回答編集履歴
4
あ
test
CHANGED
@@ -138,12 +138,204 @@
|
|
138
138
|
|
139
139
|
```
|
140
140
|
|
141
|
+
予測結果は、分類するクラスに対するそれぞれの確率のことを意図していました。
|
142
|
+
|
141
|
-
|
143
|
+
また、バッチ処理でランダムにサンプリングされた入力も取得したいです。
|
142
|
-
|
144
|
+
|
143
|
-
```
|
145
|
+
```
|
144
|
-
|
145
|
-
|
146
|
-
|
147
|
-
|
146
|
+
|
148
|
-
|
147
|
+
|
148
|
+
|
149
|
-
|
149
|
+
上記のコールバック関数の引数で対応できないことなので、自分でミニバッチを作成し、 [train_on_batch()](https://keras.io/ja/models/model/) で1バッチ分学習したあと、バッチごとに行いたい処理を書きます。
|
150
|
+
|
151
|
+
|
152
|
+
|
153
|
+
以下は次の処理を行うサンプルコードになります。
|
154
|
+
|
155
|
+
|
156
|
+
|
157
|
+
* 1イテレーションごとのみにバッチの入力を取得する。
|
158
|
+
|
159
|
+
* 1エポックごとにテストデータによる各クラスの分類精度と混合行列を表示する。
|
160
|
+
|
161
|
+
|
162
|
+
|
163
|
+
```python
|
164
|
+
|
165
|
+
import numpy as np
|
166
|
+
|
167
|
+
import seaborn as sn
|
168
|
+
|
169
|
+
from keras.datasets import mnist
|
170
|
+
|
171
|
+
from keras.layers import Activation, BatchNormalization, Dense, Dropout
|
172
|
+
|
173
|
+
from keras.models import Sequential
|
174
|
+
|
175
|
+
from keras.utils.np_utils import to_categorical
|
176
|
+
|
177
|
+
from sklearn import metrics
|
178
|
+
|
179
|
+
|
180
|
+
|
181
|
+
# MNIST データを取得する。
|
182
|
+
|
183
|
+
(x_train, y_train), (x_test, y_test) = mnist.load_data()
|
184
|
+
|
185
|
+
print('x_train.shape', x_train.shape) # x_train.shape (60000, 28, 28)
|
186
|
+
|
187
|
+
print('y_train.shape', y_train.shape) # y_train.shape (60000,)
|
188
|
+
|
189
|
+
print('x_test.shape', x_test.shape) # x_test.shape (10000, 28, 28)
|
190
|
+
|
191
|
+
print('y_test.shape', y_test.shape) # y_test.shape (10000,)
|
192
|
+
|
193
|
+
|
194
|
+
|
195
|
+
# モデルを作成する。
|
196
|
+
|
197
|
+
model = Sequential()
|
198
|
+
|
199
|
+
model.add(Dense(10, input_dim=784))
|
200
|
+
|
201
|
+
model.add(BatchNormalization())
|
202
|
+
|
203
|
+
model.add(Activation('relu'))
|
204
|
+
|
205
|
+
model.add(Dense(10))
|
206
|
+
|
207
|
+
model.add(BatchNormalization())
|
208
|
+
|
209
|
+
model.add(Activation('relu'))
|
210
|
+
|
211
|
+
model.add(Dense(10))
|
212
|
+
|
213
|
+
model.add(BatchNormalization())
|
214
|
+
|
215
|
+
model.add(Activation('softmax'))
|
216
|
+
|
217
|
+
model.compile(optimizer='adam',
|
218
|
+
|
219
|
+
loss='categorical_crossentropy',
|
220
|
+
|
221
|
+
metrics=['accuracy'])
|
222
|
+
|
223
|
+
|
224
|
+
|
225
|
+
def get_batch(x, y, batch_size, shuffle=False):
|
226
|
+
|
227
|
+
'''ミニバッチを生成するジェネレーター関数
|
228
|
+
|
229
|
+
'''
|
230
|
+
|
231
|
+
num_samples = len(x)
|
232
|
+
|
233
|
+
if shuffle:
|
234
|
+
|
235
|
+
indices = np.random.permutation(num_samples)
|
236
|
+
|
237
|
+
else:
|
238
|
+
|
239
|
+
indices = np.random.arange(num_samples)
|
240
|
+
|
241
|
+
num_iterations = np.ceil(num_samples / batch_size).astype(int)
|
242
|
+
|
243
|
+
for itr in range(num_iterations):
|
244
|
+
|
245
|
+
start = batch_size * itr
|
246
|
+
|
247
|
+
excerpt = indices[start:start + batch_size]
|
248
|
+
|
249
|
+
yield x[excerpt], y[excerpt]
|
250
|
+
|
251
|
+
|
252
|
+
|
253
|
+
# モデルの入力に合わせて1次元配列にする。 (28, 28) -> (784,) にする
|
254
|
+
|
255
|
+
x_train = x_train.reshape(len(x_train), -1)
|
256
|
+
|
257
|
+
x_test = x_test.reshape(len(x_test), -1)
|
258
|
+
|
259
|
+
|
260
|
+
|
261
|
+
# one-hot 表現に変換する。
|
262
|
+
|
263
|
+
y_train_onehot = to_categorical(y_train)
|
264
|
+
|
265
|
+
|
266
|
+
|
267
|
+
# 学習する。
|
268
|
+
|
269
|
+
epochs = 10
|
270
|
+
|
271
|
+
for i in range(epochs):
|
272
|
+
|
273
|
+
for x_batch, y_batch in get_batch(x_train, y_train_onehot, batch_size=128, shuffle=True):
|
274
|
+
|
275
|
+
# x_batch, y_batch が生成されたミニバッチ
|
276
|
+
|
277
|
+
|
278
|
+
|
279
|
+
# 1バッチ分学習する
|
280
|
+
|
281
|
+
model.train_on_batch(x_batch, y_batch)
|
282
|
+
|
283
|
+
|
284
|
+
|
285
|
+
# エポックごとにテストデータで推論する。
|
286
|
+
|
287
|
+
indices = np.random.randint(0, len(x_test), 100)
|
288
|
+
|
289
|
+
y_pred = model.predict_classes(x_test[indices])
|
290
|
+
|
291
|
+
|
292
|
+
|
293
|
+
# 混合行列を表示する。
|
294
|
+
|
295
|
+
cmx = metrics.confusion_matrix(y_test[indices], y_pred)
|
296
|
+
|
297
|
+
accuracies = (cmx.astype(np.float) / cmx.sum(axis=1)).diagonal()
|
298
|
+
|
299
|
+
for label, accuracy in enumerate(accuracies):
|
300
|
+
|
301
|
+
print('class: {}: {:.2%}'.format(label, accuracy))
|
302
|
+
|
303
|
+
|
304
|
+
|
305
|
+
plt.figure(figsize=(6, 6))
|
306
|
+
|
307
|
+
sn.heatmap(cmx)
|
308
|
+
|
309
|
+
plt.show()
|
310
|
+
|
311
|
+
```
|
312
|
+
|
313
|
+
|
314
|
+
|
315
|
+
![イメージ説明](8c9e4c2f0d35a94b301b0a76293cba1c.png)
|
316
|
+
|
317
|
+
|
318
|
+
|
319
|
+
```
|
320
|
+
|
321
|
+
class: 0: 100.00%
|
322
|
+
|
323
|
+
class: 1: 100.00%
|
324
|
+
|
325
|
+
class: 2: 100.00%
|
326
|
+
|
327
|
+
class: 3: 91.67%
|
328
|
+
|
329
|
+
class: 4: 75.00%
|
330
|
+
|
331
|
+
class: 5: 90.91%
|
332
|
+
|
333
|
+
class: 6: 100.00%
|
334
|
+
|
335
|
+
class: 7: 90.91%
|
336
|
+
|
337
|
+
class: 8: 87.50%
|
338
|
+
|
339
|
+
class: 9: 100.00%
|
340
|
+
|
341
|
+
```
|
3
あ
test
CHANGED
@@ -146,4 +146,4 @@
|
|
146
146
|
|
147
147
|
予測結果とは、validation 誤差/精度のことでしょうか?
|
148
148
|
|
149
|
-
だとすると、上記のコールバック関数の引数にその情報は渡ってこないので、自分で
|
149
|
+
だとすると、上記のコールバック関数の引数にその情報は渡ってこないので、自分でミニバッチを作成し、 [train_on_batch()](https://keras.io/ja/models/model/) で1バッチ分学習したあと、バッチごとに行いたい処理を書きます。
|
2
あ
test
CHANGED
File without changes
|
1
追記
test
CHANGED
@@ -129,3 +129,21 @@
|
|
129
129
|
|
130
130
|
|
131
131
|
```
|
132
|
+
|
133
|
+
|
134
|
+
|
135
|
+
## 質問の内容について
|
136
|
+
|
137
|
+
|
138
|
+
|
139
|
+
```
|
140
|
+
|
141
|
+
精度等はコールバック関数を利用して取得できるのですが、入力データと予測結果の取得方法がわかりません。
|
142
|
+
|
143
|
+
```
|
144
|
+
|
145
|
+
|
146
|
+
|
147
|
+
予測結果とは、validation 誤差/精度のことでしょうか?
|
148
|
+
|
149
|
+
だとすると、上記のコールバック関数の引数にその情報は渡ってこないので、自分でサンプルデータを作成し、 [train_on_batch](https://keras.io/ja/models/model/) で1バッチ分学習したあと、バッチごとに行いたい処理を書きます。
|