def cnn_3d_shrec_usdf(n_fold):
# PSB ボクセルデータ(Train/Test双方に存在するクラスのデータのみ)
data = SHRECVoxelUSDF.create_shrec_voxel_usdf(n_fold=n_fold)
from CubicCNN.src.util.plotutil import plot_voxel
for x, y in zip(data.x_test[:, 0], data.y_test):
print y
plot_voxel(x == 10)
# データの順番をランダムに入れ替え
data.shuffle()
# データセットの次元ごとの要素数確認
print data
# 学習モデル生成関数
def layer_gen():
l1 = ConvLayer3d(layer_id=0,
shape_size=data.data_shape,
activation=calcutil.relu,
c_in=1,
c_out=16,
k=5,
s=3,
is_dropout=True)
l2 = MaxPoolLayer3d(layer_id=1,
shape_size=l1.output_size,
activation=calcutil.identity,
c_in=16,
k=4)
l3 = HiddenLayer(layer_id=2,
n_in=l2.n_out,
n_out=512,
activation=calcutil.relu,
is_dropout=True)
l4 = HiddenLayer(layer_id=3,
n_in=l3.n_out,
n_out=256,
activation=calcutil.relu,
is_dropout=True)
l5 = SoftMaxLayer(layer_id=4, n_in=l4.n_out, n_out=len(data.classes()))
layers = [l1, l2, l3, l4, l5]
return layers
# 学習モデル
model = Model(input_dtype='float32', layers_gen_func=layer_gen)
print model
# 学習モデルの学習パラメタを最適化するオブジェクト
optimizer = Optimizer(data, model)
# バッチ一回分の学習時に呼ばれる関数
def on_optimized():
optimizer.result.save()
optimizer.params_result.save()
# 最適化開始
optimizer.optimize(n_iter=100,
n_batch=len(data.x_train) / 10,
is_total_test_enabled=False,
on_optimized=on_optimized)
def test_shrec_voxel():
"""
unittestを使わないSHRECVoxelの簡易テスト
:return:
"""
# TODO:SHRECデータセットをダウンロード・binvox変換の機構ができたら適宜unittest対応
classes = parse_cla(PATH_RES_SHAPE_SHREC_CLASS_TEST_CLA).keys()
shrec = SHRECVoxel.create_shrec_voxel(n_fold=6)
for x, y in zip(shrec.x_train, shrec.y_train):
print classes[y]
plot_voxel(x[0])
def cnn_3d_shrec_usdf(n_fold):
# PSB ボクセルデータ(Train/Test双方に存在するクラスのデータのみ)
data = SHRECVoxelUSDF.create_shrec_voxel_usdf(n_fold=n_fold)
from CubicCNN.src.util.plotutil import plot_voxel
for x, y in zip(data.x_test[:, 0], data.y_test):
print y
plot_voxel(x == 10)
# データの順番をランダムに入れ替え
data.shuffle()
# データセットの次元ごとの要素数確認
print data
# 学習モデル生成関数
def layer_gen():
l1 = ConvLayer3d(layer_id=0, shape_size=data.data_shape,
activation=calcutil.relu, c_in=1, c_out=16, k=5,
s=3, is_dropout=True)
l2 = MaxPoolLayer3d(layer_id=1, shape_size=l1.output_size,
activation=calcutil.identity, c_in=16, k=4)
l3 = HiddenLayer(layer_id=2, n_in=l2.n_out, n_out=512,
activation=calcutil.relu, is_dropout=True)
l4 = HiddenLayer(layer_id=3, n_in=l3.n_out, n_out=256,
activation=calcutil.relu, is_dropout=True)
l5 = SoftMaxLayer(layer_id=4, n_in=l4.n_out, n_out=len(data.classes()))
layers = [l1, l2, l3, l4, l5]
return layers
# 学習モデル
model = Model(input_dtype='float32', layers_gen_func=layer_gen)
print model
# 学習モデルの学習パラメタを最適化するオブジェクト
optimizer = Optimizer(data, model)
# バッチ一回分の学習時に呼ばれる関数
def on_optimized():
optimizer.result.save()
optimizer.params_result.save()
# 最適化開始
optimizer.optimize(n_iter=100, n_batch=len(data.x_train) / 10,
is_total_test_enabled=False, on_optimized=on_optimized)
