[サイトマップへ],

[サイト内検索へ]

TensorFlow, Keras で，MNIST データ，Fashion MNIST データを扱う（TensorFlow, Keras, Python を使用）

ニューラルネットワークの作成，訓練（学習），予測を行う． MNIST データセット，Fashion MNIST データセットを使用する．

前準備
TensorFlow, Keras で，MNIST データ，Fashion MNIST データを扱う（TensorFlow, Keras, Python を使用）
TensorFlow 2 で Fashion MNIST を扱ってみる

サイト内の関連ページ

関連の用語集は，別ページにある．

謝辞：ここで使用しているソフトウエア類の作者に感謝します．

参考Webページ:

「https://keras.io/ja/」の「30 秒で Keras に入門しましょう」
TensorFlow のチュートリアルの Web ページ: https://www.tensorflow.org/tutorials/quickstart
TensorFlow のチュートリアルの Web ページに記載のソースコードを使用している．

前準備

Python のインストール，pip と setuptools の更新，Python 開発環境のインストール

Windows の場合

Python のインストール
Python の URL: http://www.python.org/
インストール手順の詳細は：別ページで説明している．
pip と setuptools の更新，Python 開発環境（JupyterLab, spyder）のインストール
コマンドプロンプトを管理者として実行し，次のコマンドを実行．
```
python -m pip install -U pip setuptools
python -m pip install -U jupyterlab jupyter jupyter-console jupytext spyder
```

Ubuntu の場合

システム Python を使用（インストール操作は不要）

pip と setuptools の更新，Python 開発環境（JupyterLab, spyder）のインストール

次のコマンドを実行．

sudo apt -yV install python3-dev python3-pip python3-setuptools
sudo apt -yV install jupyter-qtconsole jupyter-notebook python3-jupyter-client python3-jupyter-console python3-spyder spyder3

TensorFlow, Keras のインストール

Windows でのインストール手順: 別ページで説明している．
Ubuntu でのインストール手順: 別ページで説明している．

TensorFlow 2, Keras で，MNIST データセットを扱う

Python プログラムを動かす．

※ Python プログラムを動かすために， Windows では，「python」コマンドを使う． Ubuntu では「python3」コマンドを使う．

開発環境や Python コンソール（Jupyter Qt Console，spyder，PyCharm，PyScripter など）も便利である．

データセットの準備，その確認表示

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__)

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"]

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()

（途中省略）

モデルの作成

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'])

ニューラルネットワークの確認表示
```
print(m.summary())
```
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)
```
（省略）
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) )
```
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
※ 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] )
```
正解表示
テスト画像 0 番の正解を表示
```
print( y_test[0] )
```

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()

訓練時の精度

# plt.clf()   # 図のクリア
accuracy = history.history['accuracy']
epochs = range(1, len(accuracy) + 1)

# "bo" は青いドット
plt.plot(epochs, accuracy, 'bo', label='Training accuracy')
plt.title('Training accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()

plt.show()

TensorFlow 2 で Fashion MNIST データセットを扱う