TensorFlow, Keras で Iris データを扱う（Google Colab を利用）

MNIST データセットを用いた学習と予測

1. Google Colab のWebページを開く

   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

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. パッケージのインポートと TensorFlow のバージョン確認

   from __future__ import absolute_import, division, print_function, unicode_literals
   import tensorflow.compat.v2 as tf
   import tensorflow_datasets as tfds
   import numpy as np
   import matplotlib.pyplot as plt
   tf.enable_v2_behavior()
   print(tf.__version__)
   
5. iris データ（scikit-learn 同封のもの）の準備

   iris データセットの先頭部分
6. Iris データの準備

   x, y に iris データを設定

   次の Python プログラムを実行

   import sklearn.datasets
   iris = sklearn.datasets.load_iris()
   x = iris.data
   y = iris.target
   
7. iris データについて，配列の形，次元数，データの中身を確認

   X は外花被片、内花被片の幅と高さである

   print( x.shape )
   print( x.ndim )
   print( x )
   

   配列（アレイ）の形：サイズは 150 × 4．次元数は 2．

   y は花の種類のデータである

   print( y.shape )
   print( y.ndim )
   print( y )
   

   配列（アレイ）の形：サイズは 150．次元数は 1．

   
8. ニューラルネットワークを使うために，データを調整

   x_train, y_train, x_test, y_test に iris データを設定し，正規化

   • x_train, x_test: 特徴量（ここでは数値ベクトル）の集まり
   • y_train, y_test: カテゴリ

   import sklearn.model_selection
   x_train, x_test, y_train, y_test = sklearn.model_selection.train_test_split(x, y, train_size=0.5) 
   # 2次元の配列. 要素は float64, 最大値と最小値を用いて正規化
   def normalizer(A):
       M = np.reshape(A, (len(A), -1))
       M = M.astype('float32')
       max = M.max(axis=0)
       min = M.min(axis=0)
       return (M - min)/(max - min)
   x_train = normalizer(x_train)
   x_test = normalizer(x_test)
   
9. x_train, y_train の確認

   print(x_train)
   print(y_train)
   
10. ニューラルネットワークの作成
    • 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
      • 入力の次元数: 4
      • 入力層のユニット（ニューロン）の個数: 64（１層）
      • 出力層のユニット（ニューロン）の個数: 3
      • 出力層のユニット（ニューロン）の種類: softmax （活性化するのは一度に１つ）

    m = tf.keras.Sequential()
    m.add(tf.keras.layers.Dense(units=64, input_dim=4, activation=tf.nn.relu))
    m.add(tf.keras.layers.Dropout(rate=0.2))
    m.add(tf.keras.layers.Dense(units=3, activation=tf.nn.softmax))
    m.compile(optimizer=tf.keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True),
              loss='sparse_categorical_crossentropy')
    
11. ニューラルネットワークの確認表示

    print(m.summary())
    
12. モデルの可視化

    参考Webページ: 訓練の履歴の可視化については，https://keras.io/ja/visualization/

    from IPython.display import SVG
    SVG(tf.keras.utils.model_to_dot(m).create(prog='dot', format='svg'))
    
13. ニューラルネットワークの訓練（学習）を行う

    history = m.fit(x_train, y_train, epochs=50)
    
14. テスト用データセットで評価する

    ※ 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．

    print( m.evaluate(x_test, y_test, verbose=2) )
    
15. ニューラルネットワークを使ってみる

    予測を行わせたいデータは、x_test である

    ※ 予測させたいデータx_test は、Xの中からランダムに選ばれていたので、実行結果は下の図と違うものになる

    predictions = m.predict(x_test)
    print(predictions)
    

    それぞれ、３つの数値の中で、一番大きいものはどれか？

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

    正解と比べてみる

    print(y_test)
    
16. 訓練の履歴の可視化

    参考Webページ: 訓練の履歴の可視化については，https://keras.io/ja/visualization/

    訓練時の損失

    import matplotlib.pyplot as plt
    loss = history.history['loss']
    epochs = range(1, len(loss) + 1)
    # "bo" は青いドット
    plt.plot(epochs, loss, 'bo', label='Training loss')
    plt.title('Training loss')
    plt.xlabel('Epochs')
    plt.ylabel('Loss')
    plt.legend()
    plt.show()
    
17. 別のニューラルネットワークを作成してみる

    m = tf.keras.Sequential()
    m.add(tf.keras.layers.Dense(units=64, input_dim=4, activation=tf.nn.relu))
    m.add(tf.keras.layers.Dropout(rate=0.2))
    m.add(tf.keras.layers.Dense(units=3, activation=tf.nn.softmax))
    m.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    print(m.summary())
    history = m.fit(x_train, y_train, epochs=50)
    print( m.evaluate(x_test, y_test, verbose=2) )
    import matplotlib.pyplot as plt
    loss = history.history['loss']
    epochs = range(1, len(loss) + 1)
    # "bo" は青いドット
    plt.plot(epochs, loss, 'bo', label='Training loss')
    plt.title('Training loss')
    plt.xlabel('Epochs')
    plt.ylabel('Loss')
    plt.legend()
    plt.show()
    

    ---

    本サイトは金子邦彦研究室のWebページです．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）