編集履歴

質問編集履歴

コード追加

2017/08/06 05:43

投稿

daigakuse-

スコア67

test CHANGED Viewed

File without changes

test CHANGED Viewed

@@ -35,3 +35,393 @@
 記述の仕方がわかりません。
 どういった方法がありますか？
+```python
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+import sys
+import cv2
+import random
+import numpy as np
+import tensorflow as tf
+import tensorflow.python.platform
+import struct
+# AIの学習モデル部分(ニューラルネットワーク)を作成する
+def inference(images_placeholder, keep_prob):
+    # 重みを標準偏差0.1の正規分布で初期化する
+    def weight_variable(shape):
+        initial = tf.truncated_normal(shape, stddev=0.1)
+        return tf.Variable(initial)
+    # バイアスを標準偏差0.1の正規分布で初期化する
+    def bias_variable(shape):
+        initial = tf.constant(0.1, shape=shape)
+        return tf.Variable(initial)
+    # 畳み込み層を作成する
+    def conv2d(x, W):
+        return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
+    # プーリング層を作成する
+    def max_pool_2x2(x):
+        return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')
+    x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE, IMAGE_SIZE, 3])
+    # 畳み込み層第1レイヤーを作成
+    with tf.name_scope('conv1') as scope:
+        W_conv1 = weight_variable([5, 5, 3, 32])
+        # バイアスの数値を代入
+        b_conv1 = bias_variable([32])
+        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
+    # プーリング層1の作成
+    with tf.name_scope('pool1') as scope:h_pool1 = max_pool_2x2(h_conv1)
+    # 畳み込み層第2レイヤーの作成
+    with tf.name_scope('conv2') as scope:
+        # 第一レイヤーでの出力を第2レイヤー入力にしてもう一度フィルタリング実施。
+        # 64個の特徴を検出する。inputが32なのはなんで?(教えて欲しい)
+        W_conv2 = weight_variable([5, 5, 32, 64])
+        # バイアスの数値を代入(第一レイヤーと同じ)
+        b_conv2 = bias_variable([64])
+        # 検出した特徴の整理(第一レイヤーと同じ)
+        h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
+    # プーリング層2の作成(ブーリング層1と同じ)
+    with tf.name_scope('pool2') as scope:h_pool2 = max_pool_2x2(h_conv2)
+    # 全結合層1の作成
+    with tf.name_scope('fc1') as scope:
+        W_fc1 = weight_variable([7*7*64, 1024])
+        b_fc1 = bias_variable([1024])
+        # 画像の解析を結果をベクトルへ変換
+        h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
+        # 第一、第二と同じく、検出した特徴を活性化させている
+        h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
+        # dropoutの設定
+        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
+    # 全結合層2の作成(読み出しレイヤー)
+    with tf.name_scope('fc2') as scope:
+        W_fc2 = weight_variable([1024, NUM_CLASSES])
+        b_fc2 = bias_variable([NUM_CLASSES])
+    with tf.name_scope('softmax') as scope:
+        y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
+    # 各ラベルの確率(のようなもの?)を返す
+    return y_conv
+def loss(logits, labels):
+    # 交差エントロピーの計算
+    cross_entropy = -tf.reduce_sum(labels*tf.log(logits))
+    # TensorBoardで表示するよう指定
+    tf.summary.scalar("cross_entropy", cross_entropy)
+    # 誤差の率の値(cross_entropy)を返す
+    return cross_entropy
+def training(loss, learning_rate):
+    #この関数がその当たりの全てをやってくれる様
+    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
+    return train_step
+# inferenceで学習モデルが出した予測結果の正解率を算出する
+def accuracy(logits, labels):
+    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))
+    # booleanのcorrect_predictionをfloatに直して正解率の算出
+    # false:0,true:1に変換して計算する
+    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
+    # TensorBoardで表示する様設定
+    tf.summary.scalar("accuracy", accuracy)
+    return accuracy
+if __name__ == '__main__':
+    # ファイルを開く
+    f = open(FLAGS.train, 'r')
+    # データを入れる配列
+    train_image = []
+    train_label = []
+    # numpy形式に変換
+    train_image = np.asarray(train_image)
+    train_label = np.asarray(train_label)
+    f.close()
+    f = open(FLAGS.test, 'r')
+    test_image = []
+    test_label = []
+    for line in f:
+        line = line.rstrip()
+        l = line.split()
+        img = cv2.imread(l[0])
+        img = cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE))
+        test_image.append(img.flatten().astype(np.float32)/255.0)
+        tmp = np.zeros(NUM_CLASSES)
+        tmp[int(l[1])] = 1
+        test_label.append(tmp)
+    test_image = np.asarray(test_image)
+    test_label = np.asarray(test_label)
+    f.close()
+    #TensorBoardのグラフに出力するスコープを指定
+    with tf.Graph().as_default():
+        # 画像を入れるためのTensor(28*28*3(IMAGE_PIXELS)次元の画像が任意の枚数(None)分はいる)
+        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))
+        # ラベルを入れるためのTensor(3(NUM_CLASSES)次元のラベルが任意の枚数(None)分入る)
+        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))
+        # dropout率を入れる仮のTensor
+        keep_prob = tf.placeholder("float")
+        # inference()を呼び出してモデルを作る
+        logits = inference(images_placeholder, keep_prob)
+        # loss()を呼び出して損失を計算
+        loss_value = loss(logits, labels_placeholder)
+        # training()を呼び出して訓練して学習モデルのパラメーターを調整する
+        train_op = training(loss_value, FLAGS.learning_rate)
+        # 精度の計算
+        acc = accuracy(logits, labels_placeholder)
+        # 保存の準備
+        saver = tf.train.Saver()
+        # Sessionの作成(TensorFlowの計算は絶対Sessionの中でやらなきゃだめ)
+        sess = tf.Session()
+        # 変数の初期化(Sessionを開始したらまず初期化)
+        sess.run(tf.initialize_all_variables())
+        # TensorBoard表示の設定(TensorBoardの宣言的な?)
+        summary_op = tf.summary.merge_all()
+        # train_dirでTensorBoardログを出力するpathを指定
+        summary_writer = tf.summary.FileWriter(FLAGS.train_dir, sess.graph_def)
+        # 実際にmax_stepの回数だけ訓練の実行していく
+        for step in range(FLAGS.max_steps):
+            for i in range(int(len(train_image)/FLAGS.batch_size)):
+                # batch_size分の画像に対して訓練の実行
+                batch = FLAGS.batch_size*i
+                # feed_dictでplaceholderに入れるデータを指定する
+                sess.run(train_op, feed_dict={
+                    images_placeholder: train_image[batch:batch+FLAGS.batch_size],
+                    labels_placeholder: train_label[batch:batch+FLAGS.batch_size],
+                    keep_prob: 0.5})
+            # 1step終わるたびに精度を計算する
+            train_accuracy = sess.run(acc, feed_dict={
+                images_placeholder: train_image,
+                labels_placeholder: train_label,
+                keep_prob: 1.0})
+            print ("step %d, training accuracy %g"%(step, train_accuracy))
+            # 1step終わるたびにTensorBoardに表示する値を追加する
+            summary_str = sess.run(summary_op, feed_dict={
+                images_placeholder: train_image,
+                labels_placeholder: train_label,
+                keep_prob: 1.0})
+            summary_writer.add_summary(summary_str, step)
+        # 訓練が終了したらテストデータに対する精度を表示する
+        print ("test accuracy %g"%sess.run(acc, feed_dict={
+            images_placeholder: test_image,
+            labels_placeholder: test_label,
+            keep_prob: 1.0}))
+        # データを学習して最終的に出来上がったモデルを保存
+        # "model.ckpt"は出力されるファイル名
+        save_path = saver.save(sess, "model2.ckpt")
+```