TensorFlow のパイプラインを用いた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

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. MNIST データセットのロード

TensorFlow の MNIST データセット

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と，MNIST データセットのロード

   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
   
   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   
   mnist, mnist_info = tfds.load('mnist', with_info = True, shuffle_files=True, as_supervised=True)
   

   

4. 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

   fig1 = tfds.show_examples(mnist['train'], mnist_info)
   fig2 = tfds.show_examples(mnist['test'], mnist_info)
   

   
2. データセットの情報を表示

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

   

5. Keras を用いたニューラルネットワークの作成

1. データセットの生成

   ds_train: サイズ 28 × 28 の 60000枚の濃淡画像，60000枚の濃淡画像それぞれのラベル(0 から 9 のどれか)

   ds_test: サイズ 28 × 28 の 60000枚の濃淡画像，60000枚の濃淡画像それぞれのラベル(0 から 9 のどれか)

   ds_train, ds_test = mnist['train'], mnist['test']
   

   
2. 確認のため，データセットの先頭要素を確認してみる

   次により，データセット ds_train, ds_test の先頭要素を確認．

   次のプログラムでは，ds_train, ds_test の先頭要素が，i に得られる． i がタップルであること， そして，i は TensorFlow のテンソルが並んだタップルであることをを確認する．

   実行結果からは，次を確認，i の長さは 2，そして，i の中身が 2つであることが分かる．

   • ds_train の先頭要素: 形状 (28, 28, 1) と形状 () のタップル
   • ds_test の先頭要素: 形状 (28, 28, 1) と形状 () のタップル

   for i in ds_train.take(1):
       print(type(i))
       for j in range(len(i)):
           print(type(i[j]))
           print(i[j].shape)
   

   

   for i in ds_test.take(1):
       print(type(i))
       for j in range(len(i)):
           print(type(i[j]))
           print(i[j].shape)
   

   
3. 確認のため，データセットの先頭要素を表示してみる

   「tf.reshape(image, [-1])」では，テンソルをフラット化している．これは，表示を見やすくするため．

   タップルの 0 番目は数値データ， タップルの 1 番目は分類結果のラベル（クラス名）である．

   for image, label in ds_train.take(1):
       print(tf.reshape(image, [-1]))
       print(label)
   

   

   for image, label in ds_test.take(1):
       print(tf.reshape(image, [-1]))
       print(label)
   

   
4. トレーニングパイプライン

   値は，もともと int で 0 から 255 の範囲であるのを， float32 で 0　から 1 の範囲になるように前処理を行う．そして， データセットのシャッフルとバッチも行う．

   def normalize_img(image, label):
     """Normalizes images: `uint8` -> `float32`."""
     return tf.cast(image, tf.float32) / 255., label
   
   SHUFFLE_BUFFER_SIZE = 100000
   BATCH_SIZE=128
   AUTOTUNE = tf.data.experimental.AUTOTUNE
   
   ds_train = ds_train.map(normalize_img, num_parallel_calls=AUTOTUNE)
   ds_train = ds_train.cache().shuffle(buffer_size=SHUFFLE_BUFFER_SIZE).batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
   

   
5. 評価パイプライン

   値は，もともと int で 0 から 255 の範囲であるのを， float32 で 0　から 1 の範囲になるように前処理を行う．そして， データセットのバッチも行う．

   ds_test = ds_test.map(normalize_img, num_parallel_calls=AUTOTUNE)
   ds_test = ds_test.cache().batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
   

   
6. モデルの作成と確認
   • ニューラルネットワークの種類： 層構造 (Sequential Model)
   • ニューラルネットワークの構成
     • 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: 64
     • 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．

   NUM_CLASSES = 10
   
   m = tf.keras.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(units=64, activation='relu'),
       tf.keras.layers.Dropout(0.5),
       tf.keras.layers.Dense(units=NUM_CLASSES, activation='softmax')
   ])
   m.summary()
   

   

   L2 正則化を行いたいときは 「 tf.keras.layers.Dense(128, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.001)),」のようにする．

7. モデルのコンパイル

   オプティマイザ と損失関数とメトリクスを設定する．

   • Keras のオプティマイザのページ: https://keras.io/api/optimizers/
   • Keras の損失関数のページ: https://keras.io/api/losses/
   • Keras のメトリクスのページ: https://keras.io/api/losses/

   m.compile(
       optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
       loss='sparse_categorical_crossentropy',
       metrics=['sparse_categorical_crossentropy', 'accuracy']
   )
   

   

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を行う

   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． 教師データを投入する．

   EPOCHS = 20
   history = m.fit(ds_train, validation_data=ds_test, verbose=2, epochs=EPOCHS)
   

   
   （以下省略）
2. ディープラーニングによるデータの分類

   ds_test を分類してみる．

   print(m.predict(ds_test))
   

   

   それぞれの数値の中で、一番大きいものはどれか？

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

   

   ds_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）

   for i in ds_test:
       print(i[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)
   

   

   【外部ページへのリンク】 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()