AI 事始め9：いよいよ Get Started with TensorFlow :Fashion MNIST 編

まだまだ寄り道したい処はありますが、Get Started with TensorFlowに進むことにします。Start with these beginner-friendly notebook examples, then read the TensorFlow Keras guide.と書かれてますので、訳も分からず、冒頭のコードをコピーして、Anaconda　Navigatorを起動して、既に作成したtensorflowの環境から、Open with Jyupiter Notebookを開き、Homeの[New]から新しい[Python 3]を選択して新しいノートを開き、貼り付けました。そのまま、RUNすると、まともに動作しているように見えます。

 これを見ただけでは、何をやっているのか、皆目見当もつきません。気になりますが放置します。

1. Basic classificationを覘いてみました。

少し、詳しく書かれています、Fashion MNIST というdatasetを用いた例題のようです。

同様に、新しいJyupiter Notebookを開き、愚直にコピペしてJyupiter Notebookを作成します。コピペして、[Shift][Enter]で、即実行され、デバッグも容易そうです。

import matplotlib.pyplot as plt　の所でエラーです。まだ、matplotlibを使用しているAnaconda環境にインストールしていませんでした。使用しているtensorflow環境でTerminalを開き、

pip install matplotlib　と入力してインストールしました。

再度、Jyupiter Notebookを開いて、コードを加えていきます。

model.fit(train_images, train_labels, epochs=5)を実行させると、

<tensorflow.python.keras.callbacks.History at 0x23196160f98>

と吐き出して、エラーかな？。お手上げか？無視して、次のコードを入力して、[Shift][Enter]すると、正常動作している。エラーでは無いようです。

最後まで、エラー無しで入力でき、Basic classificationに記述されている結果とも、細かな数字の差異はありますが、動作は一致しています。（当たり前かな？）環境の準備段階では書類間に不整合がありましたので、一抹の不安があったのですが、お見事です。ひと昔前では考えられないような複雑な深層学習を、たったこれだけの記述で、中古のPCでも２分掛からずに実行できてしまうことに驚愕しました。

先人達の知能に敬意を払うとともに、このような足跡を残してくれた事に感謝します。動作の仕組みは皆目わかりませんが、シロウトでもフォローできた備忘録として、作成したJyupiter Notebookを残しておきます。

In [31]:

# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras  # 最新のtensorflowにはkerasが同梱されているのかな？

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

 

1.11.0

In [3]:

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

In [4]:

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

In [5]:

train_images.shape

Out[5]:

(60000, 28, 28)

In [6]:

len(train_labels)

Out[6]:

60000

In [7]:

train_labels

Out[7]:

array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)

In [8]:

test_images.shape

Out[8]:

(10000, 28, 28)

In [9]:

len(test_labels)

Out[9]:

10000

In [10]:

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)

 

In [11]:

train_images = train_images / 255.0

test_images = test_images / 255.0

In [12]:

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(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])

 

In [13]:

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

In [14]:

model.compile(optimizer=tf.train.AdamOptimizer(), 
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

In [15]:

model.fit(train_images, train_labels, epochs=5)

 

Epoch 1/5
60000/60000 [==============================] - 3s 44us/step - loss: 0.4964 - acc: 0.8258
Epoch 2/5
60000/60000 [==============================] - 2s 40us/step - loss: 0.3783 - acc: 0.8629
Epoch 3/5
60000/60000 [==============================] - 2s 39us/step - loss: 0.3395 - acc: 0.8760
Epoch 4/5
60000/60000 [==============================] - 3s 42us/step - loss: 0.3153 - acc: 0.8842
Epoch 5/5
60000/60000 [==============================] - 2s 40us/step - loss: 0.2980 - acc: 0.8894

Out[15]:

<tensorflow.python.keras.callbacks.History at 0x252ec4e5390>

In [16]:

test_loss, test_acc = model.evaluate(test_images, test_labels)

print('Test accuracy:', test_acc)

 

10000/10000 [==============================] - 0s 27us/step
Test accuracy: 0.8561

In [17]:

predictions = model.predict(test_images)

In [18]:

predictions[0]

Out[18]:

array([1.7286059e-06, 8.9293950e-10, 2.2988564e-09, 5.8621535e-10,
       1.2936779e-07, 2.2598982e-02, 2.5559504e-07, 1.8681921e-01,
       4.3079314e-07, 7.9057926e-01], dtype=float32)

In [19]:

np.argmax(predictions[0])

Out[19]:

9

In [20]:

test_labels[0]

Out[20]:

9

In [21]:

def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
  plt.grid(False)
  plt.xticks([])
  plt.yticks([])
  
  plt.imshow(img, cmap=plt.cm.binary)

  predicted_label = np.argmax(predictions_array)
  if predicted_label == true_label:
    color = 'blue'
  else:
    color = 'red'
  
  plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

def plot_value_array(i, predictions_array, true_label):
  predictions_array, true_label = predictions_array[i], true_label[i]
  plt.grid(False)
  plt.xticks([])
  plt.yticks([])
  thisplot = plt.bar(range(10), predictions_array, color="#777777")
  plt.ylim([0, 1]) 
  predicted_label = np.argmax(predictions_array)
 
  thisplot[predicted_label].set_color('red')
  thisplot[true_label].set_color('blue')

In [22]:

i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)

 

In [23]:

i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)

 

In [24]:

# Plot the first X test images, their predicted label, and the true label
# Color correct predictions in blue, incorrect predictions in red
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows, 2*num_cols, 2*i+1)
  plot_image(i, predictions, test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions, test_labels)

 

In [50]:

# Grab an image from the test dataset
img = test_images[0]

print(img.shape)

 

(28, 28)

In [51]:

# Add the image to a batch where it's the only member.
img = (np.expand_dims(img,0))

print(img.shape)

 

(1, 28, 28)

In [52]:

predictions_single = model.predict(img)

print(predictions_single)

 

1.7286059e-06 8.9293950e-10 2.2988564e-09 5.8621641e-10 1.2936779e-07
  2.2598982e-02 2.5559555e-07 1.8681921e-01 4.3079234e-07 7.9057926e-01

In [53]:

plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)

 

In [54]:

np.argmax(predictions_single[0])

Out[54]:

9

In [30]:

#@title MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.