常連

回答者

自己紹介

### 実現したいこと：画像キャンバス表示を、別の関数に分けて実行したい

TkinterでGUIの開発をしています。
ボタンを押して**画像を含んだキャンバスを表示**する関数を作ったのですが、同じ操作が複数回出てくるため、**同じ作業をする部分を別の関数に**分けようと思っています。

しかし、同じ作業をしているはずなのに、関数を分けたところ画像が表示されなくなってしまいました。
エラーメッセージは出ていません。
画像サイズに依存したキャンバスサイズは設定されているため、画像が読み込まれていないわけではなさそうです。

どういう症状か分からないため、お詳しい方、教えていただきたいです。
よろしくお願いします。

### A: 一つの関数で表示する場合（成功）

```python
import tkinter as tk
import cv2
import numpy as np
from PIL import Image, ImageTk

# ボタンから呼び出して画像キャンバスを表示する関数
def VShow():
 global vroot
 # 画像処理
 img = cv2.imread(r"C:\~~~\sample.png")
 hi = img.shape[0]
 wi = img.shape[1]
 img2 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
 img2 = Image.fromarray(img2)
 root = tk.Tk()
 root.title(u"SAMPLE")
 root.geometry("600x800")
 root.resizable(0,0)
 root.configure(bg="gray94")
 img3 = ImageTk.PhotoImage(img2, master=root)
 # Canvas Widget を生成
 canwid = 600		#画面幅-スクロールバー幅
 canvas = tk.Canvas(root, bg="gray94", width=canwid, height=hi)
 # Scrollbar を生成して配置
 bar = tk.Scrollbar(root, orient=tk.VERTICAL)
 bar.pack(side=tk.RIGHT, fill=tk.Y)
 bar.config(command=canvas.yview)
 # Canvas Widget を配置
 canvas.config(yscrollcommand=bar.set)
 canvas.config(scrollregion=(0, 0, 0, hi)) #スクロール範囲
 canvas.pack(side=tk.LEFT, fill=tk.BOTH)
 # Frame Widgetを 生成
 frame = tk.Frame(canvas)
 # Frame Widgetを Canvas Widget上に配置
 canvas.create_window((0, 0), window=frame, anchor=tk.NW, width=canvas.cget('width'), height=hi)
 #画像をFrame上に配置
 can = tk.Canvas(frame, bg="gray94", width=canwid, height=hi)
 can.pack(anchor=tk.NW)
 can.create_image(600, 0, image=img3, anchor=tk.N)
 ###
 # 所定の作業
 ###
 root.mainloop()


```
### B: 関数を分ける場合（失敗、キャンバスのみで画像は表示されず）
```python
import tkinter as tk
import cv2
import numpy as np
from PIL import Image, ImageTk

# 画像キャンバス表示関数
def Img_Show(img, tit):
 hi = img.shape[0]
 wi = img.shape[1]
 img2 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
 img2 = Image.fromarray(img2)
 root = tk.Tk()
 root.title(tit)
 root.geometry("600x800")
 root.resizable(0,0)
 root.configure(bg="gray94")
 img3 = ImageTk.PhotoImage(img2, master=root)
 # Canvas Widget を生成
 canwid = 600
 canvas = tk.Canvas(root, bg="gray94", width=canwid, height=hi)
 # Scrollbar を生成して配置
 bar = tk.Scrollbar(root, orient=tk.VERTICAL)
 bar.pack(side=tk.RIGHT, fill=tk.Y)
 bar.config(command=canvas.yview)
 # Canvas Widget を配置
 canvas.config(yscrollcommand=bar.set)
 canvas.config(scrollregion=(0, 0, 0, hi)) #スクロール範囲
 canvas.pack(side=tk.LEFT, fill=tk.BOTH)
 # Frame Widgetを 生成
 frame = tk.Frame(canvas)
 # Frame Widgetを Canvas Widget上に配置
 canvas.create_window((0, 0), window=frame, anchor=tk.NW, width=canvas.cget('width'), height=hi)
 #画像をFrame上に配置
 can = tk.Canvas(frame, bg="gray94", width=canwid, height=hi)
 can.pack(anchor=tk.NW)
 can.create_image(600, 0, image=img3, anchor=tk.N)
 # 戻り値
 return root


# =====================================================================================
# ボタンから呼び出される関数
def VVV():
 global vroot
 vimg = cv2.imread(r"C:\~~~\sample.png")
 vtitle = u"SAMPLE"
 # 上の関数呼び出し
 root = Img_Show(vimg, vtitle)
 # 戻り値rootをvrootに格納
 vroot = root
 ###
 # 所定の作業
 ###
 vroot.mainloop()


```

### 補足情報（FW/ツールのバージョンなど）
Windows10
Python 3.8.3
tkinter 8.6
OpenCV 4.4.0.40
Pillow 7.2.0
numpy 1.19.1

【Tkinter】画像キャンバス表示を別の関数に分割すると、表示できなくなる【Python】

y_score と y_predict の違いが分かりません.

自分なりの解釈なのですが, 
model.predictで出力されるのがy_predict
model.evaluateで出力されるのがy_score
としているのですが, この解釈はあっていますでしょうか.

それと, roc_auc_scoreで使うことになる, 
roc_auc_score(y_test,y_predict)
のy_predictが, 様々なサイトでy_predictだったりy_scoreだったりしてよく分かりません.
この場合, どちらが正しいのでしょうか？

※下記コードは, kerasでmodel = Sequential()を組んだ後の話で, データはtrain_test_splitで分けています.

```
#下記のどちらが正しいのでしょうか？

y_predict = model.predict(X_test)
print(roc_auc_score(y_test, y_predict))

y_score = model.evaluate(X_test)
print(roc_auc_score(y_test,y_score))


```

y_scoreとy_predictの違いが分かりません

kerasでpix2pixのモデルを実装しようと試みている初学者です。

あるサイトに掲載されているサンプルコードを参考にしています。

その中で、以下の３つのモデルが定義されコンパイルされています。

```Python
generator_model.compile(loss='mae', optimizer=opt_discriminator)

DCGAN_model.compile(loss=loss, loss_weights=loss_weights, optimizer=opt_dcgan)

discriminator_model.compile(loss='binary_crossentropy', optimizer=opt_discriminator)
```
これらを含んだ「pix2pixモデル」を学習させた後、重みを含めたモデルの保存を行い、テストしたいと考えています。

その際、例えば下記のように1つ1つ別々にモデルを保存することはできますが、

```Python
generator_model.save('generator.h5')

DCGAN_model.save('DCGAN.h5')

discriminator_model.save('discriminator.h5')
```
学習後に、保存されたこれらのモデルを全て使ってテストすることは可能でしょうか？

もしくは、3つのモデルを1つにまとめてから学習させ、保存し、テストした方がよいのでしょうか。

こうした複数モデルの保存とテストの方法を教えて頂けますと非常に助かります。

何卒よろしくお願い致します。



### 該当のソースコード

```Python
def train():
    # load data
    rawImage, procImage, rawImage_val, procImage_val = load_data(datasetpath)

    img_shape = rawImage.shape[-3:]
    patch_num = (img_shape[0] // patch_size) * (img_shape[1] // patch_size)
    disc_img_shape = (patch_size, patch_size, procImage.shape[-1])

    # train
    opt_dcgan = Adam(lr=1E-3, beta_1=0.9, beta_2=0.999, epsilon=1e-08)
    opt_discriminator = Adam(lr=1E-3, beta_1=0.9, beta_2=0.999, epsilon=1e-08)

    # load generator model
    generator_model = load_generator(img_shape, disc_img_shape)
    # load discriminator model
    discriminator_model = load_DCGAN_discriminator(img_shape, disc_img_shape, patch_num)

    generator_model.compile(loss='mae', optimizer=opt_discriminator)
    discriminator_model.trainable = False
    
 
    DCGAN_model = load_DCGAN(generator_model, discriminator_model, img_shape, patch_size)

    loss = [l1_loss, 'binary_crossentropy']
    loss_weights = [1E1, 1]
    DCGAN_model.compile(loss=loss, loss_weights=loss_weights, optimizer=opt_dcgan)
    
    
    
    discriminator_model.trainable = True
    discriminator_model.compile(loss='binary_crossentropy', optimizer=opt_discriminator)
```



### 補足情報（FW/ツールのバージョンなど）

これらモデルは「functional API」を使用して定義されております。

kerasで複数のモデルと重みを保存してテストしたい

### 前提・実現したいこと

単細胞生物の動きのシミュレーションを実現したいです．

単細胞生物の制約は以下の通りです．
- 前にしか進めない(距離は可変)
- ランダムに方向転換できる(方向は選べない)

単細胞生物は餌の濃度を頼りに濃度値が高い方へ移動したいです．
そのため，制約を破らずに濃度値が高い座標に行動できるプログラムを作成したいです．

### 発生している問題

```
sensorを受け取ってその値が大きい座標へ移動するプログラムが思いつかないです．
```

### 該当のソースコード

```python
import math
import random
import matplotlib.pyplot as plt
import numpy as np

def env(x, y): # 座標から餌の濃度値を出力
    xd = 3.0
    yd = -3.0
    r = (x-xd)**2 + (y-yd)**2
    return math.exp(-r/10)

max_steps = 100 # ステップ数

x = 0.0 # x座標の初期値
y = 0.0 # y座標の初期値

x_list = [] # plot用のリスト
y_list = [] # 同上

theta = 0.0 # 進む角度

list(map(float, x_list))
list(map(float, y_list))

for i in range(max_steps):
    sensor = env(x, y)

    d_x = 0.1*math.cos(math.pi*theta/180.0) # 移動
    d_y = 0.1*math.sin(math.pi*theta/180.0) # 同上
    x = x + d_x + 0.1*(random.random()-0.5) # ランダムなノイズ
    y = y + d_y + 0.1*(random.random()-0.5) # 同上
    x_list.append(x)
    y_list.append(y)

plt.plot(x_list,y_list)
plt.show()

```



### 補足情報（FW/ツールのバージョンなど）

- Python3
- Anaconda

Pythonで簡単な単細胞生物の行動を決めたい

こんにちは。初めて質問させていただきます。

私はDeep learningの一種であり、Object detectionとSegmentationを行うMask R-CNNを使用しています。
使用しているのはgit上にある以下のプログラムです。
https://github.com/matterport/Mask_RCNN

Mask R-CNNではbounding box内のみがSegmentation処理領域となるため、bounding boxが小さく設定されてしまった場合、その分Segmentationの精度も大きく低下してしまいます。

![イメージ説明](05d1d73a453b85b5fb412542eb7dee23.png)

任意の大きさでBounding boxを拡大した上で、Segmentationを行うことはできないでしょうか。

Segmentationへの入力部分はmodel.py内の1841行目だと思うのですが、この部分(Input_image)を表示させたところTensor("input_image:0", shape=(?,?,?,3), dtype=float32)と表記されました。
他にもanchorなど座標らしき箇所を表示させてみましたが、同様の形式で表記されました。

また、model.py中のx,yなど座標らしき箇所に±50したりしてみたのですがbounding boxが変化することはありませんでした。

どのように書き換えたら任意の大きさでbounding boxを拡大し、Segmentation処理領域を拡大することができるのか教えていただけないでしょうか。

よろしくお願いいたします。

Bounding boxを拡大する

初学者です。
画像認証して文字データの出力を考えています。
何とかコード記載して実行しましたが学習結果は、0値でした。
多々調べていますが対応できずご教示いただきたく思います。

```ここに言語を入力
hon.ops.math_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.cast instead.
Train on 40 samples, validate on 10 samples
Epoch 1/100
40/40 [==============================] - 1s 22ms/step - loss: 3.9065 - acc: 0.0000e+00 - val_loss: 5.4795 - val_acc: 0.0000e+00
Epoch 2/100
40/40 [==============================] - 0s 5ms/step - loss: 5.7931 - acc: 0.0000e+00 - val_loss: 4.2050 - val_acc: 0.0000e+00
Epoch 3/100
40/40 [==============================] - 0s 4ms/step - loss: 4.1660 - acc: 0.0000e+00 - val_loss: 3.9718 - val_acc: 0.0000e+00
Epoch 4/100
40/40 [==============================] - 0s 5ms/step - loss: 3.8694 - acc: 0.0500 - val_loss: 4.0436 - val_acc: 0.0000e+00
Epoch 5/100
40/40 [==============================] - 0s 4ms/step - loss: 3.9501 - acc: 0.0500 - val_loss: 4.0364 - val_acc: 0.0000e+00
```
コード：
```ここに言語を入力
from keras.datasets import mnist
from keras.layers import Dense, Dropout, Flatten, Activation
from keras.layers import Conv2D, MaxPooling2D
from keras.models import Sequential, load_model
from keras.utils.np_utils import to_categorical
from keras.utils.vis_utils import plot_model
import numpy as np
import matplotlib.pyplot as plt
from PIL import ImageFilter
import os
import glob
from PIL import Image
from os import listdir
import pandas as pd
%matplotlib inline

path = "./data/"
files = os.listdir(path)
files  = [filename for filename in listdir(path) if not filename.startswith('.')]

data_set = []
labels=[]
if not os.path.exists("data_set"):
    os.mkdir("data_set/")
path02="./data_set/"
files02 = os.listdir(path02)
for item in files:
    img = Image.open('./data/' + item)
    
    #print(item)
    
    my_resize = img.resize((80, 28), Image.LANCZOS)
    
    
    for count,x in enumerate(np.arange(0.1, 2.1, 0.1)):

        my_img      = my_resize.filter(ImageFilter.GaussianBlur(x))
        my_img.save(str(path02 + item.split('.')[0] + "_GB" + str(count+1) + ".jpg"))

        
    #収縮
    my_img      = my_resize
    for count,y in enumerate(range(1, 4)):
        my_img      = my_img.filter(ImageFilter.MinFilter())
        my_img.save(str(path02 + item.split('.')[0] + "_MN" + str(count+1) + ".jpg"))

    #膨張
    my_img2      = my_resize
    for count,z in enumerate(range(1, 2)):
        my_img2      = my_img2.filter(ImageFilter.MaxFilter())
        my_img2.save(str(path02 + item.split('.')[0] + "_MX" + str(count+1) + ".jpg"))

for item in files:
    img2 = Image.open('./data/' + item)
    img2 = img2.resize((80, 28))
    img2 = np.array(img2)
    img2 = img2.flatten().tolist()
    data_set.append(img2)
    labels.append(item.split('.')[0])


for item in files02:
    img2 = Image.open('./data_set/' + item)
    img2 = img2.resize((80, 28))
    img2 = np.array(img2)

    img2 = img2.flatten().tolist()

    
    data_set.append(img2)

    labels.append(item.split('.')[0])

# Numpyへ

data_set = np.array(data_set)/255
labels_set=pd.get_dummies(labels).values

# 正規化

data_set = data_set.reshape([-1, 28, 80, 3])

# モデルの定義
model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(3, 3),input_shape=(28,80,3)))
model.add(Activation('relu'))
model.add(Conv2D(filters=64, kernel_size=(3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.5))

#かっこの中は重複なしのファイル数とする。
model.add(Dense(50))

model.add(Activation('softmax'))


model.compile(loss='categorical_crossentropy',
              optimizer='adadelta',
              metrics=['accuracy'])
# epochs=100
model.fit(data_set,labels_set,
          batch_size=128,
          epochs=100,
          verbose=1,
          validation_split=0.2)
          
model.summary()

```

画像認識での学習率が上がらない

### 前提・実現したいこと
pythonを使用して紙の波形データ（心電図や脈波など）を分析したい。

### 発生している問題・エラーメッセージ
プログラミング初心者です。
心電図などの紙媒体で保存している波形データをデジタルデータでグラフに変換し解析したいと思っています。紙媒体をスキャンしてpandasなどで扱えるデジタルデータとして取り込むためには、どのようなライブラリをimportすればよいでしょうか？
紙媒体には数字や文字などもグラフ外に記載されているので、最終的にはグラフの枠の内側のみ解析するのが目標です。

```

### 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）
Python3.61

紙媒体の波形データの取り込み

ResNetを使った学習によって勾配消失が解消できるという原理がいまいち理解できないでいます。
[こちら](https://www.slideshare.net/KotaNagasato/resnet-82940994)のスライドの11ページには
> H(x) = F(x) + xという関数を通すが、この微分が1に非常に近く、勾配計算時に他のノードをほぼ素通りできるから。

との記述があるのですが、まず計算時にこのH(x)の微分をなぜ計算するのかかがわかりません。

普通のDenseレイヤーをつかった勾配の計算時（損失関数を各重み・バイアスで偏微分した値を計算するとき）では、主に重要となるのは活性化関数を微分した値であり、このようなH(x)にあたる値を微分することもなかったので、なぜResNetではH(x)を微分するのか、と思ってしまいます。

また[こちら](https://github.com/matsuolab-edu/dl4us/blob/master/lesson2/lesson2_sec3_exercise.ipynb)のサイトのResNetについて説明したパートでは、
> 逆伝播の際に出力層側から誤差をそのまま入力層側に伝えることで、勾配が消失しにくいネットワーク構造をつくっていると考えることができます。

と書かれていますが、これはF(x)を誤差逆伝播における「誤差」とみなすことでこれを用いて各勾配を求めていくという意味でしょうか？
だとするとはじめに引用したサイトに書かれていた、「微分をする」という計算は行われないので、上記二つのサイト間で矛盾があるように思います。

非常に伝わりづらい質問になってしまい申し訳ないのですが、わかる方がおられればお答えいただきたく思います。



上記の質問と少し内容は異なるのですが、ResNetはCNN以外にも使われるのですか？
こちらも併せてご回答いただきたいです。

ResNetが勾配問題を解決する理由

**質問内容**
python3で作成した内積を計算するプログラムの高速化を検討しております。
はじめはfor文を使用しておりましたので、for文を使わないようにロジックをみなおしました。

下記に、ロジック修正前とロジック修正後のソースを示します。

ロジック修正により5倍ほど処理時間は速くなりましたが、さらに速くしたいと考えております。
ロジック修正後では、特に以下のループの部分がボトルネックとなっております。

dat0 = list(map(lambda x, y: np.dot(x, y), cvec.T, d_vec))

ここは内積を計算する部分です。この部分を高速化することは可能でしょうか？
なお、試しにCythonでやってみましたが、エラーが出力されました。Cythonではlamdaはサポートされていないかもしれません。
大変お手数ですが、ご回答頂けると助かります。

```python
import numpy as np
import time as t

np.random.seed(0)
xyz = np.random.rand(4, 100000, 3)
vec = np.random.rand(3, 100000)

def main():

    print('===== ロジック修正前 START =====')

    start1 = t.time()
    for i in range(100000):

        x = np.array(xyz[:, i, 0])
        y = np.array(xyz[:, i, 1])
        z = np.array(xyz[:, i, 2])

        cvec = vec[:, i]

        p0 = np.array([x, y, z])
        p_ref = np.array([x[0], y[0], z[0]])
        d_vec = p0 - np.repeat(p_ref, 4).reshape(3, 4)

        dat0 = np.dot(cvec, d_vec)

    print('time : ' + str(round((t.time() - start1),5)) + ' [sec]')
    print('===== ロジック修正前ソース END =====')

    print('===== ロジック修正後ソース START =====')

    start2 = t.time()

    x = np.array(xyz[:, :, 0])
    y = np.array(xyz[:, :, 1])
    z = np.array(xyz[:, :, 2])

    cvec = vec[:, :]

    p0 = np.array([x.T, y.T, z.T])
    p0 = [p0[:, i, :] for i in range(100000)]
    p_ref = np.array([x[0], y[0], z[0]])
    d_vec = p0 - np.repeat(p_ref, 4).reshape(100000, 3, 4)
    dat0 = list(map(lambda x, y: np.dot(x, y), cvec.T, d_vec))

    print('time : ' + str(round((t.time() - start2),5)) + ' [sec]')
    print('===== ロジック修正後ソース END =====')

if __name__ == "__main__":
    main()
```