def test_nn_regression(model, x_test, y_test):
"""
回帰タイプのNNを学習させる
@param model: NNの構造モデルオブジェクト
@param x_test: テストデータの特徴量
@param y_test: テストデータの教師信号
@return: 予測結果のリスト、ロスのリスト
"""
# テストサンプル数
test_sample_size = len(x_test)
sum_loss = 0
# 実際の出力クラスとその確信度
predicted_value_list = []
loss_list = []
for i in xrange(0, test_sample_size):
x_batch = x_test[i:i+1]
y_batch = y_test[i:i+1]
# 順伝播させて誤差と予測値を算出
loss, predicted = forward_data_regression(model, x_batch, y_batch, train=False)
# 結果の格納
predicted_value_list.append(float(cuda.to_cpu(predicted.data)))
loss_list.append(float(cuda.to_cpu(loss.data)))
sum_loss += float(cuda.to_cpu(loss.data))
return predicted_value_list, loss_list
def train_nn_regression(model,
x_train,
y_train,
batchsize,
epoch_num,
test_flag=False,
x_test=None,
y_test=None,
print_flag=False):
"""
回帰タイプのNNを学習させる
Adamと呼ばれるパラメータの最適化手法を使用
@param model: NNの構造モデルオブジェクト
@param x_train: トレーニングデータの特徴量
@param y_train: トレーニングデータの教師信号
@param batchsize: 確率的勾配降下法で学習させる際の1回分のバッチサイズ
@param epoch_num: エポック数（1データセットの学習繰り返し数）
@keyword test_flag: テストデータの識別率を学習と同時並行して出力
"""
# Adadeltaで学習
opts = optimizers.AdaDelta() # class typeと違うよ
opts.setup(model)
if print_flag:
pace = 10 # 何epochごとに結果を出力するか
if test_flag:
pace = 10 # 何epochごとに結果を出力するか
test_sample_size = len(x_test)
#データ数
sample_num = len(x_train)
#学習ループ
# 識別率とロス
sum_accuracy = 0
sum_loss = 0
for epoch in xrange(1, epoch_num + 1):
# サンプルの順番をランダムに並び替える
perm = np.random.permutation(
sample_num) # permutationはshuffleと違い、新しいリストを生成する
# 1epochにおける識別率
sum_accuracy_on_epoch = 0
sum_loss_on_epoch = 0
# データをバッチサイズごとに使って学習
# 今回バッチサイズは1なので、サンプルサイズ数分学習
for i in xrange(0, sample_num, batchsize):
x_batch = x_train[perm[i:i + batchsize]]
y_batch = y_train[perm[i:i + batchsize]]
# 勾配(多分、偏微分分のgrad)を初期化
opts.zero_grads()
# 順伝播させて誤差と予測結果を算出
loss, predicted = forward_data_regression(model, x_batch, y_batch)
# 誤差逆伝播で勾配を計算
loss.backward()
# 勾配(gradを使って本物のweight)を更新
opts.update()
# ロスの算出
sum_loss_on_epoch += float(cuda.to_cpu(loss.data))
# 識別率とロスの積算
loss_on_epoch = sum_loss_on_epoch / (sample_num / batchsize)
sum_loss += loss_on_epoch
if print_flag:
if epoch % pace == 0:
print 'epoch', epoch
print 'train now: loss={}'.format(loss_on_epoch)
#print 'train mean: loss={}, accuracy={}'.format(sum_loss / epoch, sum_accuracy / epoch)
# テストデータでの誤差と、正解精度を表示。汎化性能を確認。 #########################
if test_flag:
if epoch % pace == 0:
predicted_value_list, loss_list = test_nn_regression(
model, x_test, y_test)
print 'test: loss={}, teach={}, predicted={}'.format(
np.average(loss_list), y_test, predicted_value_list)
# test_sum_accuracy = 0
# test_sum_loss = 0
#
# acc_t=np.zeros(((test_sample_size/batchsize), 5))
# for i in xrange(0, test_sample_size, batchsize):
# x_batch = x_test[i:i+batchsize]
# y_batch = y_test[i:i+batchsize]
#
# # 順伝播させて誤差と精度を算出
# loss, predicted = forward_data_reg(model, x_batch, y_batch, train=False)
# acc_t[i][0]=float(cuda.to_cpu(loss.data))
# acc_t[i][1]=float(cuda.to_cpu(predicted.data))
# acc_t[i][2]=float(cuda.to_cpu(y_batch)) #教師信号
#
# test_sum_loss += float(cuda.to_cpu(loss.data))
#
# # テストデータでの誤差と、正解精度を表示
# print 'test: loss={}'.format(test_sum_loss / (test_sample_size / batchsize))
return opts
def train_nn_regression(model, x_train, y_train, batchsize, epoch_num, test_flag = False, x_test = None, y_test = None, print_flag = False):
"""
回帰タイプのNNを学習させる
Adamと呼ばれるパラメータの最適化手法を使用
@param model: NNの構造モデルオブジェクト
@param x_train: トレーニングデータの特徴量
@param y_train: トレーニングデータの教師信号
@param batchsize: 確率的勾配降下法で学習させる際の1回分のバッチサイズ
@param epoch_num: エポック数（1データセットの学習繰り返し数）
@keyword test_flag: テストデータの識別率を学習と同時並行して出力
"""
# Adadeltaで学習
opts = optimizers.AdaDelta() # class typeと違うよ
opts.setup(model)
if print_flag:
pace = 10 # 何epochごとに結果を出力するか
if test_flag:
pace = 10 # 何epochごとに結果を出力するか
test_sample_size = len(x_test)
#データ数
sample_num = len(x_train)
#学習ループ
# 識別率とロス
sum_accuracy = 0
sum_loss = 0
for epoch in xrange(1, epoch_num+1):
# サンプルの順番をランダムに並び替える
perm = np.random.permutation(sample_num) # permutationはshuffleと違い、新しいリストを生成する
# 1epochにおける識別率
sum_accuracy_on_epoch = 0
sum_loss_on_epoch = 0
# データをバッチサイズごとに使って学習
# 今回バッチサイズは1なので、サンプルサイズ数分学習
for i in xrange(0, sample_num, batchsize):
x_batch = x_train[perm[i:i+batchsize]]
y_batch = y_train[perm[i:i+batchsize]]
# 勾配(多分、偏微分分のgrad)を初期化
opts.zero_grads()
# 順伝播させて誤差と予測結果を算出
loss, predicted = forward_data_regression(model, x_batch, y_batch)
# 誤差逆伝播で勾配を計算
loss.backward()
# 勾配(gradを使って本物のweight)を更新
opts.update()
# ロスの算出
sum_loss_on_epoch += float(cuda.to_cpu(loss.data))
# 識別率とロスの積算
loss_on_epoch = sum_loss_on_epoch / (sample_num / batchsize)
sum_loss += loss_on_epoch
if print_flag:
if epoch % pace == 0:
print 'epoch', epoch
print 'train now: loss={}'.format(loss_on_epoch)
#print 'train mean: loss={}, accuracy={}'.format(sum_loss / epoch, sum_accuracy / epoch)
# テストデータでの誤差と、正解精度を表示。汎化性能を確認。 #########################
if test_flag:
if epoch % pace == 0:
predicted_value_list, loss_list = test_nn_regression(model, x_test, y_test)
print 'test: loss={}, teach={}, predicted={}'.format(np.average(loss_list), y_test, predicted_value_list)
# test_sum_accuracy = 0
# test_sum_loss = 0
#
# acc_t=np.zeros(((test_sample_size/batchsize), 5))
# for i in xrange(0, test_sample_size, batchsize):
# x_batch = x_test[i:i+batchsize]
# y_batch = y_test[i:i+batchsize]
#
# # 順伝播させて誤差と精度を算出
# loss, predicted = forward_data_reg(model, x_batch, y_batch, train=False)
# acc_t[i][0]=float(cuda.to_cpu(loss.data))
# acc_t[i][1]=float(cuda.to_cpu(predicted.data))
# acc_t[i][2]=float(cuda.to_cpu(y_batch)) #教師信号
#
# test_sum_loss += float(cuda.to_cpu(loss.data))
#
# # テストデータでの誤差と、正解精度を表示
# print 'test: loss={}'.format(test_sum_loss / (test_sample_size / batchsize))
return opts
