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. 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

   import tensorflow as tf
   import numpy as np
   import tensorflow_datasets as tfds
   
   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   

   
4. TensorFlow データセット から MNIST データセット をロード
   • 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．

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

   

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

   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. データセットの情報を表示

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

   
3. 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))
   

   
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. 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．

   class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
   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(class_names[y_train[i]])
   
   plt.show()
   

   

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. 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'])
   

3. ニューラルネットワークの確認表示

   print(m.summary())
   

   
4. 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．

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

   
2. ニューラルネットワークを使い，分類を行う．

   ※ 訓練(学習）などで乱数が使われるので，下図と違う値になる．

   predictions = m.predict(x_test)
   print(predictions[0])
   

   
3. 正解表示

   テスト画像 0 番の正解を表示

   print(y_test[0])
   

   
4. 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)
   

   
5. 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()