import matplotlib.pyplot as plt
from dataset.mnist import load_mnist
from ch07.simple_convnet import SimpleConvNet
from common.trainer import Trainer
# 读入数据
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=False)
# 处理花费时间较长的情况下减少数据
#x_train, t_train = x_train[:5000], t_train[:5000]
#x_test, t_test = x_test[:1000], t_test[:1000]
max_epochs = 20
network = SimpleConvNet(input_dim=(1,28,28),
conv_param = {'filter_num': 30, 'filter_size': 5, 'pad': 0, 'stride': 1},
hidden_size=100, output_size=10, weight_init_std=0.01)
trainer = Trainer(network, x_train, t_train, x_test, t_test,
epochs=max_epochs, mini_batch_size=100,
optimizer='Adam', optimizer_param={'lr': 0.001},
evaluate_sample_num_per_epoch=1000)
trainer.train()
# 保存参数
network.save_params("params.pkl")
print("Saved Network Parameters!")
# 绘制图形
markers = {'train': 'o', 'test': 's'}
x = np.arange(max_epochs)
"""
SimpleConvNet (간단한 CNN)을 활용한 MNIST 손글씨 이미지 데이터 분류
"""
import numpy
from matplotlib import pyplot as plt
from ch07.simple_convnet import SimpleConvNet
from common.trainer import Trainer
from dataset.mnist import load_mnist
# 데이터 로드
(X_train, Y_train), (X_test, Y_test) = load_mnist(flatten=False)
# 테스트 시간을 줄이기 위해서 데이터 사이즈를 줄임.
# X_train, Y_train = X_train[:5000], Y_train[:5000]
# X_test, Y_test = X_test[:1000], Y_test[:1000]
# CNN 생성
cnn = SimpleConvNet()
# 테스트 도우미 클래스
trainer = Trainer(network=cnn,
x_train=X_train,
t_train=Y_train,
x_test=X_test,
t_test=Y_test,
epochs=20,
mini_batch_size=100,
optimizer='Adam',
optimizer_param={'lr': 0.01},
ncols) # ceil = ceiling # 올림한 숫자 # floor() - 소숫점 버려버리기
# num_filters = 30일 때, ncol = 8면, nrow = 4 => 컬럼 갯수가 있으면 row는 계산하면 된다
for i in range(num_filters): #필터 개수만큼 반복
# subplot 설정
plt.subplot(nrows, ncols, (i + 1), xticks=[], yticks=[])
# subplot에 이미지 그리기
plt.imshow(filters[i, 0], cmap='gray')
# 5 * 5 행렬이 추출된다
# 4차원 행렬 [ [3차원], [3차원] ... ] 에서, i번째
# -> [3차원] 리스트 한개를 꺼내서 ->
# [i,0]은 이 3차원 리스트에서 0번째 판한개를 꺼내주는 것
plt.show()
if __name__ == '__main__':
cnn = SimpleConvNet()
# 학습시키기 전 파라미터 - 임의의 값들로 최기화된 필터
before_filters = cnn.params['W1']
print(before_filters.shape
) # (30, 1, 5, 5) # (filter_num, n_channel, filter size 5 * 5)
# 학습 전 파라미터를 그래프로 출력
show_filters(before_filters, num_filters=30, ncols=8)
# 학습 끝난 후 파라미터
# after_params = cnn.load_params('cnn_params.pkl')
# after_filters = after_params['W1'] # load_params 에 리턴값이 없어서 에러가 났다
# pickle 파일에 저장된 파라미터를 cnn의 필드로 로드
cnn.load_params('cnn_params.pkl')
after_filters = cnn.params['W1']
# 학습 끝난 후 갱신(업데이트)된 파라미터를 그래프로 출력
from ch07.simple_convnet import SimpleConvNet
def filter_show(filters, nx=8, margin=3, scale=10):
"""
c.f. https://gist.github.com/aidiary/07d530d5e08011832b12#file-draw_weight-py
"""
FN, C, FH, FW = filters.shape
ny = int(np.ceil(FN / nx))
fig = plt.figure()
fig.subplots_adjust(left=0,
right=1,
bottom=0,
top=1,
hspace=0.05,
wspace=0.05)
for i in range(FN):
ax = fig.add_subplot(ny, nx, i + 1, xticks=[], yticks=[])
ax.imshow(filters[i, 0], cmap=plt.cm.gray_r, interpolation='nearest')
plt.show()
network = SimpleConvNet()
# ランダム初期化後の重み
filter_show(network.params['W1'])
# 学習後の重み
network.load_params("params.pkl")
filter_show(network.params['W1'])