/
mnist.py
140 lines (114 loc) · 4.25 KB
/
mnist.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
# -*- coding: utf-8 -*-
'''
Created on 2015/10/26
@author: gocho
'''
"""
chainerを使ったmnistの画像データの分析。mnistの画像は28*28
dataの作り方はchainerのサンプルそのまま使ってみる。
モデルの構造は http://cdn-ak.f.st-hatena.com/images/fotolife/a/aidiary/20150626/20150626203849.png を参考にした
参考にしたサイト http://aidiary.hatenablog.com/entry/20151007/1444223445
https://github.com/pfnet/chainer/blob/master/examples/mnist/train_mnist.py
"""
import chainer
import chainer.functions as F
from chainer import optimizers
import numpy as np
from pylab import *
import time
import data
#学習のパラメータ
batchsize = 100
n_epoch = 20
#データセットの準備
print('load MNIST dataset')
mnist = data.load_mnist_data()
mnist['data'] = mnist['data'].astype(np.float32)
mnist['data'] /= 255
mnist['target'] = mnist['target'].astype(np.int32)
# 訓練データとテストデータに分割
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
# 画像を (nsample, channel, height, width) の4次元テンソルに変換
# MNISTはチャンネル数が1なのでreshapeだけでOK
X_train = x_train.reshape((len(x_train), 1, 28, 28))
X_test = x_test.reshape((len(x_test), 1, 28, 28))
#モデル定義
model = chainer.FunctionSet(
conv1=F.Convolution2D(1, 20, ksize=5),
conv2=F.Convolution2D(20, 50, ksize=5),
l1=F.Linear(800, 500),
l2=F.Linear(500, 10)
)
#順伝播の定義
def forward(x_data, y_data, train=True):
x, t = chainer.Variable(x_data), chainer.Variable(y_data)
#1層目の畳み込みの後にプーリング層
h1 = F.max_pooling_2d(F.relu(model.conv1(x)), 2)
#2層目の畳み込みの後にプーリング層
h2 = F.max_pooling_2d(F.relu(model.conv2(h1)), 2)
#3層目の出力
h3 = F.dropout(F.relu(model.l1(h2)), train=train)
#yの出力
y = model.l2(h3)
# 訓練時とテスト時で返す値を変える
if train:
# 訓練時は損失を返す
# 多値分類なのでクロスエントロピーを使う
loss = F.softmax_cross_entropy(y, t)
return loss
else:
# テスト時は精度を返す
acc = F.accuracy(y, t)
return acc
# Optimizerをセット
# 最適化対象であるパラメータ集合のmodelを渡しておく
optimizer = optimizers.Adam()
optimizer.setup(model)
#誤差と精度を書くためのファイルを用意
fp1 = open("accuracy.txt", "w")
fp2 = open("loss.txt", "w")
fp1.write("epoch\ttest_accuracy\n")
fp2.write("epoch\ttrain_loss\n")
#訓練ループ
#各エポックでテスト精度を求める
start_time = time.clock()
for epoch in range(1, n_epoch + 1):
print "epoch: %d" % epoch
nowtime = time.clock()
print "elapsed time", nowtime - start_time
#訓練データを用いてパラメータを更新する
perm = np.random.permutation(N)
sum_loss = 0
for i in range(0, N, batchsize):
x_batch = np.asarray(X_train[perm[i:i + batchsize]])
y_batch = np.asarray(y_train[perm[i:i + batchsize]])
optimizer.zero_grads()
loss = forward(x_batch, y_batch)
loss.backward()
optimizer.update()
sum_loss += float(loss.data) * len(y_batch)
print "train mean loss: %f" % (sum_loss / N)
fp2.write("%d\t%f\n" % (epoch, sum_loss / N))
fp2.flush()
#テストデータを用いて精度を評価する
sum_accuracy = 0
for i in range(0, N_test, batchsize):
x_batch = np.asarray(X_test[i:i + batchsize])
y_batch = np.asarray(y_test[i:i + batchsize])
acc = forward(x_batch, y_batch, train=False)
sum_accuracy += float(acc.data) * len(y_batch)
print "test accuracy: %f" % (sum_accuracy / N_test)
fp1.write("%d\t%f\n" % (epoch, sum_accuracy / N_test))
fp1.flush()
end_time = time.clock()
print "time:" , end_time - start_time
fp1.close()
fp2.close()
#学習したモデルを保存する
import cPickle
# CPU環境でも学習済みモデルを読み込めるようにCPUに移してからダンプ
#model.to_cpu()
cPickle.dump(model, open("model.pkl", "wb"), -1)