常連

### 実現したいこと
keras.layersや、keras.modelsなどからSeqentialなどをインポートしたい

### 発生している問題・分からないこと
keras.layersや、keras.modelsが認識されない(?)

### エラーメッセージ
```error
2024-11-06 13:33:59.381385: I tensorflow/core/util/port.cc:153] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable `TF_ENABLE_ONEDNN_OPTS=0`.
2024-11-06 13:34:00.330069: I tensorflow/core/util/port.cc:153] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable `TF_ENABLE_ONEDNN_OPTS=0`.
Traceback (most recent call last):
  File "c:\Users\���P\OneDrive\Desktop\anything\mnist.py", line 1, in <module>
    from keras.layers import Sequential
ImportError: cannot import name 'Sequential' from 'keras.layers' (C:\Users\���P\AppData\Local\Programs\Python\Python312\Lib\site-packages\keras\api\layers\__init__.py)
```

### 該当のソースコード

```python
from keras.layers import Sequential
```

### 試したこと・調べたこと
- [x] teratailやGoogle等で検索した
- [x] ソースコードを自分なりに変更した
- [ ] 知人に聞いた
- [ ] その他

##### 上記の詳細・結果
単体のkerasとtensorflow内蔵のkerasの違いを調べたが、tensorflow.keras.layersでもダメでした

### 補足
特になし

pythonでkeras.〇〇のインポートがしたい

### 前提・実現したいこと
ネットにあるチュートリアルを試してみるところですが，
いきなりimportでエラーになります

環境は次のとおりです
windows10（64bit）
anaconda 5.3.1 
python　3.7
TensorFlow　1.11（keras内蔵）
Jupyter Notebookを利用

【コマンド】＞＞＞＞＞
import tensorflow
from tensorflow import keras
from keras.layers import Input, Dense
＜＜＜＜

【エラー】＞＞＞＞＞
ModuleNotFoundError                       Traceback (most recent call last)
<ipython-input-19-d63db0619a81> in <module>
      1 import tensorflow
      2 from tensorflow import keras
----> 3 from keras.layers import Input, Dense

ModuleNotFoundError: No module named 'keras'
＜＜＜＜＜

kerasモジュールがないとのことですが，
2行目でインポートされないのでしょうか？

ちなみに，
【コマンド】＞＞＞＞＞
import tensorflow
from tensorflow import keras
from **tensorflow.**keras.layers import Input, Dense
＜＜＜＜＜

とするとエラーが出ません
keras内蔵のTensorFlowを使用しているからでしょうか？

また
import keras
としても
kerasモジュールがないとエラーが出ます

すいませんが，
どなたかご教授頂けると幸いです
よろしくお願いします

### 発生している問題・エラーメッセージ

```
エラーメッセージ
```

### 該当のソースコード

```ここに言語名を入力
ソースコード
```

### 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）
環境は次のとおりです
windows10（64bit）
anaconda 5.3.1 
python　3.7
TensorFlow　1.11（keras内蔵）
Jupyter Notebookを利用

kerasからのインポートでエラーになる

anaconda3、jupyternotebookで実装


ソースコード
```

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import csv

from __future__ import print_function
from keras.layers.core import Activation
from keras.layers.core import Dense
from keras.layers.core import Dropout
from keras.models import Sequential
from keras.utils import np_utils
from keras.utils import plot_model

from keras.layers.recurrent import LSTM
from keras.callbacks import EarlyStopping
from keras.initializers import glorot_uniform
from keras.initializers import orthogonal
from keras.initializers import TruncatedNormal

# 学習データ
df1 = csv.reader(open('x-data.csv', 'r'))
data1 = [ v for v in df1]
mat = np.array(data1)
mat2 = mat[1:]                        # 見出し行を外す
x_data = mat2[:, 1:].astype(np.float)  # 2列目以降を抜き出してfloat変換
print('x_data.shape=', x_data.shape)

# ラベルデータ
# 1％以上／0％以上／-1％以上／-1％未満
df2 = csv.reader(open('t-data.csv', 'r'))
data2 = [ v for v in df2]
mat3 = np.array(data2)
mat4 = mat3[1:]                       # 見出し行を外す
t_data = mat4[:, 1:].astype(np.float)  # 2列目以降を抜き出してfloat変換
print('t_data.shape=', t_data.shape)
```

##エラー箇所

ここでfloat変換にしよとした所
```
t_data = mat4[:, 1:].astype(np.float)  # 2列目以降を抜き出してfloat変換
```

```エラー文
IndexError                                Traceback (most recent call last)
<ipython-input-47-b6ba00859e68> in <module>
----> 1 t_data = mat4[:, 1:].astype(np.float)# 2列目以降を抜き出してfloat変換

IndexError: too many indices for array

```

学習データx-data.csv 、ラベルデータt-data.csvは見出し行、日付列を外して、データを行列に展開。
学習データは(n-2,1)次行列、ラベルデータは(n-2,4)次行列　　　です。


##x-data.csv(開いたデータの中身)
```
Date,Data
1965/1/5,
1965/1/6,-0.497284146
1965/1/7,-0.810010493
1965/1/8,-0.949750073
1965/1/12,-0.16388427
1965/1/13,0.534587535
1965/1/14,-0.609059694
1965/1/18,1.391564293
1965/1/19,0.105434899
1965/1/20,0.114992886
1965/1/21,-0.124438336
1965/1/22,0.681599556
1965/1/25,0.964351034
1965/1/26,0.133713051
1965/1/27,-0.810767248
1965/1/28,0.878904551
1965/1/29,0.396063218
1965/2/1,-0.045063459
1965/2/2,0.328819522
1965/2/3,-0.746352469
.
.
.
```


##t-data.csv(開いたデータの中身)
```
Date,1％以上,0％以上,-1％以上,-1％未満
1965/1/5,,,,
1965/1/6,0,0,1,0
1965/1/7,0,0,1,0
1965/1/8,0,0,1,0
1965/1/12,0,0,1,0
1965/1/13,0,1,0,0
1965/1/14,0,0,1,0
1965/1/18,1,0,0,0
1965/1/19,0,1,0,0
1965/1/20,0,1,0,0
1965/1/21,0,0,1,0
1965/1/22,0,1,0,0
1965/1/25,0,1,0,0
1965/1/26,0,1,0,0
1965/1/27,0,0,1,0
1965/1/28,0,1,0,0
1965/1/29,0,1,0,0
1965/2/1,0,0,1,0
1965/2/2,0,1,0,0
1965/2/3,0,0,1,0
1965/2/4,0,0,0,1
1965/2/5,0,0,1,0
1965/2/8,0,1,0,0
1965/2/9,0,1,0,0
1965/2/10,0,1,0,0
.
.
.
.
.
.
```

Pythonでエラー: too many indices for array の解決方法を教えてください！

### 実現したいこと

「ランタイムを再起動」をせずに繰り返し色々なモデルを学習させたい。

### 前提
画像分類タスクを行いたく、google Colaboratoryにてtensorflowを使ってニューラルネットワークを実装しようとしています。
使用言語はPythonです。

コードを実行していくとシステムRAMが激しく消費され、すぐに上限の12.7GBを超えてセッションがクラッシュしてしまいます。
1回分の学習はできますが、パラメータ探索のために、「ランタイムを再起動」で毎回リセットせずとも連続の学習ができるように、メモリの節約や解放の手段が必要だと考えています。

### 発生している問題・エラーメッセージ
システムRAMが急激に消費されるポイントがいくつかあります。それぞれでメモリの節約や解放の方法があれば教えて頂きたいです。

①学習データをマウントしているgoogle Driveから読み込む
ここで2.8GB使っています。この学習データはnumpyのndarray配列であり予めnpz形式で保存しているものです。数千枚の130KB程度の画像が入っていてX_train.npzのサイズは400MBです。400MBの読み込みで7倍メモリを使うものなのか理解できず…。
```Python
import numpy as np
X_train = np.load('/content/drive/MyDrive/X_train.npz')['arr_0']
```

②定義したモデルで学習を行う
モデルの中身で変動しますが3GB前後使います。全結合層や畳み込み層が3層くらいでパラメータのサイズは400KB～10MBです。一回の学習でこれくらい使うのはまあ良いとして、modelを再定義し最初から学習しても消費した分は戻らず増加する一方です。

```Python
epochs = 10
batch_size = 32
result = model.fit(tr_x,tr_y, epochs=epochs, batch_size=batch_size, validation_data=(va_x,va_y))
```

### 試したこと
②については不要になった段階でmodelやresultを削除すれば良いのでは？と思い、ネットで検索し使えそうな以下のコードを実行してみましたが、システムRAMは減りませんでした。
```Python
del model, result
keras.backend.clear_session()
import gc
gc.collect()
```

### 補足情報（FW/ツールのバージョンなど）

google Colabは無料版で、ハードウェアアクセラレータはT4 GPUを選択しています。

google ColaboratoryでシステムRAMがクラッシュしないようメモリ解放したい

#前提・実現したいこと
[Variational Autoencoderを使った画像の異常検知　後編　（塩尻MLもくもく会＃7）](https://qiita.com/shinmura0/items/6572d782ad21b15b004e)
上記のURLのサイト様のコードを参考にVAEとオリジナルデータセットを用いて異常検知を行いたいと考えております。

#発生している問題・エラーメッセージ
```Python
-------------------------------------------------------------------------
AttributeError                          Traceback (most recent call last)
<ipython-input-37-02dbf7abd247> in <module>
      2   if y_train[i] == 1:#スニーカーは7
      3     temp = x_train[i,:,:,:]
----> 4     x_train_b.numpy.append(temp.reshape((x_train_shape[1],x_train_shape[2],x_train_shape[3])))
      5 
      6 x_train_b = np.array(x_train_b)

AttributeError: 'numpy.ndarray' object has no attribute 'numpy'
```
コードの途中で上記のようなエラーが発生してしまい、どのようにコードを改良すればいいのかわからない状態です。

#コード
```Python
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from keras.layers import Lambda, Input, Dense, Reshape
from keras.models import Model
from keras.losses import mse
from keras.utils import plot_model
from keras import backend as K
from keras.layers import BatchNormalization, Activation, Flatten
from keras.layers.convolutional import Conv2DTranspose, Conv2D

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as colors
import os
from sklearn import metrics
os.chdir('/Users/user_name/desktop/VAE')
os.getcwd()

def result_score(model, x, name, height=80, width=80, move=2):
    score = []

    for k in range(len(x)):
        max_score = -1000000000
        if k%100 == 0:
          print(k)

        for i in range(int((x.shape[1]-height)/move)+1):
            for j in range(int((x.shape[2]-width)/move)+1):
                x_sub = x[k, i*move:i*move+height, j*move:j*move+width, 0]
                x_sub = x_sub.reshape(1, height, width, 1)

                #従来手法
                if name == "old_":
                    #スコア
                    temp_score = model.evaluate(x_sub, batch_size=1, verbose=0)
                    if temp_score > max_score:
                        max_score = temp_score

                #提案手法
                else:
                    #スコア
                    mu, sigma = model.predict(x_sub, batch_size=1, verbose=0)
                    loss = 0
                    for o in range(height):
                        for l in range(width):
                            loss += 0.5 * (x_sub[0,o,l,0] - mu[0,o,l,0])**2 / sigma[0,o,l,0]
                    if loss > max_score:
                       max_score = loss

        score.append(max_score)

    return(score)

def cut_img(x, number, height=224, width=224):
    print("cutting images ...")
    x_out = []
    x_shape = x.shape

    for i in range(number):
        shape_0 = np.random.randint(0,x_shape[0])
        shape_1 = np.random.randint(0,x_shape[1]-height)
        shape_2 = np.random.randint(0,x_shape[2]-width)
        temp = x[shape_0, shape_1:shape_1+height, shape_2:shape_2+width, 0]
        x_out.append(temp.reshape((height, width, x_shape[3])))

    print("Complete.")
    x_out = np.array(x_out)

    return x_out

# reparameterization trick
# instead of sampling from Q(z|X), sample eps = N(0,I)
# z = z_mean + sqrt(var)*eps
def sampling(args):
    z_mean, z_log_var = args
    batch = K.shape(z_mean)[0]
    dim = K.int_shape(z_mean)[1]
    # by default, random_normal has mean=0 and std=1.0
    epsilon = K.random_normal(shape=(batch, dim))
    return z_mean + K.exp(0.5 * z_log_var) * epsilon

# dataset
from bcn_dataset import BCN_Dataset2
(x_train, y_train), (x_test, y_test) = BCN_Dataset2.create_bcn()

x_train = x_train.reshape(x_train.shape[0], 224, 224, 3)
x_test = x_test.reshape(x_test.shape[0], 224, 224, 3)

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

x_train_b = []
x_test_b = []
x_test_n = []

x_train_shape = x_train.shape

for i in range(len(x_train)):
  if y_train[i] == 1:#スニーカーは7
    temp = x_train[i,:,:,:]
    x_train_b.numpy.append(temp.reshape((x_train_shape[1],x_train_shape[2],x_train_shape[3])))

x_train_b = np.array(x_train_b)
x_train_b = cut_img(x_train_b, 50)
print("train data:",len(x_train_b))
```

#試していること
['numpy.ndarray' object has no attribute 'append'のエラー](https://teratail.com/questions/298810)
前回、似たような質問をさせていただいており、ご回答者様より「```ndarray```に```append()```メソッドは在りません。```numpy.append()```のメソッドなら在ります。」とのご指摘をいただけたため、コードを自分なりに試行錯誤（appendの前にnumpyを付けてみるなど）してみたのですが、うまくいかず同じようなエラーが発生してしまっているため、頭を悩ませております。
コードをすべて変更しなければならないのか、それとも自分の作成したデータセットの作り方が間違っているのか、大変恐縮ではありますがどんな小さなことでも構いませんので何かご助言いただけたらと思います。

#補足
使っているPCはmacOS Catalina バージョン10.15.5
Pythonのバージョンは3.6.5です
Jupiter notebookを使用しています

'numpy.ndarray' object has no attribute 'numpy'のエラー

LSTMを用いて将来予測を行う際に、複数の入力データから一つの出力データを予測することは可能でしょうか？


例：
降水量、湿度、気温から次の日の降水量を求める

n_in = 3
n_hidden = 16
n_out = 1


model = Sequential()
input_shape=(max_len, n_in)

model.add(LSTM(n_hidden, kernel_initializer=weight_variable, input_shape=(max_len, n_in)))
model.add(Dense(n_hidden, kernel_initializer=weight_variable))

model.add(Dense(n_out, kernel_initializer=weight_variable))
model.add(Activation('linear'))

optimizer = Adam(lr=0.001, beta_1=0.9, beta_2=0.999)
model.compile(loss="mse", optimizer=optimizer)


そもそも可能なのかもわかりません、入力データも１つならうまく行きました

LSTMで複数の入力データから一つの出力データを予測する

### 前提・実現したいこと

多層パーセプトロンを用いて有名なMNISTの分類問題を解こうとしています。
ラベルデータをone-hotベクトルに直すために、to_categorical()を使おうとしたところ、以下のようなエラーが出てしまいました。

### 発生している問題・エラーメッセージ

```
AttributeError: module 'keras.utils' has no attribute 'np_utils'
```

### 該当のソースコード

```Python
"""多層パーセプトロンでMNISTを解くプログラム"""
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop
from keras.datasets import mnist

# MNISTのデータを読み込み
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# データを一次元の配列に変換
X_train = X_train.reshape(-1, 784).astype('float32') / 255
X_test = X_test.reshape(-1, 784).astype('float32') / 255

# ラベルデータをone-hotベクトルに直す
y_train = keras.utils.np_utils.to_categorical(y_train.astype('int32'), 10)
y_test = keras.utils.np_utils.to_categorical(y_test.astype('int32'), 10)
```

### 試したこと

np-utilsはインストールされていることを確認しました。
いろいろ調べてみましたが、コードは間違っていなさそうなので、バージョンの違いによる問題なのかなとも思ったりしていますが、解決できていないので教えていただきたいです。


### 補足情報（FW/ツールのバージョンなど）

Python 3.6.10
Keras 2.4.3
Tensorflow 2.2.0
np-utils 0.5.12.1

Kerasのto_categoricalを使おうとすると、no attributeのエラーが出てしまう。

### 前提・実現したいこと

質問1: LSTMの隠れ層について
質問2: LSTMのパラメータについて．


私は，LSTMへ時系列画像の特徴量を入力して時系列画像のクラス分類を行いたいです．
ここでLSTMへ時系列特徴を入力するところまでは実装済みです．

以下で例として,LSTMへの入力時系列特徴を(3,10,1)とします．
（バッチサイズ，時系列画像のフレーム数，1フレームに対する一次元特徴量）です．
つまり，10枚の連続する画像からそれぞれ一つずつ特徴量を抽出，それが3セットとします．


ここでLSTMへ入力するとき，LSTMを時間方向に展開した図(ネット上などによくある図)で構造を理解していました．つまり，例に示すデータでは，一つの入力動画像の長さが10なのでt=1~t=10まで．
つまりLSTMの隠れ層は10であると思っていましたが，色々調べて見ると64であったり256であったり．．

ここで質問ですが，隠れ層の数は時系列データの数(上記では動画像の長さ=10)と一致するものではないのですか？


また，質問2としてLSTMモデルのパラメータ数です．
これも質問1の通り，私がLSTMの構造をよく理解できていないので起こる
質問なのですが，こちらのサイト（https://qiita.com/Phoeboooo/items/b92c35f6739a9e765a80）
でパラメータ数の数え方について学びました．
こちらのLSTMの項で多分，長さ20の32次元特徴量を入力としていると思います．
しかし，パラメータの数え方で入力に対しての重み32*64*4の32*64の部分がわかりません．
私の中では，一つの隠し層に一つの時間(t=1~20のどれか)が入力するという認識だったので，
隠し層64に長さ20のデータを入力するという考え方がよくわかりません．



すみません，文が長くなってしまいましたが考え方で誤っているところを教えて頂けたら嬉しいです．
また，何か質問がある方もコメントして頂けたらその部分の説明をしたいと思います．
よろしくお願いします．



＜追記＞
model = Sequential()
model.add(LSTM(64,input_shape=(10,1024)))
model.add(Dense(output_dim, activation="linear"))