Python の主な機能（オンライン開発環境 Google Colab で演習）

Google Colab でノートブックを開く

Google Colab はオンラインの Python 開発環境． 使用するには Google アカウントが必要

1. Google Colab のWebページを開く

   https://colab.research.google.com

   
2. 「ファイル」で、「PYTHON 3 の新しいノートブックの新規作成」を選ぶ
   
3. Google アカウントでのログインが求められたときはログインする
   
4. コードセルの中に Python プログラムを書き、「再生ボタン」をクリック
   
5. コードセルを追加したいときは、「挿入」で、「コードセル」をクリック
   

式と変数

変数は，変化するデータのこと． 「x = 100」のように書くと x の値が 100 に変化する

式の実行結果として値が得られる．式の中に，変数名を書くことができる．

x = 100
y = 200
print(x + y)
print( (x + 10) * y)

teihen = 2.5
takasa = 5
print(teihen * takasa / 2)

式の抽象化と関数

式の抽象化は，類似した複数の式（下に書いた3つの式のようなもの）を， 変数を使って1つにまとめること．

print(100 * 1.08) 
print(150 * 1.08) 
print(400 * 1.08) 

上の 3つの式を抽象化すると「a * 1.08」のような式になる．

式「a * 1.08」を本体式とするような関数 （関数名は foo）の定義とその使用例は次の通り． 関数の利用により，繰り返し同じことを書く（例えば「* 1.08」）ことを防ぐことができ，ミスを減らすこともできる．プログラムの変更も簡単になる．

def foo(a):
    return a * 1.08 
print(foo(100))
print(foo(150))
print(foo(400))

式の評価のタイミング

関数の中の式の評価では， 最新の変数値が用いられる

x = 30
def foo(a):
    return(a * x) 
x = 300
print(foo(100))
x = 3000
print(foo(100))

クラス定義とオブジェクト生成

• プログラミングでのオブジェクトは，コンピュータでの操作や処理の対象となるもののこと．
• メソッドは，オブジェクトに属する操作や処理のこと

  例: person,walk() person オブジェクト, walk メソッド，間を「.」で区切っている

• 引数（ひきすう）とは，メソッドに渡す値のこと
• 文字列は，「"」または「'」のいずれかで囲む
• クラスは，同一種類のオブジェクトの集まりのこと
• クラス定義は，あるクラスが持つ属性とメソッドを定めること．

クラス定義と，コンストラクタを用いたオブジェクト生成のプログラム例

クラス名: C

その属性名: qty, weight, name

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name

x = C(5, 170.51, 'apple')
print(vars(x))
y = C(3, 40.97, 'orange')
print(vars(y))

コンストラクタでの既定値（デフォルト値）

既定値（デフォルト値）を設定している場合には，引数を省略できる．コンストラクタ以外のメソッドでも同様．

クラス名: D

属性名: s_hour, s_minute, e_hour, e_minute

class D(object):
    def __init__(self, s_hour, s_minute):
        self.s_hour = s_hour
        self.s_minute = s_minute
        self.e_hour = None
        self.e_minute = None

z = D(15, 30)
print(vars(z))
z2 = D(16, 15)
print(vars(z2))

属性アクセスとメソッド

vars(): 属性表示

「.」+属性名: 属性アクセス

「.」+メソッド名: メソッドアクセス

メソッド内では，self + 「.」で，属性やメソッドにアクセスする

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight

x = C(5, 170.51, 'apple')
print(vars(x))
print(x.name)
print(x.total())

親クラスからの継承

クラス名: C

その属性名: qty, weight, name

クラス名: E

その属性名: qty, weight, name, price

クラス E は，スーパークラスであるクラス C の属性とメソッドを継承する

class C(object):
    def __init__(self, qty, weight, name):
        self.qty = qty
        self.weight = weight  
        self.name = name
    def total(self):
        return self.qty * self.weight

class E(C):
    def __init__(self, qty, weight, name, price):
        super(E, self).__init__(qty, weight, name)
        self.price = price
    def payment(self):
        return self.qty * self.price

x2 = E(2, 875.34, 'melon', 500)
print(vars(x2))
print(x2.total())
print(x2.payment())

オブジェクトのタイプ

print( type(100) )
print( type(1.23) )
print( type("Hello") )
print( type(True) )
print( type(False) )
print( type([1, 2, 3]) )
import numpy as np
print( type(np.zeros(10)) )

Pythonのモジュール

Python のモジュールは，1つ以上の関数を集めて，1つのファイルに集めたもの．下の Python モジュールには関数 tax が入っている． p> Python のモジュールは，単体でも実行できるように作ることができる．これは，モジュールのテストを行いたいときに便利（下の例では，「if __name__ == "__main__"」から始まる部分が，単体でも実行できるようにするためのもの）

def tax(x):
    return x * 1.08

if __name__ == "__main__":
    print(tax(100))

import hoge
print(hoge.tax(10))

ここでの例 現在の日時, 最大公約数, 方程式を解く, 平方根, 円周率, 三角関数, など

現在の日時

オペレーティングシステム（コンピュータ）のタイマーを利用 いまの日時が表示されることを確認．

import datetime
now = datetime.datetime.now()
print(now)

最大公約数

24 と 18 の最大公約数を求めたい．結果 6 を確認．

import math
print( math.gcd(24, 18) )

方程式を解く

4x + 1 = 0 を解きたい

from scipy import optimize
def foo(x):
    return 4 * x + 1
print( optimize.fsolve(foo, 10) )

平方根

面積が 7 の正方形の一辺の長さは？

次のプログラムを実行．結果 2.6457513110645907 を確認（結果は近似値）

import math
print( math.sqrt(7) )

円の面積

半径 3 の円の面積は？ 円周率は, Pythonのモジュールの math.pi を使用 結果は，近似値で求まる．

import math
print( 3 * 3 * math.pi )

三角形の面積

三角形の２辺の長さが，4と6で，その間の角度が60度のとき．

import math
print( (1/2) * 4 * 6 * math.sin(60 * math.pi / 180) )

条件分岐

変数の値によって，実行の流れが変わる．

age = 18
if (age <= 12):
    print(500)
else:
    print(1800)

配列と繰り返し

配列とは，データの並びで，それぞれのデータに，0 から始まる番号（）が付いている．

合計

8, 6, 4, 3, 2 というデータについて，合計を求めたい

import numpy as np
x = np.array([8, 6, 4, 2, 3])
print(sum(x))

月の日数

月の日数についてのデータを作る．うるう年のことは考えないことにする

import numpy as np
days = np.array([0, 31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31])
print( days[7] )
print( days[9] )

物体の落下

for による繰り返し

import numpy as np
x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
for t in x:
    print( (9.8 / 2) * t * t )

10倍

for による繰り返し

import numpy as np
x = np.array([8, 6, 4, 2, 3])
y = np.array([0, 0, 0, 0, 0])
for i in range(0,5):
    y[i] = x[i] * 10

print(x)
print(y)

「*」の表示を 18 回繰り返す（* を 18 個並べて表示）

for による繰り返し

import sys
for i in range(18):
    sys.stdout.write("*")

1次元の配列（アレイ）

0要素

type はオブジェクトのタイプの取得．shape は配列（アレイ)のサイズの取得．

import numpy as np
x = np.zeros(10)
print(x)
print(type(x))
print(x.shape)

1要素

import numpy as np
x = np.ones(10)
print(x)
print(type(x))
print(x.shape)

乱数. 正規分布．平均が０．

import numpy as np
x = np.random.randn(10)
print(x)
print(type(x))
print(x.shape)

要素指定（要素を並べて書いて配列を作る）

import numpy as np
x = np.array([3, 1, 2, 5, 4])
print(x)
print(type(x))
print(x.shape)

arange．−５から，２ずつ増やす．４は超えないようにする．

import numpy as np
x = np.arange(-5, 4, 2)
print(x)
print(type(x))
print(x.shape)

linespace．−２から２まで．９個．

import numpy as np
x = np.linspace(-2, 2, 9)
print(x)
print(type(x))
print(x.shape)

2次元の配列（アレイ）

import numpy as np
x = np.zeros((2, 3))
print(x)
print(type(x))
print(x.shape)

import numpy as np
x = np.ones((2, 3))
print(x)
print(type(x))
print(x.shape)

import numpy as np
x = np.random.randn(2,3)
print(x)
print(type(x))
print(x.shape)

メッシュグリッド

3次元のグラフを作るとき．あるいは，計算を繰り返すときに便利

import numpy as np
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
print(X)
print(type(X))
print(X.shape)
print(Y)
print(type(Y))
print(Y.shape)

２次元配列データのCSV ファイル読み書き

CSV ファイル書き出し．pandas の機能で行う．次のプログラム実行により， ファイル XX.csv とYY.csv ができる．

import numpy as np
import pandas as pd
X, Y = np.meshgrid( np.array([2, 3, 4]), np.array([10, 20]) )
XX = pd.DataFrame(X)
print(XX)
XX.to_csv("XX.csv", header=False, index=False)
YY = pd.DataFrame(Y)
print(YY)
YY.to_csv("YY.csv", header=False, index=False)

CSV ファイル読み込み．pandas の機能で行う． これは，いま作成したファイル XX.csv を読み込むもの．

pd.read_csv("XX.csv", header=None)

今度は，ファイル YY.csv を読み込む．

pd.read_csv("YY.csv", header=None)

配列の次元を増やす

1次元を2次元に．

次のプログラムは，１次元の配列 x を，２次元の配列 A, B に変換する．

import numpy as np
x = np.array([3, 1, 2, 5, 4])
A = x[:, np.newaxis]
B = x[np.newaxis, :]
print(A)
print(type(A))
print(A.shape)
print(B)
print(type(B))
print(B.shape)

リスト

a = [1, 2, 3, 4]
print(a)
type(a)

Python のリストの添字は 0 から開始する

a = [10, 20, 30]
print(a[1])
a[2] = 200
print(a)

散布図

散布図

import matplotlib.pyplot as plt
import numpy as n
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.scatter(x, y)

3次元散布図

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
z = [1, 1, 2, 2, 3]
ax.scatter(x, y, z, c='b')

メッシュグリッドと関数の3次元プロット

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X, Y = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def f(x,y):
    return x * y
Z = f(X, Y)
ax.scatter(X, Y, Z, c='b')

メッシュグリッドと関数の3次元プロット. 今度は x1, x2 のソフトマックス関数

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
X1, X2 = np.meshgrid( np.array([-2, -1, 0, 1, 2]), np.array([-3, -2, -1, 0, 1, 2, 3]) )
def softmax(x):
    A = np.exp(x - np.max(x))
    return A / A.sum()
def f(x1, x2):
    return softmax( np.array([x1, x2]) )
Z = f(X1, X2)
ax.scatter(X1, X2, Z[0], c='b')

fig = plt.figure()
ax = fig.add_subplot(111, projection = '3d')
ax.scatter(X1, X2, Z[1], c='b')

TensorFlow

TensorFlow は，機械学習のアプリケーションを簡単に作成するのに役立つソフトウエア． Python, C/C++ 言語から利用可能． プロセッサ（CPU）, GPU, Google TPU で動く Google 社のディープラーニング研究プロジェクトから出発し， 2015年11月に最初のリリースが行われた．ソースコード等は公開されている．

• TensorFlow のデータフローグラフは，データの流れを定義するもの
• データフローグラフの中には，TensorFlow が定めるオペレーションを置く．
• オペレーションとオペレーションの間を，テンソルと呼ばれるデータがやりとりされる

TensorFlow のプログラム例 - 行列の足し算

import tensorflow as tf
import numpy as np
a = tf.constant( np.reshape([1, 1, 1, 1, 1, 1], (2, 3) ) ) 
b = tf.constant( np.reshape( [1, 2, 3, 4, 5, 6], (2, 3) ) )
c = tf.add(a, b)

print(c)

Keras

Keras は，TensorFlow を用いてのディープラーニング（深層学習）でのモデルの構築と，その訓練（構築）を簡単に行えるようにするソフトウエア

用語集

• Keras のモデルは，複数の層が組み合わさったもの．単純に層を積み重ねたもの（シーケンシャル）や，複雑な構成のもの（グラフ）がある
• Keras の層には，活性化関数，層の重みの種類（カーネル，バイアスなど）を設定できる
• Keras の層には，全結合，畳み込み（コンボリューション）などの種類がある
• 訓練（学習）のために，オプティマイザの設定を行う
• Keras のモデルの構成やオプティマイザの設定は，保存できる
• 訓練（学習）の結果は，結合の重みになる．結合の重みも保存できる

ニューラルネットワークのデモサイト: http://playground.tensorflow.org

手順

1. パッケージのインポートなど

   from __future__ import absolute_import, division, print_function, unicode_literals
   
   # TensorFlow と tf.keras のインポート
   import tensorflow as tf
   import tensorflow_datasets as tfds
   from tensorflow import keras
   
   # ヘルパーライブラリのインポート
   import numpy as np
   import matplotlib.pyplot as plt
   
   print(tf.__version__)
   

   
2. 画像データセット MNIST の準備

   変数 x_train: サイズ 28 × 28 の 60000枚の濃淡画像

   変数 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) 変数 x_test: サイズ 28 × 28 の 10000枚の濃淡画像

   変数 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)

   「+ コード」で，コードセルを追加し，次を実行．

   mnist, metadata = tfds.load(
       name="mnist", as_supervised=False, with_info=True, batch_size = -1)
   train, test = mnist['train'], mnist['test']
   print(metadata)
   
   x_train, y_train = train["image"].numpy().astype("float32") / 255.0, train["label"] 
   x_test, y_test = test["image"].numpy().astype("float32") / 255.0, test["label"]
   

   
3. 画像データセット MNIST の確認表示

   「+ コード」で，コードセルを追加し，次を実行．

   plt.figure(figsize=(10,10))
   for i in range(25):
     plt.subplot(5,5,i+1)
     plt.xticks([])
     plt.yticks([])
     plt.grid(False)
     image, label = train["image"][i], train["label"][i]
     plt.imshow(image.numpy()[:, :, 0].astype(np.float32), cmap=plt.get_cmap("gray"))
     plt.xlabel(label.numpy())
   
   plt.show()
   

   

4. 「サイズ 28 × 28 の 60000枚の濃淡画像」であることを確認

   配列（アレイ）の形: 60000×28×28

   次元: 3

   「+ コード」で，コードセルを追加し，次を実行．

   print( x_train.shape )
   print( x_train.ndim )
   

   
5. ディープニューラルネットワークのモデルの作成

   2層のニューラルネットワークを作成

   1層目：ユニット数は 28 かける28

   2層目：ユニット数は 10

   「+ コード」で，コードセルを追加し，次を実行．

   「実行」をクリックして結果が何も出ないのは正常動作．

   m = tf.keras.Sequential()
   m.add(tf.keras.layers.Flatten(input_shape=(28, 28, 1)))
   m.add(tf.keras.layers.Dense(units=128, activation=tf.nn.relu))
   m.add(tf.keras.layers.Dropout(rate=0.2))
   m.add(tf.keras.layers.Dense(units=10, activation=tf.nn.softmax))
   m.compile(optimizer='adam',
                 loss='sparse_categorical_crossentropy',
                 metrics=['accuracy'])
   

   
6. ニューラルネットワークの確認表示

   「+ コード」で，コードセルを追加し，次を実行．

   print(m.summary())
   

   
7. ニューラルネットワークの訓練（学習）を行う

   「+ コード」で，コードセルを追加し，次を実行．

   history = m.fit(x_train, y_train, epochs=50)
   

   
8. テスト用データセットで評価する

   「+ コード」で，コードセルを追加し，次を実行．

   print( m.evaluate(x_test,  y_test, verbose=2) )
   

   ※ 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．

   
9. ニューラルネットワークを使ってみる

   テスト画像を，ニューラルネットワークに与えて，予測させる

   テスト画像は 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 が書かれた画像である． 画像を読み取って，数字を予測する．

   「+ コード」で，コードセルを追加し，次を実行．

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

   結果の見方. 0である確率，1である確率，2である確率，・・・9である確率と，10 個の 数字が，結果として得られる． 先ほど作成したニューラルネットワークの2層目は 10個のユニットがあった．各ユニットから1個の数字が得られている．

   ※ 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．

   
10. 正解表示

    テスト画像 0 番の正解を表示

    「+ コード」で，コードセルを追加し，次を実行．

    print( y_test[0] )
    

    ※ 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．

    

ニューラルネットワークによる画像分類

1. この Web ページでは、次の画像を使うことにする

   2071.png のようなファイル名で保存しておく

   
2. 画像のアップロード操作
   1. ファイルをアップロードしたい．「ファイル」を選ぶ
      
   2. 「アップロード」を選ぶ
      
   3. アップロードしたいファイルを選ぶ
      
3. InceptionV3 を使うプログラム。Kerasのサイトで公開されているものを少し書き換えて使用。

   import h5py
   from tensorflow.keras.preprocessing import image
   from keras.applications.inception_v3 import preprocess_input, decode_predictions, InceptionV3
   import numpy as np
   
   m = InceptionV3(weights='imagenet')
   
   img_path = '2071.png'
   img = image.load_img(img_path, target_size=(299, 299))
   x = image.img_to_array(img)
   x = np.expand_dims(x, axis=0)
   x = preprocess_input(x)
   
   preds = m.predict(x)
   
   print('Predicted:')
   for p in decode_predictions(preds, top=5)[0]:
       print("Score {}, Label {}".format(p[2], p[1]))
   

   画像分類の結果（lab_coat, syringe, beaker, stethoscope, plate）と，それぞれの 確率が表示される．