質問編集履歴
6
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -252,4 +252,5 @@
|
|
|
252
252
|
・・・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・・・？
|
|
253
253
|
|
|
254
254
|
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、
|
|
255
|
+
|
|
255
|
-
ま
|
|
256
|
+
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。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -6,65 +6,8 @@
|
|
|
6
6
|
|
|
7
7
|
```python
|
|
8
8
|
from google.colab import drive
|
|
9
|
-
drive.mount('/content/drive')
|
|
10
9
|
|
|
11
|
-
import sys
|
|
12
|
-
import numpy as np
|
|
13
10
|
|
|
14
|
-
sys.path.append('/content/drive/My Drive')
|
|
15
|
-
|
|
16
|
-
import ActivationFunction as AF
|
|
17
|
-
from PIL import Image
|
|
18
|
-
|
|
19
|
-
# PILで開いたうえでデータをNumpy形式にする
|
|
20
|
-
# （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、
|
|
21
|
-
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
|
|
22
|
-
tefilename = "50.png"
|
|
23
|
-
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
|
|
24
|
-
teimg = teimg.resize((10, 10))
|
|
25
|
-
teimg = np.asarray(teimg)
|
|
26
|
-
|
|
27
|
-
def extract(x, y):
|
|
28
|
-
# カラー画像の時Gだけ抜き取りたい
|
|
29
|
-
if len(x.shape) == 3:
|
|
30
|
-
h, w, ch = x.shape
|
|
31
|
-
|
|
32
|
-
# RGBのGだけ抜き取りたい
|
|
33
|
-
return x[:,:,y]
|
|
34
|
-
|
|
35
|
-
v_max, v_min = 300, 200
|
|
36
|
-
|
|
37
|
-
def diff(x):
|
|
38
|
-
imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
|
|
39
|
-
for (img, imgt) in zip(x, x.T):
|
|
40
|
-
rows = img[(v_min<img)&(v_max>img)]
|
|
41
|
-
columns = imgt[(v_min<imgt)&(v_max>imgt)]
|
|
42
|
-
imgrows.append(rows)
|
|
43
|
-
lenrows.append(len(rows))
|
|
44
|
-
imgcolumns.append(columns)
|
|
45
|
-
lencolumns.append(len(columns))
|
|
46
|
-
return lenrows + lencolumns
|
|
47
|
-
|
|
48
|
-
test_data_list = []
|
|
49
|
-
|
|
50
|
-
test_data_list.append([0] + diff(extract(teimg, 1))) # 略
|
|
51
|
-
|
|
52
|
-
print("test_data_list" ,test_data_list)
|
|
53
|
-
|
|
54
|
-
# 見本データに対しても同様に
|
|
55
|
-
# exについて同様に
|
|
56
|
-
training_data_list = []
|
|
57
|
-
|
|
58
|
-
for i in range(10):
|
|
59
|
-
for e in range(1):
|
|
60
|
-
trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
|
|
61
|
-
trad = trad.resize((10, 10))
|
|
62
|
-
trad = np.asarray(trad)
|
|
63
|
-
#g #b #r 抽出後diffしてappend
|
|
64
|
-
training_data_list.append([i] + diff(extract(trad, 1))) # 略
|
|
65
|
-
|
|
66
|
-
print("training_data_list" ,training_data_list)
|
|
67
|
-
|
|
68
11
|
中略（以下に書いたコード参照）
|
|
69
12
|
|
|
70
13
|
scoreboard_array = np.asarray(scoreboard)
|
|
@@ -149,7 +92,7 @@
|
|
|
149
92
|
# exについて同様に
|
|
150
93
|
training_data_list = []
|
|
151
94
|
|
|
152
|
-
for i in range(
|
|
95
|
+
for i in range(10):
|
|
153
96
|
for e in range(1):
|
|
154
97
|
trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
|
|
155
98
|
trad = trad.resize((10, 10))
|
|
@@ -210,9 +153,11 @@
|
|
|
210
153
|
# 隠れ層
|
|
211
154
|
x_h = np.dot(self.w_ih, o_i)
|
|
212
155
|
o_h = self.af(x_h)
|
|
156
|
+
print("o_h" ,o_h)
|
|
213
157
|
|
|
214
158
|
# 出力層
|
|
215
159
|
x_o = np.dot(self.w_ho, o_h)
|
|
160
|
+
print("x_o" ,x_o)
|
|
216
161
|
o_o = self.af(x_o)
|
|
217
162
|
|
|
218
163
|
return o_o
|
|
@@ -249,11 +194,11 @@
|
|
|
249
194
|
# テスト
|
|
250
195
|
scoreboard = []
|
|
251
196
|
for record in test_data_list:
|
|
252
|
-
idata = (np.array(
|
|
197
|
+
idata = (np.array(record[1:]) / 255.0 * 0.99) + 0.01
|
|
253
198
|
predict = nn.feedforward(idata)
|
|
254
199
|
plabel = np.argmax(predict)
|
|
255
200
|
np.set_printoptions(threshold=10000)
|
|
256
|
-
print("predict" ,predict)
|
|
201
|
+
print("predict=o_o" ,predict)
|
|
257
202
|
print("plabel" ,plabel)
|
|
258
203
|
pass
|
|
259
204
|
|
|
@@ -264,27 +209,29 @@
|
|
|
264
209
|
|
|
265
210
|
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
|
|
266
211
|
test_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
267
|
-
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
212
|
+
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]]
|
|
268
213
|
#epoch 0
|
|
269
|
-
train: 0 /
|
|
214
|
+
train: 0 / 10
|
|
270
215
|
idata [0.04882353 0.02552941 0.01776471 0.02552941 0.02552941 0.02552941
|
|
271
216
|
0.02552941 0.02552941 0.02552941 0.04105882 0.04882353 0.02552941
|
|
272
217
|
0.01776471 0.01776471 0.03329412 0.03329412 0.01776471 0.01776471
|
|
273
218
|
0.02552941 0.04882353]
|
|
274
219
|
tdata [0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
220
|
+
中略
|
|
221
|
+
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99]
|
|
222
|
+
o_h [[0.44149295]
|
|
223
|
+
[0.47443682]
|
|
224
|
+
中略
|
|
225
|
+
[0.5014706 ]]
|
|
226
|
+
x_o [[ -2.09106513]
|
|
227
|
+
中略
|
|
228
|
+
[ -2.25102428]]
|
|
275
|
-
predict [[
|
|
229
|
+
predict=o_o [[1.09968282e-01]
|
|
276
|
-
|
|
230
|
+
中略
|
|
277
|
-
[1.16165869e-06]
|
|
278
|
-
[9.99965583e-01]
|
|
279
|
-
[1.79569353e-01]
|
|
280
|
-
[1.86221042e-01]
|
|
281
|
-
[
|
|
231
|
+
[9.52611495e-02]]
|
|
282
|
-
[1.09462110e-02]
|
|
283
|
-
[1.15735189e-05]
|
|
284
|
-
[3.39788516e-04]]
|
|
285
|
-
plabel
|
|
232
|
+
plabel 6
|
|
286
233
|
performance: nan
|
|
287
|
-
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:
|
|
234
|
+
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:162: RuntimeWarning: invalid value encountered in double_scalars
|
|
288
235
|
|
|
289
236
|
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、
|
|
290
237
|
```python
|
4
ミス発見しました。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -302,4 +302,7 @@
|
|
|
302
302
|
これを画像番号2のデータ・・・
|
|
303
303
|
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。]
|
|
304
304
|
|
|
305
|
-
・・・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・・・？
|
|
305
|
+
・・・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・・・？
|
|
306
|
+
|
|
307
|
+
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、
|
|
308
|
+
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。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -300,4 +300,6 @@
|
|
|
300
300
|
これを画像番号1のデータ
|
|
301
301
|
[1, 10, 8, 5, 5, 7, 7, 8, 7, 3, 4, 10, 10, 6, 6, 1, 1, 3, 8, 9, 10]
|
|
302
302
|
これを画像番号2のデータ・・・
|
|
303
|
-
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。
|
|
303
|
+
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。]
|
|
304
|
+
|
|
305
|
+
・・・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。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -1,3 +1,7 @@
|
|
|
1
|
+
自分でニューラルネットワークを作ろう
|
|
2
|
+
https://qiita.com/takahiro_itazuri/items/d2bea1c643d7cca11352#comment-a59cd26161ee56ea1220
|
|
3
|
+
を元に作ったコードなんですが・・・。
|
|
4
|
+
|
|
1
5
|
コードと出力結果はBA決定後、中略します。
|
|
2
6
|
|
|
3
7
|
```python
|
|
@@ -61,6 +65,100 @@
|
|
|
61
65
|
|
|
62
66
|
print("training_data_list" ,training_data_list)
|
|
63
67
|
|
|
68
|
+
中略（以下に書いたコード参照）
|
|
69
|
+
|
|
70
|
+
scoreboard_array = np.asarray(scoreboard)
|
|
71
|
+
print('performance: ', scoreboard_array.sum() / scoreboard_array.size)
|
|
72
|
+
```
|
|
73
|
+
|
|
74
|
+
以下画像
|
|
75
|
+
0.png～9.png
|
|
76
|
+
|
|
77
|
+
10.png～19.png
|
|
78
|
+
|
|
79
|
+
20.png～29.png
|
|
80
|
+
|
|
81
|
+
以下同様。
|
|
82
|
+
|
|
83
|
+
|
|
84
|
+
|
|
85
|
+
|
|
86
|
+
|
|
87
|
+
|
|
88
|
+
|
|
89
|
+
|
|
90
|
+
出力結果
|
|
91
|
+
Mounted at /content/drive
|
|
92
|
+
test_data_list [[0
|
|
93
|
+
中略
|
|
94
|
+
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:160: RuntimeWarning: invalid value encountered in double_scalars
|
|
95
|
+
|
|
96
|
+
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。
|
|
97
|
+
|
|
98
|
+
|
|
99
|
+
というか気づいたのですが、こちらのコード
|
|
100
|
+
|
|
101
|
+
```python
|
|
102
|
+
from google.colab import drive
|
|
103
|
+
drive.mount('/content/drive')
|
|
104
|
+
|
|
105
|
+
import sys
|
|
106
|
+
import numpy as np
|
|
107
|
+
|
|
108
|
+
sys.path.append('/content/drive/My Drive')
|
|
109
|
+
|
|
110
|
+
import ActivationFunction as AF
|
|
111
|
+
from PIL import Image
|
|
112
|
+
|
|
113
|
+
# PILで開いたうえでデータをNumpy形式にする
|
|
114
|
+
# （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、
|
|
115
|
+
# そこからNumpyのデータ空間(?)に持ってくる必要がある）
|
|
116
|
+
tefilename = "1.png"
|
|
117
|
+
teimg = Image.open("drive/My Drive/mnist_dataset/" + tefilename)
|
|
118
|
+
teimg = teimg.resize((10, 10))
|
|
119
|
+
teimg = np.asarray(teimg)
|
|
120
|
+
|
|
121
|
+
def extract(x, y):
|
|
122
|
+
# カラー画像の時Gだけ抜き取りたい
|
|
123
|
+
if len(x.shape) == 3:
|
|
124
|
+
h, w, ch = x.shape
|
|
125
|
+
|
|
126
|
+
# RGBのGだけ抜き取りたい
|
|
127
|
+
return x[:,:,y]
|
|
128
|
+
|
|
129
|
+
v_max, v_min = 300, 200
|
|
130
|
+
|
|
131
|
+
def diff(x):
|
|
132
|
+
imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
|
|
133
|
+
for (img, imgt) in zip(x, x.T):
|
|
134
|
+
rows = img[(v_min<img)&(v_max>img)]
|
|
135
|
+
columns = imgt[(v_min<imgt)&(v_max>imgt)]
|
|
136
|
+
imgrows.append(rows)
|
|
137
|
+
lenrows.append(len(rows))
|
|
138
|
+
imgcolumns.append(columns)
|
|
139
|
+
lencolumns.append(len(columns))
|
|
140
|
+
return lenrows + lencolumns
|
|
141
|
+
|
|
142
|
+
test_data_list = []
|
|
143
|
+
|
|
144
|
+
test_data_list.append([0] + diff(extract(teimg, 1))) # 略
|
|
145
|
+
|
|
146
|
+
print("test_data_list" ,test_data_list)
|
|
147
|
+
|
|
148
|
+
# 見本データに対しても同様に
|
|
149
|
+
# exについて同様に
|
|
150
|
+
training_data_list = []
|
|
151
|
+
|
|
152
|
+
for i in range(1):
|
|
153
|
+
for e in range(1):
|
|
154
|
+
trad = Image.open("drive/My Drive/mnist_dataset/" + str(10*i+e) + ".png")
|
|
155
|
+
trad = trad.resize((10, 10))
|
|
156
|
+
trad = np.asarray(trad)
|
|
157
|
+
#g #b #r 抽出後diffしてappend
|
|
158
|
+
training_data_list.append([i] + diff(extract(trad, 1))) # 略
|
|
159
|
+
|
|
160
|
+
print("training_data_list" ,training_data_list)
|
|
161
|
+
|
|
64
162
|
# 3層ニューラルネットワーク
|
|
65
163
|
class ThreeLayerNetwork:
|
|
66
164
|
# コンストラクタ
|
|
@@ -139,6 +237,7 @@
|
|
|
139
237
|
if i % 1000 == 0:
|
|
140
238
|
print(' train: {0:>5d} / {1:>5d}'.format(i, data_size))
|
|
141
239
|
idata = (np.array(training_data_list[i][1:]) / 255.0 * 0.99) + 0.01
|
|
240
|
+
# 変更の余地あり
|
|
142
241
|
tdata = np.zeros(onodes) + 0.01
|
|
143
242
|
tdata[training_data_list[i][0]] = 0.99
|
|
144
243
|
print("idata" ,idata)
|
|
@@ -161,98 +260,44 @@
|
|
|
161
260
|
scoreboard_array = np.asarray(scoreboard)
|
|
162
261
|
print('performance: ', scoreboard_array.sum() / scoreboard_array.size)
|
|
163
262
|
```
|
|
263
|
+
の出力結果が以下のようになるわけですが、
|
|
164
264
|
|
|
165
|
-
|
|
166
|
-
0
|
|
167
|
-
|
|
168
|
-
10.png～19.png
|
|
169
|
-
|
|
170
|
-
20.png～29.png
|
|
171
|
-
|
|
172
|
-
以下同様。
|
|
173
|
-
|
|
174
|
-
|
|
175
|
-
|
|
176
|
-
|
|
177
|
-
|
|
178
|
-
|
|
179
|
-
|
|
180
|
-
|
|
181
|
-
出力結果
|
|
182
|
-
Mounted at /content/drive
|
|
183
|
-
test_data_list [[0, 10, 3, 8, 7, 3, 5, 7, 4, 3, 9, 10, 7, 3, 5, 5, 5, 4, 4, 6, 10]]
|
|
184
|
-
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]]
|
|
265
|
+
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
|
|
266
|
+
test_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
267
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
185
268
|
#epoch 0
|
|
186
|
-
train: 0 /
|
|
269
|
+
train: 0 / 1
|
|
187
270
|
idata [0.04882353 0.02552941 0.01776471 0.02552941 0.02552941 0.02552941
|
|
188
271
|
0.02552941 0.02552941 0.02552941 0.04105882 0.04882353 0.02552941
|
|
189
272
|
0.01776471 0.01776471 0.03329412 0.03329412 0.01776471 0.01776471
|
|
190
273
|
0.02552941 0.04882353]
|
|
191
274
|
tdata [0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
192
|
-
idata [0.04882353 0.04105882 0.02941176 0.02941176 0.03717647 0.03717647
|
|
193
|
-
0.04105882 0.03717647 0.02164706 0.02552941 0.04882353 0.04882353
|
|
194
|
-
0.03329412 0.03329412 0.01388235 0.01388235 0.02164706 0.04105882
|
|
195
|
-
0.04494118 0.04882353]
|
|
196
|
-
tdata [0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
197
|
-
idata [0.04882353 0.02552941 0.02164706 0.04105882 0.03717647 0.03329412
|
|
198
|
-
0.03329412 0.03717647 0.01776471 0.01776471 0.04882353 0.03329412
|
|
199
|
-
0.02941176 0.02552941 0.02164706 0.02164706 0.01776471 0.02552941
|
|
200
|
-
0.04105882 0.04882353]
|
|
201
|
-
tdata [0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
202
|
-
idata [0.04882353 0.02552941 0.01776471 0.03717647 0.03329412 0.02941176
|
|
203
|
-
0.03717647 0.02941176 0.02164706 0.02941176 0.04882353 0.03717647
|
|
204
|
-
0.02941176 0.03329412 0.02552941 0.02552941 0.01388235 0.01776471
|
|
205
|
-
0.02941176 0.04882353]
|
|
206
|
-
tdata [0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01 0.01]
|
|
207
|
-
idata [0.04882353 0.03717647 0.03329412 0.02941176 0.02941176 0.02941176
|
|
208
|
-
0.01776471 0.01776471 0.03717647 0.04105882 0.04882353 0.03717647
|
|
209
|
-
0.03329412 0.03329412 0.03329412 0.01776471 0.01388235 0.01388235
|
|
210
|
-
0.04105882 0.04882353]
|
|
211
|
-
tdata [0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01 0.01]
|
|
212
|
-
idata [0.04882353 0.02164706 0.04105882 0.03717647 0.02164706 0.02941176
|
|
213
|
-
0.03717647 0.02552941 0.02164706 0.04494118 0.04882353 0.03717647
|
|
214
|
-
0.02164706 0.02941176 0.02941176 0.02941176 0.02552941 0.02552941
|
|
215
|
-
0.03329412 0.04882353]
|
|
216
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01 0.01]
|
|
217
|
-
idata [0.04882353 0.02941176 0.02941176 0.03717647 0.02164706 0.02164706
|
|
218
|
-
0.02941176 0.02552941 0.02552941 0.04105882 0.04882353 0.02941176
|
|
219
|
-
0.02164706 0.02164706 0.02941176 0.02552941 0.02552941 0.02164706
|
|
220
|
-
0.03717647 0.04882353]
|
|
221
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01 0.01]
|
|
222
|
-
idata [0.04882353 0.01776471 0.02552941 0.03717647 0.03717647 0.03717647
|
|
223
|
-
0.03717647 0.03717647 0.03717647 0.04882353 0.04882353 0.04494118
|
|
224
|
-
0.03717647 0.02941176 0.02552941 0.02552941 0.02941176 0.03329412
|
|
225
|
-
0.04105882 0.04882353]
|
|
226
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01 0.01]
|
|
227
|
-
idata [0.04105882 0.02552941 0.02552941 0.02552941 0.02552941 0.01776471
|
|
228
|
-
0.02941176 0.02552941 0.02552941 0.04105882 0.04882353 0.02941176
|
|
229
|
-
0.01776471 0.02164706 0.02552941 0.02552941 0.01776471 0.01776471
|
|
230
|
-
0.02941176 0.04882353]
|
|
231
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99 0.01]
|
|
232
|
-
idata [0.04882353 0.02552941 0.01776471 0.02941176 0.02941176 0.02164706
|
|
233
|
-
0.02552941 0.03329412 0.02552941 0.03717647 0.04882353 0.03717647
|
|
234
|
-
0.02164706 0.01776471 0.02552941 0.02552941 0.02552941 0.01776471
|
|
235
|
-
0.02552941 0.04882353]
|
|
236
|
-
tdata [0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.99]
|
|
237
|
-
predict [[
|
|
275
|
+
predict [[9.64636153e-01]
|
|
238
|
-
[
|
|
276
|
+
[2.99907387e-01]
|
|
239
|
-
[
|
|
277
|
+
[1.16165869e-06]
|
|
278
|
+
[9.99965583e-01]
|
|
279
|
+
[1.79569353e-01]
|
|
280
|
+
[1.86221042e-01]
|
|
281
|
+
[1.19130905e-02]
|
|
240
|
-
[
|
|
282
|
+
[1.09462110e-02]
|
|
241
|
-
[0.99994398]
|
|
242
|
-
[
|
|
283
|
+
[1.15735189e-05]
|
|
243
|
-
[
|
|
284
|
+
[3.39788516e-04]]
|
|
244
|
-
[0.0187543 ]
|
|
245
|
-
[0.15001126]
|
|
246
|
-
[0.19432732]]
|
|
247
285
|
plabel 3
|
|
248
286
|
performance: nan
|
|
249
287
|
/usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:160: RuntimeWarning: invalid value encountered in double_scalars
|
|
250
288
|
|
|
289
|
+
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、
|
|
290
|
+
```python
|
|
291
|
+
predict = nn.feedforward(idata)
|
|
292
|
+
```
|
|
251
|
-
|
|
293
|
+
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、
|
|
252
|
-
ところどころprintしているのは、コードの仕組みを知るためで深い意味はありません。
|
|
253
|
-
1つの画像から取り込む情報ですが、R,G,Bの三種類を取り込んだり、列、行を両方取り込んだりしましたが、結果はあまり変わりません。
|
|
254
|
-
今のところコードに致命的なエラーはないように思えます。
|
|
255
|
-
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。
|
|
256
|
-
活性化関数とかを変えたら変わるんでしょうか？
|
|
257
294
|
|
|
295
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]]
|
|
296
|
+
|
|
258
|
-
|
|
297
|
+
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）
|
|
298
|
+
|
|
299
|
+
training_data_list [[0, 10, 4, 2, 4, 4, 4, 4, 4, 4, 8, 10, 4, 2, 2, 6, 6, 2, 2, 4, 10]
|
|
300
|
+
これを画像番号1のデータ
|
|
301
|
+
[1, 10, 8, 5, 5, 7, 7, 8, 7, 3, 4, 10, 10, 6, 6, 1, 1, 3, 8, 9, 10]
|
|
302
|
+
これを画像番号2のデータ・・・
|
|
303
|
+
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。
|
1
追記しました。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -253,4 +253,6 @@
|
|
|
253
253
|
1つの画像から取り込む情報ですが、R,G,Bの三種類を取り込んだり、列、行を両方取り込んだりしましたが、結果はあまり変わりません。
|
|
254
254
|
今のところコードに致命的なエラーはないように思えます。
|
|
255
255
|
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。
|
|
256
|
-
活性化関数とかを変えたら変わるんでしょうか？
|
|
256
|
+
活性化関数とかを変えたら変わるんでしょうか？
|
|
257
|
+
|
|
258
|
+
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？
|