Fashion MNIST データセットによる学習と分類（TensorFlow データセット，TensorFlow，Python を使用）（Windows 上）（Google Colaboratroy へのリンク有り）

python -m pip install -U tensorflow_datasets

Graphviz のインストール

Windows での Graphviz のインストール: 別ページ »で説明している．

numpy，matplotlib, seaborn, scikit-learn, pandas, pydot のインストール

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. 次のコマンドを実行する．

   python -m pip install -U numpy matplotlib seaborn scikit-learn pandas pydot
   

3. Fashion MNIST データセットのロード

1. Windows で，コマンドプロンプトを実行．
2. jupyter qtconsole の起動

   これ以降の操作は，jupyter qtconsole で行う．

   jupyter qtconsole
   

3. パッケージのインポート，TensorFlow のバージョン確認など

   from __future__ import absolute_import, division, print_function, unicode_literals
   import tensorflow as tf
   from tensorflow.keras import backend as K 
   K.clear_session()
   import numpy as np
   import tensorflow_datasets as tfds
   from tensorflow.keras.preprocessing import image
   
   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   

   
4. Fashion MNIST データセットのロード
   • x_train: サイズ 28 × 28 の 60000枚の濃淡画像
   • y_train: 60000枚の濃淡画像それぞれの,種類番号(0 から 9 のどれか)
   • x_test: サイズ 28 × 28 の 10000枚の濃淡画像
   • y_test: 10000枚の濃淡画像それぞれの,種類番号(0 から 9 のどれか)

   結果は，TensorFlow の Tensor である．

   type は型，shape はサイズ，np.max と np.mi は最大値と最小値．

   tensorflow_datasets の loadで， 「batch_size = -1」を指定して，一括読み込みを行っている．

   fashion_mnist, fashion_mnist_metadata = tfds.load('fashion_mnist', with_info = True, shuffle_files=True, as_supervised=True, batch_size = -1)
   x_train, y_train, x_test, y_test = fashion_mnist['train'][0], fashion_mnist['train'][1], fashion_mnist['test'][0], fashion_mnist['test'][1]
   print(fashion_mnist_metadata)
   

   

4. Fashion MNIST データセットの確認

1. データセットの中の画像を表示

   MatplotLib を用いて，0 番目の画像を表示する

   NUM = 0
   plt.figure()
   plt.imshow(x_train[NUM,:,:,0], cmap='gray')
   plt.colorbar()
   plt.gca().grid(False)
   plt.show()
   

   
2. 型と形と最大値と最小値の確認

   print(type(x_train), x_train.shape, np.max(x_train), np.min(x_train))
   print(type(x_test), x_test.shape, np.max(x_test), np.min(x_test))
   print(type(y_train), y_train.shape, np.max(y_train), np.min(y_train))
   print(type(y_test), y_test.shape, np.max(y_test), np.min(y_test))
   

   
3. データセットの情報を表示

   print(fashion_mnist_metadata)
   print(fashion_mnist_metadata.features["label"].num_classes)
   print(fashion_mnist_metadata.features["label"].names)
   

   
4. 主成分分析の結果である主成分スコアのプロット

   x_train, x_test は主成分分析で２次元にマッピング， y_train, y_test は色．

   import pandas as pd
   import seaborn as sns
   sns.set()
   import sklearn.decomposition
   # 主成分分析
   def prin(A, n):
       pca = sklearn.decomposition.PCA(n_components=n)
       return pca.fit_transform(A)
   
   # 主成分分析で２つの成分を得る
   def prin2(A):
       return prin(A, 2)
   
   # M の最初の2列を，b で色を付けてプロット
   def scatter_plot(M, b, alpha):
       a12 = pd.DataFrame( M[:,0:2], columns=['a1', 'a2'] )
       a12['target'] = b
       sns.scatterplot(x='a1', y='a2', hue='target', data=a12, palette=sns.color_palette("hls", np.max(b) + 1), legend="full", alpha=alpha)
   
   # 主成分分析プロット
   def pcaplot(A, b, alpha):
       scatter_plot(prin2(A), b, alpha)
   
   pcaplot(np.reshape(x_train, (x_train.shape[0], -1)), y_train, 0.1)
   

   

   pcaplot(np.reshape(x_test, (x_test.shape[0], -1)), y_test, 0.1)
   

   

5. Keras を用いたニューラルネットワークの作成

1. x_train, x_test, y_train, y_test の numpy ndarray への変換と，値の範囲の調整（値の範囲が 0 〜 255 であるのを，0 〜 1 に調整）

   x_train = x_train.numpy().astype("float32") / 255.0
   x_test = x_test.numpy().astype("float32") / 255.0
   y_train = y_train.numpy()
   y_test = y_test.numpy()
   print(type(x_train), x_train.shape, np.max(x_train), np.min(x_train))
   print(type(x_test), x_test.shape, np.max(x_test), np.min(x_test))
   print(type(y_train), y_train.shape, np.max(y_train), np.min(y_train))
   print(type(y_test), y_test.shape, np.max(y_test), np.min(y_test))
   

   
2. データの確認表示

   MatplotLib を用いて，複数の画像を並べて表示する．

   plt.style.use('default')
   plt.figure(figsize=(10,10))
   for i in range(25):
     plt.subplot(5,5,i+1)
     plt.xticks([])
     plt.yticks([])
     plt.grid(False)
     plt.imshow(x_train[i], cmap=plt.cm.binary)
     plt.xlabel(y_train[i])
   
   plt.show()
   

   
3. ニューラルネットワークの作成と確認とコンパイル

   最適化器（オプティマイザ）損失関数とメトリクスを設定する．

   • Flatten の層: 画像（28かける28）を 1次元の配列に変換する．
   • １層目: Dense（全結合），ニューロン（ユニット）の個数: 128
   • ２層目: Dense（全結合），ニューロン（ユニット）の個数: 10
   • ２層目のニューロン（ユニット）の種類: softmax
   • １番目のDense の層と２番目のDense の層の間の結合については，ドロップアウトを行う．

   ADAM を使う場合のプログラム例

   NUM_CLASSES = 10
   
   m = tf.keras.Sequential()
   m.add(tf.keras.layers.Flatten(input_shape=(28, 28, 1)))
   m.add(tf.keras.layers.Dense(units=128, activation='relu'))
   m.add(tf.keras.layers.Dropout(rate=0.5))
   m.add(tf.keras.layers.Dense(units=NUM_CLASSES, activation='softmax'))
   m.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
                 loss='sparse_categorical_crossentropy',
                 metrics=['accuracy'])
   

   

   SGD を使う場合のプログラム例

   NUM_CLASSES = 10
   
   m = tf.keras.Sequential()
   m.add(tf.keras.layers.Flatten(input_shape=(28, 28, 1)))
   m.add(tf.keras.layers.Dense(units=128, activation='relu'))
   m.add(tf.keras.layers.Dropout(rate=0.5))
   m.add(tf.keras.layers.Dense(units=NUM_CLASSES, activation='softmax'))
   m.compile(optimizer=tf.keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True),
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])
   

   
4. ニューラルネットワークの確認表示

   print(m.summary())
   

   
5. モデルのビジュアライズ

   Keras のモデルのビジュアライズについては: https://keras.io/ja/visualization/

   ここでの表示で，エラーメッセージが出る場合でも，モデル自体は問題なくできていると考えられる．続行する．

   from tensorflow.keras.utils import plot_model
   import pydot
   plot_model(m)
   

   

6. ニューラルネットワークの学習と検証

1. ニューラルネットワークの学習と検証

   ニューラルネットワークの学習は fit メソッドにより行う． 教師データを使用する．

   EPOCHS = 50
   history = m.fit(x_train, y_train, validation_data=(x_test, y_test), verbose=2, epochs=EPOCHS)
   

   
2. ディープラーニングによるデータの分類

   x_test を分類してみる．

   print(m.predict(x_test))
   

   

   それぞれの数値の中で、一番大きいものはどれか？

   m.predict(x_test).argmax(axis=1)
   

   

   y_test 内にある正解のラベル（クラス名）を表示する（上の結果と比べるため）

   print(y_test[1])
   

   
3. 学習曲線の確認

   過学習や学習不足について確認．

   import pandas as pd
   hist = pd.DataFrame(history.history)
   hist['epoch'] = history.epoch
   print(hist)
   

   
4. 学習曲線のプロット

   【関連する外部ページ】 訓練の履歴の可視化については，https://keras.io/ja/visualization/

   • 学習時と検証時の，損失の違い

     acc = history.history['accuracy']
     val_acc = history.history['val_accuracy']
     loss = history.history['loss']
     val_loss = history.history['val_loss']
     
     epochs = range(1, len(acc) + 1)
     
     # "bo" は青いドット
     plt.plot(epochs, loss, 'bo', label='Training loss')
     # ”b" は青い実線
     plt.plot(epochs, val_loss, 'b', label='Validation loss')
     plt.title('Training and validation loss')
     plt.xlabel('Epochs')
     plt.ylabel('Loss')
     plt.legend()
     
     plt.show()
     

     
   • 学習時と検証時の，精度の違い

     acc = history.history['accuracy']
     val_acc = history.history['val_accuracy']
     loss = history.history['loss']
     val_loss = history.history['val_loss']
     
     plt.clf()   # 図のクリア
     plt.plot(epochs, acc, 'bo', label='Training acc')
     plt.plot(epochs, val_acc, 'b', label='Validation acc')
     plt.title('Training and validation accuracy')
     plt.xlabel('Epochs')
     plt.ylabel('Accuracy')
     plt.legend()
     
     plt.show()