ここでの「分類」は，データから，そのラベル（クラス名など）を求めるもの． 分類のために，教師データを用いて事前学習を行う．
TensorFlow データセットは，事前学習に役立つ． このページでは，TensorFlow データセットの中の Iris データセット，Titanic データセットを紹介する． 利用条件は利用者で確認すること．
参考Webページ:
このページの内容は，Google Colab でも実行できる．
そのために，次の URL で，Google Colab のノートブックを準備している．
次のリンクをクリックすると，Google Colab のノートブックが開く． そして，Google アカウントでログインすると，Google Colab のノートブック内のコードを実行することができる．Google Colab のノートブックは書き換えて使うこともできる．このとき，書き換え後のものを，各自の Google ドライブ内に保存することもできる．
https://colab.research.google.com/drive/10u8owk1y9l-OocyenRZuDb0sKxxicVwK?usp=sharing
Google Colab を使うか，パソコンを使う．それぞれの場合の前準備を説明する．
https://colab.research.google.com
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
TensorFlow を使う場合は，必要となる NVIDIA CUDA ツールキット，NVIDIA cuDNN のバージョン確認
TensorFlow は，そのバージョンによって，必要となるNVIDIA CUDA ツールキット，NVIDIA cuDNN のバージョンが違う（最新の NVIDIA CUDA ツールキット，NVIDIA cuDNN で動くというわけでない）． そのことは，https://www.tensorflow.org/install/gpu で確認できる．
そこで， まずは，使用したい TensorFlow のバージョンを確認し，それにより， NVIDIA CUDA ツールキット，NVIDIA cuDNN を確認する．
NVIDIA CUDA ツールキットのバージョン：
指定されているバージョンより高いものは使わない． その根拠は次のページ． URL: https://www.tensorflow.org/install/source#common_installation_problems
NVIDIA cuDNN のバージョン：
その根拠は次のページ． URL: https://www.tensorflow.org/install/source#common_installation_problems
GPU とは，グラフィックス・プロセッシング・ユニットの略で、コンピュータグラフィックス関連の機能，乗算や加算の並列処理の機能などがある．
NVIDIA CUDA は，NVIDIA社が提供している GPU 用のプラットフォームである．
インストール手順の説明
関連 Web ページ
インストール手順の説明
端末で，次のコマンドを実行．
sudo apt -y install python3-dev python3-pip python3-setuptools python3-venv sudo pip3 uninstall ptyprocess sniffio terminado tornado jupyterlab jupyter jupyter-console jupytext nteract_on_jupyter spyder sudo apt -y install jupyter jupyter-qtconsole spyder3 sudo apt -y install python3-ptyprocess python3-sniffio python3-terminado python3-tornado sudo pip3 install -U jupyterlab nteract_on_jupyter sudo pip3 uninstall -y tensorflow tensorflow-cpu tensorflow-gpu tensorflow_datasets tensorflow-hub keras sudo pip3 uninstall six wheel astunparse tensorflow-estimator numpy keras-preprocessing absl-py wrapt gast flatbuffers grpcio opt-einsum protobuf termcolor typing-extensions google-pasta h5py tensorboard-plugin-wit markdown werkzeug requests-oauthlib rsa cachetools google-auth google-auth-oauthlib tensorboard tensorflow sudo apt -y install python3-six python3-wheel python3-numpy python3-grpcio python3-protobuf python3-termcolor python3-typing-extensions python3-h5py python3-markdown python3-werkzeug python3-requests-oauthlib python3-rsa python3-cachetools python3-google-auth sudo apt -y install python3-numpy python3-pil python3-pydot python3-matplotlib python3-keras python3-keras-applications python3-keras-preprocessing sudo pip3 install -U tensorflow tf-models-official tensorflow_datasets tensorflow-hub keras keras-tuner keras-visualizer opencv-python sudo pip3 install git+https://github.com/tensorflow/docs sudo pip3 install git+https://github.com/tensorflow/examples.git
詳細は: 別ページで説明している．
Ubuntu では，システムの Python を使うことができる（その場合，Python のインストールは行わない）
![[image]](../../info/logo_png.png){kind=logo}
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
tf.enable_v2_behavior()
from tensorflow.keras import backend as K
K.clear_session()
iris, iris_info = tfds.load('iris', with_info = True, shuffle_files=True, as_supervised=True)
print(iris_info) print(iris_info.features["label"].num_classes) print(iris_info.features["label"].names)
ロード時に「as_supervised=False」としたときは，「features, label = data['features'], data['label']」
ds_train = iris['train']
it = ds_train.cache().shuffle(1000).batch(128).prefetch(tf.data.experimental.AUTOTUNE)
for data in it.take(1):
features, label = data[0], data[1]
print(features)
print(label)
train = tfds.as_dataframe(iris['train'], iris_info) print(train)
行数は len(＜データフレーム＞), 属性数は len(＜データフレーム＞.columns)
print(len(train)) print(len(train.columns))
train = tfds.as_dataframe(iris['train'].take(10), iris_info) print(train)
行数は len(＜データフレーム＞), 属性数は len(＜データフレーム＞.columns)
print(len(train)) print(len(train.columns))
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
tf.enable_v2_behavior()
from tensorflow.keras import backend as K
K.clear_session()
titanic, titanic_info = tfds.load('titanic', with_info = True, shuffle_files=True, as_supervised=True)
print(titanic_info)
ロード時に「as_supervised=False」としたときは，「features, survived = data['features'], data['survived']」
ds_train = titanic['train']
it = ds_train.cache().shuffle(1000).batch(128).prefetch(tf.data.experimental.AUTOTUNE)
for data in it.take(1):
features, survived = data[0], data[1]
print(features)
print(survived)
train = tfds.as_dataframe(titanic['train'], titanic_info) print(train)
行数は len(＜データフレーム＞), 属性数は len(＜データフレーム＞.columns)
print(len(train)) print(len(train.columns))
train = tfds.as_dataframe(titanic['train'].take(10), titanic_info) print(train)
行数は len(＜データフレーム＞), 属性数は len(＜データフレーム＞.columns)
print(len(train)) print(len(train.columns))
本サイトは金子邦彦研究室のWebページである．
資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには， 「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．
公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページで説明している． 再配布や資料改変の際には，そのページをご確認ください．
サイトマップは，サイトマップのページをご覧下さい． 本サイト内の検索は，サイト内検索のページをご利用下さい．
問い合わせ先： 金子邦彦（かねこ くにひこ） ![[image]](../../info/kanekomail.png){kind=small}