def train_nn_class(model,
x_train,
y_train,
batchsize,
epoch_num,
test_flag=False,
x_test=None,
y_test=None,
print_flag=False):
"""
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
"""
#
opts = optimizers.Adam()
opts.setup(model)
#optimizer = optimizers.MomentumSGD(lr=0.01, momentum=0.9)
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精度を算出
loss, acc, output = forward_data(model,
x_batch,
y_batch,
train=True)
# 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()
# 識別率，ロスの算出
sum_loss_on_epoch += float(cuda.to_cpu(loss.data))
sum_accuracy_on_epoch += float(cuda.to_cpu(acc.data)) # 田村さんに確認
# 識別率とロスの積算
accuracy_on_epoch = sum_accuracy_on_epoch / (sample_num / batchsize)
loss_on_epoch = sum_loss_on_epoch / (sample_num / batchsize)
sum_accuracy += accuracy_on_epoch
sum_loss += loss_on_epoch
if print_flag:
if epoch % pace == 0:
print 'epoch', epoch
print 'train now: accuracy={}, loss={}'.format(
accuracy_on_epoch, 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:
# テストデータでの誤差と、正解精度を表示
accuracy, loss, result_class_list, result_loss_list, result_class_power_list = test_nn_class(
model, x_test, y_test)
print 'test: accuracy={}, loss={}'.format(accuracy, loss)
# 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, acc, output= forward_data(model, x_batch, y_batch, train=False)
# acc_t[i][0]=loss.data
# acc_t[i][1]=acc.data
# acc_t[i][2]=y_batch #教師信号
# acc_t[i][3]=np.max(output.data)#value of max
# acc_t[i][4]=np.argmax(output.data)# 実際の出力結果
#
# test_sum_loss += float(cuda.to_cpu(loss.data))
# test_sum_accuracy += float(cuda.to_cpu(acc.data))
#
# print 'test: accuracy={}, loss={}'.format(test_sum_accuracy / (test_sample_size / batchsize), test_sum_loss / (test_sample_size / batchsize))
return opts
def train_nn_class(model, x_train, y_train, batchsize, epoch_num, test_flag = False, x_test = None, y_test = None, print_flag = False):
"""
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
"""
#
opts = optimizers.Adam()
opts.setup(model)
#optimizer = optimizers.MomentumSGD(lr=0.01, momentum=0.9)
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精度を算出
loss, acc, output = forward_data(model, x_batch, y_batch, train=True)
# 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()
# 識別率，ロスの算出
sum_loss_on_epoch += float(cuda.to_cpu(loss.data))
sum_accuracy_on_epoch += float(cuda.to_cpu(acc.data)) # 田村さんに確認
# 識別率とロスの積算
accuracy_on_epoch = sum_accuracy_on_epoch / (sample_num / batchsize)
loss_on_epoch = sum_loss_on_epoch / (sample_num / batchsize)
sum_accuracy += accuracy_on_epoch
sum_loss += loss_on_epoch
if print_flag:
if epoch % pace == 0:
print 'epoch', epoch
print 'train now: accuracy={}, loss={}'.format(accuracy_on_epoch, 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:
# テストデータでの誤差と、正解精度を表示
accuracy, loss, result_class_list, result_loss_list, result_class_power_list = test_nn_class(model, x_test, y_test)
print 'test: accuracy={}, loss={}'.format(accuracy, loss)
# 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, acc, output= forward_data(model, x_batch, y_batch, train=False)
# acc_t[i][0]=loss.data
# acc_t[i][1]=acc.data
# acc_t[i][2]=y_batch #教師信号
# acc_t[i][3]=np.max(output.data)#value of max
# acc_t[i][4]=np.argmax(output.data)# 実際の出力結果
#
# test_sum_loss += float(cuda.to_cpu(loss.data))
# test_sum_accuracy += float(cuda.to_cpu(acc.data))
#
# print 'test: accuracy={}, loss={}'.format(test_sum_accuracy / (test_sample_size / batchsize), test_sum_loss / (test_sample_size / batchsize))
return opts
x_test = mnist.data[index_list[N:N + N_test]]
y_train = mnist.target[index_list[:N]]
y_test = mnist.target[index_list[N:N + N_test]]
# N = 60000
# x_train, x_test = np.split(mnist.data, [N])
# y_train, y_test = np.split(mnist.target, [N])
# N_test = y_test.size
n_units = 1000
model = FunctionSet(l1=F.Linear(784, n_units),
l2=F.Linear(n_units, n_units),
l3=F.Linear(n_units, 10))
train_nn_class(model, x_train, y_train, 100, 20, print_flag=True)
ret = test_nn_class(model, x_test, y_test)
print "Final Result"
print "acc", ret[0]
print "loss", ret[1]
print "res", ret[2]
print "power", ret[3]
#numpy配列のtypeをfloat32またはint32にしないといけない
#トレーニングデータとテストデータに分ける
# x_train = np.array(dataset[0:460, :30], dtype=np.float32)
# x_test = np.array(dataset[460:, :30], dtype=np.float32)
# y_train = np.array(dataset[0:460, -1], dtype=np.int32)
# y_test = np.array(dataset[460:, -1], dtype=np.int32)
# Regressionタイプ
if False:
pass
x_test = mnist.data[index_list[N:N+N_test]]
y_train = mnist.target[index_list[:N]]
y_test = mnist.target[index_list[N:N+N_test]]
# N = 60000
# x_train, x_test = np.split(mnist.data, [N])
# y_train, y_test = np.split(mnist.target, [N])
# N_test = y_test.size
n_units = 1000
model = FunctionSet(l1=F.Linear(784, n_units),
l2=F.Linear(n_units, n_units),
l3=F.Linear(n_units, 10))
train_nn_class(model, x_train, y_train, 100, 20, print_flag=True)
ret = test_nn_class(model, x_test, y_test)
print "Final Result"
print "acc", ret[0]
print "loss", ret[1]
print "res", ret[2]
print "power", ret[3]
#numpy配列のtypeをfloat32またはint32にしないといけない
#トレーニングデータとテストデータに分ける
# x_train = np.array(dataset[0:460, :30], dtype=np.float32)
# x_test = np.array(dataset[460:, :30], dtype=np.float32)
# y_train = np.array(dataset[0:460, -1], dtype=np.int32)
# y_test = np.array(dataset[460:, -1], dtype=np.int32)
# Regressionタイプ
if False:
pass