,115 +546,25 @@
|
|
|
380
546
|
|
|
381
547
|
tdata [0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
382
548
|
|
|
383
|
-
idata [0.04882353 0.04105882 0.02941176 0.02941176 0.03717647 0.03717647
|
|
384
|
-
|
|
385
|
-
0.04105882 0.03717647 0.02164706 0.02552941 0.04882353 0.04882353
|
|
386
|
-
|
|
387
|
-
0.03329412 0.03329412 0.01388235 0.01388235 0.02164706 0.04105882
|
|
388
|
-
|
|
389
|
-
0.04494118 0.04882353]
|
|
390
|
-
|
|
391
|
-
tdata [0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
392
|
-
|
|
393
|
-
idata [0.04882353 0.02552941 0.02164706 0.04105882 0.03717647 0.03329412
|
|
394
|
-
|
|
395
|
-
0.03329412 0.03717647 0.01776471 0.01776471 0.04882353 0.03329412
|
|
396
|
-
|
|
397
|
-
0.02941176 0.02552941 0.02164706 0.02164706 0.01776471 0.02552941
|
|
398
|
-
|
|
399
|
-
0.04105882 0.04882353]
|
|
400
|
-
|
|
401
|
-
tdata [0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
402
|
-
|
|
403
|
-
idata [0.04882353 0.02552941 0.01776471 0.03717647 0.03329412 0.02941176
|
|
404
|
-
|
|
405
|
-
0.03717647 0.02941176 0.02164706 0.02941176 0.04882353 0.03717647
|
|
406
|
-
|
|
407
|
-
0.02941176 0.03329412 0.02552941 0.02552941 0.01388235 0.01776471
|
|
408
|
-
|
|
409
|
-
0.02941176 0.04882353]
|
|
410
|
-
|
|
411
|
-
tdata [0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
412
|
-
|
|
413
|
-
idata [0.04882353 0.03717647 0.03329412 0.02941176 0.02941176 0.02941176
|
|
414
|
-
|
|
415
|
-
0.01776471 0.01776471 0.03717647 0.04105882 0.04882353 0.03717647
|
|
416
|
-
|
|
417
|
-
0.03329412 0.03329412 0.03329412 0.01776471 0.01388235 0.01388235
|
|
418
|
-
|
|
419
|
-
0.04105882 0.04882353]
|
|
420
|
-
|
|
421
|
-
tdata [0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01]
|
|
422
|
-
|
|
423
|
-
idata [0.04882353 0.02164706 0.04105882 0.03717647 0.02164706 0.02941176
|
|
424
|
-
|
|
425
|
-
0.03717647 0.02552941 0.02164706 0.04494118 0.04882353 0.03717647
|
|
426
|
-
|
|
427
|
-
0.02164706 0.02941176 0.02941176 0.02941176 0.02552941 0.02552941
|
|
428
|
-
|
|
429
|
-
0.03329412 0.04882353]
|
|
430
|
-
|
|
431
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01]
|
|
432
|
-
|
|
433
|
-
idata [0.04882353 0.02941176 0.02941176 0.03717647 0.02164706 0.02164706
|
|
434
|
-
|
|
435
|
-
0.02941176 0.02552941 0.02552941 0.04105882 0.04882353 0.02941176
|
|
436
|
-
|
|
437
|
-
0.02164706 0.02164706 0.02941176 0.02552941 0.02552941 0.02164706
|
|
438
|
-
|
|
439
|
-
0.03717647 0.04882353]
|
|
440
|
-
|
|
441
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01]
|
|
442
|
-
|
|
443
|
-
idata [0.04882353 0.01776471 0.02552941 0.03717647 0.03717647 0.03717647
|
|
444
|
-
|
|
445
|
-
0.03717647 0.03717647 0.03717647 0.04882353 0.04882353 0.04494118
|
|
446
|
-
|
|
447
|
-
0.03717647 0.02941176 0.02552941 0.02552941 0.02941176 0.03329412
|
|
448
|
-
|
|
449
|
-
0.04105882 0.04882353]
|
|
450
|
-
|
|
451
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01]
|
|
452
|
-
|
|
453
|
-
idata [0.04105882 0.02552941 0.02552941 0.02552941 0.02552941 0.01776471
|
|
454
|
-
|
|
455
|
-
0.02941176 0.02552941 0.02552941 0.04105882 0.04882353 0.02941176
|
|
456
|
-
|
|
457
|
-
0.01776471 0.02164706 0.02552941 0.02552941 0.01776471 0.01776471
|
|
458
|
-
|
|
459
|
-
0.02941176 0.04882353]
|
|
460
|
-
|
|
461
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01]
|
|
462
|
-
|
|
463
|
-
idata [0.04882353 0.02552941 0.01776471 0.02941176 0.02941176 0.02164706
|
|
464
|
-
|
|
465
|
-
0.02552941 0.03329412 0.02552941 0.03717647 0.04882353 0.03717647
|
|
466
|
-
|
|
467
|
-
0.02164706 0.01776471 0.02552941 0.02552941 0.02552941 0.01776471
|
|
468
|
-
|
|
469
|
-
0.02552941 0.04882353]
|
|
470
|
-
|
|
471
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99]
|
|
472
|
-
|
|
473
|
-
predict [[
|
|
549
|
+
predict [[9.64636153e-01]
|
|
474
|
-
|
|
550
|
+
|
|
475
|
-
[
|
|
551
|
+
[2.99907387e-01]
|
|
476
|
-
|
|
552
|
+
|
|
477
|
-
[
|
|
553
|
+
[1.16165869e-06]
|
|
554
|
+
|
|
478
|
-
|
|
555
|
+
[9.99965583e-01]
|
|
556
|
+
|
|
557
|
+
[1.79569353e-01]
|
|
558
|
+
|
|
559
|
+
[1.86221042e-01]
|
|
560
|
+
|
|
561
|
+
[1.19130905e-02]
|
|
562
|
+
|
|
479
|
-
[0
|
|
563
|
+
[1.09462110e-02]
|
|
480
|
-
|
|
481
|
-
|
|
564
|
+
|
|
482
|
-
|
|
483
|
-
[
|
|
565
|
+
[1.15735189e-05]
|
|
484
|
-
|
|
566
|
+
|
|
485
|
-
[
|
|
567
|
+
[3.39788516e-04]]
|
|
486
|
-
|
|
487
|
-
[0.0187543 ]
|
|
488
|
-
|
|
489
|
-
[0.15001126]
|
|
490
|
-
|
|
491
|
-
[0.19432732]]
|
|
492
568
|
|
|
493
569
|
plabel 3
|
|
494
570
|
|
|
@@ -498,18 +574,32 @@
|
|
|
498
574
|
|
|
499
575
|
|
|
500
576
|
|
|
577
|
+
まあつまり、trainingは、画像番号0しか入力していないのに、画像番号は存在しない3になっており、これは毎度引っかかっているlist in list構造問題であり、
|
|
578
|
+
|
|
579
|
+
```python
|
|
580
|
+
|
|
581
|
+
predict = nn.feedforward(idata)
|
|
582
|
+
|
|
583
|
+
```
|
|
584
|
+
|
|
501
|
-
|
|
585
|
+
ここでfeedforwardしたidataが、idataつまりtarining_dataの1番目のlist（呼び方が分からない）のn番目（呼び方が分からない）を画像番号nに該当するとして計算しており、
|
|
586
|
+
|
|
587
|
+
|
|
588
|
+
|
|
502
|
-
|
|
589
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
590
|
+
|
|
591
|
+
|
|
592
|
+
|
|
503
|
-
と
|
|
593
|
+
この10が画像番号0,4が画像番号1,2が画像番号2・・・となっているのですが、実際は、（最初のコードに書いたように）
|
|
594
|
+
|
|
595
|
+
|
|
596
|
+
|
|
504
|
-
|
|
597
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]
|
|
598
|
+
|
|
599
|
+
これを画像番号1のデータ
|
|
600
|
+
|
|
505
|
-
1
|
|
601
|
+
[1, 10, 8, 5, 5, 7, 7, 8, 7, 3, 4, 10, 10, 6, 6, 1, 1, 3, 8, 9, 10]
|
|
506
|
-
|
|
602
|
+
|
|
507
|
-
|
|
603
|
+
これを画像番号2のデータ・・・
|
|
508
|
-
|
|
509
|
-
|
|
604
|
+
|
|
510
|
-
|
|
511
|
-
|
|
605
|
+
として処理したいのですが、どうすればいいんでしょうか。
|
|
512
|
-
|
|
513
|
-
|
|
514
|
-
|
|
515
|
-
何となく、まず考え付いたのが、乱数の影響が強いので、これを適切な乱数に変える、という点ですかね？
|
1
追記しました。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -509,3 +509,7 @@
|
|
|
509
509
|
もっと、「似た数列を持つ画像は判定できるようにする」にはどのような改良を加えれば良いでしょうか。
|
|
510
510
|
|
|
511
511
|
活性化関数とかを変えたら変わるんでしょうか？
|
|
512
|
+
|
|
513
|
+
|
|
514
|
+
|
|
515
|
+
何となく、まず考え付いたのが、乱数の影響が強いので、これを適切な乱数に変える、という点ですかね？
|