keras 確認

import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist

# MNISTは「エムニスト」とは、手書きで書かれた数字を画像にした画像データ(image)と、
# その画像に書かれた数字を表すラベルデータ(label)から構成されます。
'''
MNISTデータ
　├ 学習用データ (60,000個)
　│ 　├ 画像データ
　│ 　└ ラベルデータ
　│
　└ 検証用データ (10,000個)
　　 　├ 画像データ
　　 　└ ラベルデータ
'''
import tensorflow as tf
SEED=42 # 乱数のシード指定
np.random.seed(SEED)
tf.set_random_seed(SEED)

from keras.models import Sequential, load_model
(X_train,y_train),(X_test,y_test) = mnist.load_data()

from keras.utils.np_utils import to_categorical
X_train = X_train.reshape(X_train.shape[0], 784)[:6000]
X_test = X_test.reshape(X_test.shape[0], 784)[:1000]

# one-hotベクトルの分類情報
y_train = to_categorical(y_train)[:6000]
y_test = to_categorical(y_test)[:1000]

# 
# モデル作成 https://keras.io/ja/getting-started/sequential-model-guide/
from keras.layers import Activation,Dense,Dropout
model = Sequential()
# 784個（255＊255）のノードからそれぞれ256個の出力があり、次の層のノードが256個とする。
model.add(Dense(256,input_dim=784)) 
model.add(Activation("sigmoid"))
model.add(Dense(128))
model.add(Activation("sigmoid"))
model.add(Dropout(rate=0.5))
model.add(Dense(10))
model.add(Activation("softmax"))

from keras import optimizers
#sgd = optimizers.SGD(lr=0.1) # 学習率のハイパーパラメタ指定
#model.compile(optimizer=sgd, loss="categorical_crossentropy", metrics=["accuracy"])
model.compile(optimizer="sgd", loss="categorical_crossentropy", metrics=["accuracy"])

# 以上で作ったモデルを、以下で可視化
from keras.utils.vis_utils import plot_model
import matplotlib.pyplot as plt

plot_model(model,"check.png", show_layer_names=False)
# モデル構造を可視化します
image = plt.imread("check.png")
plt.figure(dpi=150)
plt.imshow(image)
plt.show()



# epochs 数は 5 を指定して学習！（verbos:冗長? の指定で進捗度合いを出力させる）
history = model.fit(X_train, y_train, batch_size=500, epochs=5, verbose=1, validation_data=(X_test, y_test))
'''
verbos=0とすると標準出力にログを出力しません． 1の場合はログをプログレスバーで標準出力，2の場合はエポックごとに1行のログを出力します．
Train on 6000 samples, validate on 1000 samples
# epochs 数は 5 を指定して学習！（verbos:冗長? の指定で進捗度合いを出力させる）
... history = model.fit(X_train, y_train, batch_size=500, epochs=5, verbose=1, validation_data=(X_test, y_test))
Train on 6000 samples, validate on 1000 samples
Epoch 1/5
6000/6000 [==============================] - 1s 121us/step - loss: 2.6951 - acc: 0.1072 - val_loss: 2.3948 - val_acc: 0.1280
Epoch 2/5
6000/6000 [==============================] - 1s 87us/step - loss: 2.5092 - acc: 0.1158 - val_loss: 2.2786 - val_acc: 0.1420
Epoch 3/5
6000/6000 [==============================] - 1s 94us/step - loss: 2.4186 - acc: 0.1373 - val_loss: 2.2196 - val_acc: 0.1840
Epoch 4/5
6000/6000 [==============================] - 1s 101us/step - loss: 2.3814 - acc: 0.1345 - val_loss: 2.1806 - val_acc: 0.3120
Epoch 5/5
6000/6000 [==============================] - 1s 87us/step - loss: 2.3415 - acc: 0.1500 - val_loss: 2.1503 - val_acc: 0.4000

'''






# acc、val_acc のプロットです
plt.plot(history.history["acc"], label="acc", ls="-", marker="o")
plt.plot(history.history["val_acc"], label="val_acc", ls="-", marker="x")
plt.ylabel("accuracy")
plt.xlabel("epoch")
plt.legend(loc="best") # 
plt.show()



# testデータでモデルを評価する(verbose: 進行状況メッセージ出力モード: 0 or 1)
score = model.evaluate(X_test, y_test, verbose=1)
'''1000/1000 [==============================] - 0s 84us/step
'''


print('''
evalute loss:{0[0]}
evalute acc:{0[1]}
'''.format(score))

'''
evalute loss:2.15030454826355
evalute acc:0.4
'''


probability = model.predict(  X_test[10:20]  )
print(probability)
[[0.14415069 0.08446533 0.11078702 0.12334782 0.11395957 0.07484118 0.12660724 0.08599582 0.06163667 0.07420866]
 [0.12726326 0.10824199 0.0819711  0.11287815 0.13967907 0.06979022 0.11194122 0.06838155 0.08610437 0.09374905]
 [0.08024845 0.07635728 0.09703464 0.1017937  0.10827857 0.11351979 0.0924567  0.10579664 0.08690663 0.13760757]
 [0.11739478 0.09433986 0.09640167 0.08913052 0.13698903 0.07648548 0.12222236 0.10530706 0.07533531 0.0863939 ]
 [0.09724768 0.13787869 0.09883621 0.09311901 0.10877404 0.06132979 0.12109344 0.09385933 0.10108745 0.08677443]
 [0.13241273 0.08383322 0.08414117 0.11532073 0.12694813 0.08458813 0.1306643  0.08163142 0.09250057 0.0679596 ]
 [0.10304032 0.08552153 0.09862942 0.08368181 0.12866572 0.11008494 0.07894816 0.09331998 0.0922981  0.12581007]
 [0.10739273 0.07927656 0.07711172 0.11005354 0.10661541 0.09210152 0.09112577 0.12841484 0.08255335 0.12535456]
 [0.09595173 0.09807979 0.11927406 0.12386177 0.10985649 0.08140141 0.10174388 0.1001775  0.08864204 0.08101133]
 [0.09146903 0.07420243 0.08500359 0.12064636 0.1303262  0.10547653 0.10356725 0.0898888  0.07774256 0.12167726]]


pred = np.argmax(probability, axis=1)
print(pred)
# [0 4 9 4 1 0 4 7 3 4]


# X_test[10:20] のデータを上記で群類判定したが、そのテスト対象を視覚化する。
for i in range(10):
    plt.subplot(1,10, i+1)
    plt.imshow(X_test[10+i].reshape((28,28)), "gray")

plt.show()

#
keras 確認

keras を試す
