In [1]:
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
from keras.utils import np_utils
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
In [2]:
plt.imshow(x_train[0])
print('x_train shape:', x_train.shape)
print('y_train shape:', y_train.shape)
print('x_test shape:', x_test.shape)
print('y_test shape:', y_test.shape)
df = pd.DataFrame(y_test)
df[0].unique() # カテゴリ数確認
Out[2]:
In [3]:
# 入力画像を変換
X_train = x_train.reshape(x_train.shape[0], 32, 32, 3) # Keras入力形式に変換
X_test = x_test.reshape(x_test.shape[0], 32, 32, 3)
# 32×32画素の画像3チャネル
X_train = X_train.astype('float32') / 255 # 各画素を0から1に正規化
X_test = X_test.astype('float32') /255
# onehot化
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)
print('X_train shape:', X_train.shape) # X_trainの配列形状
print('Y_train shape:', Y_train.shape) # Y_trainの配列形状
print(X_train.shape[0], 'train samples') # 訓練サンプル数
print(X_test.shape[0], 'test samples') # 評価サンプル数
In [4]:
plt.imshow(X_test[0].reshape([32, 32, 3])) # 入力画像の例を表示
print(y_test[0]) # 正解データ (ラベル)
print(Y_test[0]) # 正解データ (確率の配列)
In [5]:
# CNNのモデルの作成
model = Sequential()
# 畳み込み
model.add(Conv2D(64, (3, 3), padding='SAME', activation='relu', input_shape=(32, 32, 3)))
model.add(Conv2D(64, (3, 3), padding='SAME', activation='relu'))
# 過学習防止
model.add(Dropout(0.25))
# 最大プーリング
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (3, 3), padding='SAME', activation='relu'))
model.add(Conv2D(128, (3, 3), padding='SAME', activation='relu'))
model.add(Dropout(0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(256, (3, 3), padding='SAME', activation='relu'))
model.add(Conv2D(256, (3, 3), padding='SAME', activation='relu'))
model.add(Dropout(0.25))
model.add(GlobalAveragePooling2D())
# 出力層
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))
model.summary() # モデル情報の表示
In [6]:
batch_size = 128 # バッチサイズ（メモリ展開）
nb_epoch = 20 # 同じデータで繰り返し学習する回数
In [7]:
# 学習パラメータの設定
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
# モデルの学習
history = model.fit(X_train, Y_train,
batch_size=batch_size, epochs=nb_epoch,
validation_data=(X_test, Y_test))
# 学習結果の評価
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
In [8]:
# 学習誤差グラフ
# 学習データ
plt.plot(history.history['loss'], label="loss")
# 評価データ
plt.plot(history.history['val_loss'], label="val_loss")
plt.title('Loss')
plt.legend()
plt.xlabel('epoch')
plt.yscale('log')
plt.show()
# 学習精度グラフ
# 学習データ
plt.plot(history.history['acc'], label="acc")
# 評価データ
plt.plot(history.history['val_acc'], label="val_acc")
plt.title('Accuracy')
plt.legend(loc="lower right")
plt.xlabel('epoch')
plt.show()
In [9]:
# モデルを用いた判別 (出力層のベクトル)
model.predict(X_test)[100]
Out[9]:
In [10]:
# モデルを用いた判別 (ラベル)
model.predict_classes(X_test)[100]
Out[10]:
In [11]:
# モデルの保存と読み込み
model.save("cifar10_model.h5")
# モデルの読み込み
from keras.models import load_model
model = load_model("cifar10_model.h5")
In [12]:
# 手書き文字画像の読み込み
from PIL import Image
img = Image.open("./airplane.png") # 画像ファイル読み込み
img = img.resize((32, 32)) # 32×32にリサイズ
img = img.convert('RGB') # RGB化
im = np.array(img) # ndarray化
im = im.astype('float32') /255 # 0から1に正規化
plt.imshow(im)
Out[12]:
In [13]:
# 手書き文字画像の認識
im = im.reshape(1, 32, 32, 3) # モデルの入力形式に変換
model.predict_classes(im)[0] # モデルを用いた判別 (ラベル)
Out[13]: