質問編集履歴

コード追加分

2022/01/07 13:34

投稿

chronobcelp

スコア9

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -135,3 +135,209 @@
         return False
 ```
+### コード追加分
+### 該当のソースコード
+```python
+%%time
+'''
+8.モデルを生成して学習する
+'''
+from sklearn.utils import shuffle
+# エポック数
+epochs = 100
+# ミニバッチのサイズ
+batch_size = 64
+# 訓練のステップ数
+train_steps = len(x_train)*0.8 / batch_size
+# 検証のステップ数
+val_steps = len(x_train)*0.2 / batch_size
+# 訓練と検証における損失と精度の推移を記録するdictオブジェクト
+history = {'loss':[], 'accuracy':[],
+           'val_loss':[], 'val_accuracy': []}
+# 早期終了の判定を行うオブジェクトを生成
+ers = EarlyStopping(patience=20, # 監視対象回数
+                    verbose=1)   # 早期終了時にメッセージを出力
+# 出力層10ニューロンのモデルを生成
+model = CNN(10)
+# ImageDataGeneratorを生成
+datagen = keras.preprocessing.image.ImageDataGenerator(
+    rescale=1.0/255.0,      # ピクセル値を255で割って正規化する
+    validation_split=0.2,   # 20パーセントのデータを検証用にする
+    rotation_range=15,      # 15度の範囲でランダムに回転させる
+    width_shift_range=0.1,  # 横サイズの0.1の割合でランダムに水平移動
+    height_shift_range=0.1, # 縦サイズの0.1の割合でランダムに垂直移動
+    horizontal_flip=True,  # 水平方向にランダムに反転、左右の入れ替え
+    zoom_range=0.2,         # ランダムに拡大
+)
+# 訓練データ用のジェネレーターを生成
+training_generator = datagen.flow(x_train, t_train,
+                                  batch_size=batch_size,
+                                  subset='training')      # 訓練用のデータを生成
+# 検証データ用のジェネレーターを生成
+validation_generator = datagen.flow(x_train, t_train,
+                                    batch_size=batch_size,
+                                    subset='validation') # 検証用のデータを生成
+# 学習を行う
+for epoch in range(epochs):
+    # 訓練時のステップカウンター
+    step_counter = 0
+    # 1ステップ毎にミニバッチで学習する
+    for x_batch, t_batch in training_generator:
+        # ミニバッチでバイアス、重みを更新
+        train_step(x_batch, t_batch)
+        step_counter += 1
+        # すべてのステップが終了したらbreak
+        if step_counter >= train_steps:
+            break
+    # 検証時のステップカウンター
+    v_step_counter = 0
+    # 検証データによるモデルの評価
+    for x_val_batch, t_val_batch  in validation_generator:
+        # 検証データのミニバッチで損失と精度を測定
+        val_step(x_val_batch, t_val_batch)
+        v_step_counter += 1
+        # すべてのステップが終了したらbreak
+        if v_step_counter >= val_steps:
+            break
+    # 訓練と検証における損失と精度の推移をhistoryに記録
+    history['loss'].append(train_loss.result())
+    history['accuracy'].append(train_acc.result())
+    history['val_loss'].append(val_loss.result())
+    history['val_accuracy'].append(val_acc.result())
+    # 1エポックごとに結果を出力
+    print('epoch({}) train_loss: {:.4} train_acc: {:.4}'
+          'val_loss: {:.4} val_acc: {:.4}'.format(
+              epoch+1,
+              train_loss.result(), # 訓練データの損失を出力
+              train_acc.result(),  # 訓練データの精度を出力
+              val_loss.result(),   # 検証データの損失を出力
+              val_acc.result()     # 検証データの精度を出力
+              ))
+    # 検証データの損失をEarlyStoppingオブジェクトに渡して早期終了を判定
+    if ers(val_loss.result()):
+        # 監視対象のエポックで損失が改善されなければ学習を終了
+        break
+```
+### 試したこと
+ここに問題に対して試したことを記載してください。
+### 補足情報（FW/ツールのバージョンなど）
+ここにより詳細な情報を記載してください。

コード追加

2022/01/07 13:34

投稿

chronobcelp

スコア9

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -135,183 +135,3 @@
         return False
 ```
-%%time
-'''
-8.モデルを生成して学習する
-'''
-from sklearn.utils import shuffle
-# エポック数
-epochs = 100
-# ミニバッチのサイズ
-batch_size = 64
-# 訓練のステップ数
-train_steps = len(x_train)*0.8 / batch_size
-# 検証のステップ数
-val_steps = len(x_train)*0.2 / batch_size
-# 訓練と検証における損失と精度の推移を記録するdictオブジェクト
-history = {'loss':[], 'accuracy':[],
-           'val_loss':[], 'val_accuracy': []}
-# 早期終了の判定を行うオブジェクトを生成
-ers = EarlyStopping(patience=20, # 監視対象回数
-                    verbose=1)   # 早期終了時にメッセージを出力
-# 出力層10ニューロンのモデルを生成
-model = CNN(10)
-# ImageDataGeneratorを生成
-datagen = keras.preprocessing.image.ImageDataGenerator(
-    rescale=1.0/255.0,      # ピクセル値を255で割って正規化する
-    validation_split=0.2,   # 20パーセントのデータを検証用にする
-    rotation_range=15,      # 15度の範囲でランダムに回転させる
-    width_shift_range=0.1,  # 横サイズの0.1の割合でランダムに水平移動
-    height_shift_range=0.1, # 縦サイズの0.1の割合でランダムに垂直移動
-    horizontal_flip=True,  # 水平方向にランダムに反転、左右の入れ替え
-    zoom_range=0.2,         # ランダムに拡大
-)
-# 訓練データ用のジェネレーターを生成
-training_generator = datagen.flow(x_train, t_train,
-                                  batch_size=batch_size,
-                                  subset='training')      # 訓練用のデータを生成
-# 検証データ用のジェネレーターを生成
-validation_generator = datagen.flow(x_train, t_train,
-                                    batch_size=batch_size,
-                                    subset='validation') # 検証用のデータを生成
-# 学習を行う
-for epoch in range(epochs):
-    # 訓練時のステップカウンター
-    step_counter = 0
-    # 1ステップ毎にミニバッチで学習する
-    for x_batch, t_batch in training_generator:
-        # ミニバッチでバイアス、重みを更新
-        train_step(x_batch, t_batch)
-        step_counter += 1
-        # すべてのステップが終了したらbreak
-        if step_counter >= train_steps:
-            break
-    # 検証時のステップカウンター
-    v_step_counter = 0
-    # 検証データによるモデルの評価
-    for x_val_batch, t_val_batch  in validation_generator:
-        # 検証データのミニバッチで損失と精度を測定
-        val_step(x_val_batch, t_val_batch)
-        v_step_counter += 1
-        # すべてのステップが終了したらbreak
-        if v_step_counter >= val_steps:
-            break
-    # 訓練と検証における損失と精度の推移をhistoryに記録
-    history['loss'].append(train_loss.result())
-    history['accuracy'].append(train_acc.result())
-    history['val_loss'].append(val_loss.result())
-    history['val_accuracy'].append(val_acc.result())
-    # 1エポックごとに結果を出力
-    print('epoch({}) train_loss: {:.4} train_acc: {:.4}'
-          'val_loss: {:.4} val_acc: {:.4}'.format(
-              epoch+1,
-              train_loss.result(), # 訓練データの損失を出力
-              train_acc.result(),  # 訓練データの精度を出力
-              val_loss.result(),   # 検証データの損失を出力
-              val_acc.result()     # 検証データの精度を出力
-              ))
-    # 検証データの損失をEarlyStoppingオブジェクトに渡して早期終了を判定
-    if ers(val_loss.result()):
-        # 監視対象のエポックで損失が改善されなければ学習を終了
-        break

コードの追加

2022/01/07 13:32

投稿

chronobcelp

スコア9

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -135,3 +135,183 @@
         return False
 ```
+%%time
+'''
+8.モデルを生成して学習する
+'''
+from sklearn.utils import shuffle
+# エポック数
+epochs = 100
+# ミニバッチのサイズ
+batch_size = 64
+# 訓練のステップ数
+train_steps = len(x_train)*0.8 / batch_size
+# 検証のステップ数
+val_steps = len(x_train)*0.2 / batch_size
+# 訓練と検証における損失と精度の推移を記録するdictオブジェクト
+history = {'loss':[], 'accuracy':[],
+           'val_loss':[], 'val_accuracy': []}
+# 早期終了の判定を行うオブジェクトを生成
+ers = EarlyStopping(patience=20, # 監視対象回数
+                    verbose=1)   # 早期終了時にメッセージを出力
+# 出力層10ニューロンのモデルを生成
+model = CNN(10)
+# ImageDataGeneratorを生成
+datagen = keras.preprocessing.image.ImageDataGenerator(
+    rescale=1.0/255.0,      # ピクセル値を255で割って正規化する
+    validation_split=0.2,   # 20パーセントのデータを検証用にする
+    rotation_range=15,      # 15度の範囲でランダムに回転させる
+    width_shift_range=0.1,  # 横サイズの0.1の割合でランダムに水平移動
+    height_shift_range=0.1, # 縦サイズの0.1の割合でランダムに垂直移動
+    horizontal_flip=True,  # 水平方向にランダムに反転、左右の入れ替え
+    zoom_range=0.2,         # ランダムに拡大
+)
+# 訓練データ用のジェネレーターを生成
+training_generator = datagen.flow(x_train, t_train,
+                                  batch_size=batch_size,
+                                  subset='training')      # 訓練用のデータを生成
+# 検証データ用のジェネレーターを生成
+validation_generator = datagen.flow(x_train, t_train,
+                                    batch_size=batch_size,
+                                    subset='validation') # 検証用のデータを生成
+# 学習を行う
+for epoch in range(epochs):
+    # 訓練時のステップカウンター
+    step_counter = 0
+    # 1ステップ毎にミニバッチで学習する
+    for x_batch, t_batch in training_generator:
+        # ミニバッチでバイアス、重みを更新
+        train_step(x_batch, t_batch)
+        step_counter += 1
+        # すべてのステップが終了したらbreak
+        if step_counter >= train_steps:
+            break
+    # 検証時のステップカウンター
+    v_step_counter = 0
+    # 検証データによるモデルの評価
+    for x_val_batch, t_val_batch  in validation_generator:
+        # 検証データのミニバッチで損失と精度を測定
+        val_step(x_val_batch, t_val_batch)
+        v_step_counter += 1
+        # すべてのステップが終了したらbreak
+        if v_step_counter >= val_steps:
+            break
+    # 訓練と検証における損失と精度の推移をhistoryに記録
+    history['loss'].append(train_loss.result())
+    history['accuracy'].append(train_acc.result())
+    history['val_loss'].append(val_loss.result())
+    history['val_accuracy'].append(val_acc.result())
+    # 1エポックごとに結果を出力
+    print('epoch({}) train_loss: {:.4} train_acc: {:.4}'
+          'val_loss: {:.4} val_acc: {:.4}'.format(
+              epoch+1,
+              train_loss.result(), # 訓練データの損失を出力
+              train_acc.result(),  # 訓練データの精度を出力
+              val_loss.result(),   # 検証データの損失を出力
+              val_acc.result()     # 検証データの精度を出力
+              ))
+    # 検証データの損失をEarlyStoppingオブジェクトに渡して早期終了を判定
+    if ers(val_loss.result()):
+        # 監視対象のエポックで損失が改善されなければ学習を終了
+        break