• R/O
  • HTTP
  • SSH
  • HTTPS

提交

標籤
無標籤

Frequently used words (click to add to your profile)

javac++androidlinuxc#windowsobjective-ccocoa誰得qtpythonphprubygameguibathyscaphec計画中(planning stage)翻訳omegatframeworktwitterdomtestvb.netdirectxゲームエンジンbtronarduinopreviewer

TensorFlowサンプルコード


Commit MetaInfo

修訂89734daf58fc074503ecd51ed82614ec6068aa98 (tree)
時間2018-02-16 22:55:02
作者hylom <hylom@hylo...>
Commiterhylom

Log Message

add Deep Learning and CNN codes

Change Summary

差異

--- /dev/null
+++ b/cnn/cnn_learning.py
@@ -0,0 +1,233 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os
5+import tensorflow as tf
6+import time
7+
8+# 入力画像の幅・高さ・チャネル数
9+INPUT_WIDTH = 100
10+INPUT_HEIGHT = 100
11+INPUT_CHANNELS = 3
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+
14+# 1つめの畳み込み-プーリング層のパラメータ
15+CONV1_SIZE = 5 # 畳み込みフィルタのサイズ
16+CONV1_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
17+CONV1_CHANNELS = 32 # 畳み込み層の出力チャネル数
18+POOL1_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
19+POOL1_STRIDE = [1, 2, 2, 1] # プーリングのストライド
20+
21+# 2つめの畳み込み-プーリング層のパラメータ
22+CONV2_SIZE = 5 # 畳み込みフィルタのサイズ
23+CONV2_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
24+CONV2_CHANNELS = 32 # 畳み込み層の出力チャネル数
25+POOL2_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
26+POOL2_STRIDE = [1, 2, 2, 1] # プーリングのストライド
27+
28+# 全結合層のサイズ
29+W5_SIZE=25 * 25 * CONV2_CHANNELS
30+
31+# 出力サイズ
32+OUTPUT_SIZE = 3
33+LABEL_SIZE = OUTPUT_SIZE
34+
35+TEACH_FILES = ["../data2/teach_cat.tfrecord",
36+ "../data2/teach_dog.tfrecord",
37+ "../data2/teach_monkey.tfrecord"]
38+TEST_FILES = ["../data2/test_cat.tfrecord",
39+ "../data2/test_dog.tfrecord",
40+ "../data2/test_monkey.tfrecord"]
41+MODEL_FILE = "./cnn_model"
42+
43+
44+# 結果をそろえるために乱数の種を指定
45+tf.set_random_seed(1111)
46+
47+## 入力と計算グラフを定義
48+with tf.variable_scope('model') as scope:
49+
50+ # 入力(=第1層)および正答を入力するプレースホルダを定義
51+ x1 = tf.placeholder(dtype=tf.float32, name="x1")
52+ y = tf.placeholder(dtype=tf.float32, name="y")
53+
54+ # 第2層(畳み込み処理)
55+ W1 = tf.get_variable("W1",
56+ shape=[CONV1_SIZE, CONV1_SIZE, INPUT_CHANNELS, CONV1_CHANNELS],
57+ dtype=tf.float32,
58+ initializer=tf.random_normal_initializer(stddev=0.01))
59+
60+ b1 = tf.get_variable("b1",
61+ shape=[CONV1_CHANNELS],
62+ dtype=tf.float32,
63+ initializer=tf.random_normal_initializer(stddev=0.01))
64+ u1 = tf.nn.bias_add(tf.nn.conv2d(x1, W1, CONV1_STRIDE, "SAME"), b1, name="u1")
65+ x2 = tf.nn.relu(u1, name="x2")
66+
67+ # 第3層(プーリング層)
68+ x3 = tf.nn.max_pool(x2, POOL1_SIZE, POOL1_STRIDE, "SAME", name="x3")
69+
70+ # 第4層(畳み込み処理)
71+ W3 = tf.get_variable("W3",
72+ shape=[CONV2_SIZE, CONV2_SIZE, CONV1_CHANNELS, CONV2_CHANNELS],
73+ dtype=tf.float32,
74+ initializer=tf.random_normal_initializer(stddev=0.01))
75+
76+ b3 = tf.get_variable("b3",
77+ shape=[CONV2_CHANNELS],
78+ dtype=tf.float32,
79+ initializer=tf.random_normal_initializer(stddev=0.01))
80+ u3 = tf.nn.bias_add(tf.nn.conv2d(x3, W3, CONV1_STRIDE, "SAME"), b3, name="u3")
81+ x4 = tf.nn.relu(u3, name="x4")
82+
83+ # 第5層(プーリング層)
84+ x5 = tf.nn.max_pool(x4, POOL2_SIZE, POOL2_STRIDE, "SAME", name="x5")
85+
86+ # 第6層(出力層)
87+ W5 = tf.get_variable("W5",
88+ shape=[W5_SIZE, OUTPUT_SIZE],
89+ dtype=tf.float32,
90+ initializer=tf.random_normal_initializer(stddev=0.01))
91+ b5 = tf.get_variable("b5",
92+ shape=[OUTPUT_SIZE],
93+ dtype=tf.float32,
94+ initializer=tf.random_normal_initializer(stddev=0.01))
95+ x5_ = tf.reshape(x5, [-1, W5_SIZE], name="x5_")
96+ x6 = tf.nn.softmax(tf.matmul(x5_, W5) + b5, name="x6")
97+
98+ # コスト関数
99+ cross_entropy = -tf.reduce_sum(y * tf.log(x6), name="cross_entropy")
100+ tf.summary.scalar('cross_entropy', cross_entropy)
101+
102+ # 正答率
103+ correct = tf.equal(tf.argmax(x6,1), tf.argmax(y, 1), name="correct")
104+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
105+ tf.summary.scalar('accuracy', accuracy)
106+
107+
108+ # 最適化アルゴリズムを定義
109+ global_step = tf.Variable(0, name='global_step', trainable=False)
110+ optimizer = tf.train.AdamOptimizer(1e-4, name="optimizer")
111+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
112+
113+ # 学習結果を保存するためのオブジェクトを用意
114+ saver = tf.train.Saver()
115+
116+# 読み込んだデータの変換用関数
117+def map_dataset(serialized):
118+ features = {
119+ 'label': tf.FixedLenFeature([], tf.int64),
120+ 'height': tf.FixedLenFeature([], tf.int64),
121+ 'width': tf.FixedLenFeature([], tf.int64),
122+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
123+ }
124+ parsed = tf.parse_single_example(serialized, features)
125+
126+ # 読み込んだデータを変換する
127+ raw_label = tf.cast(parsed['label'], tf.int32)
128+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
129+ [raw_label, 0],
130+ [1, LABEL_SIZE]),
131+ [LABEL_SIZE])
132+
133+ image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
134+ return (image, label, raw_label)
135+
136+## データセットの読み込み
137+# 読み出すデータは各データ200件ずつ×3で計600件
138+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
139+ .map(map_dataset)\
140+ .batch(600)
141+
142+# データにアクセスするためのイテレータを作成
143+iterator = dataset.make_one_shot_iterator()
144+item = iterator.get_next()
145+
146+# セッションの作成
147+sess = tf.Session()
148+
149+# 変数の初期化を実行する
150+sess.run(tf.global_variables_initializer())
151+
152+ # 学習結果を保存したファイルが存在するかを確認し、
153+ # 存在していればそれを読み出す
154+latest_filename = tf.train.latest_checkpoint("./")
155+if latest_filename:
156+ print("load saved model {}".format(latest_filename))
157+ saver.restore(sess, latest_filename)
158+
159+# サマリを取得するための処理
160+summary_op = tf.summary.merge_all()
161+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
162+
163+# 学習用データを読み出す
164+(dataset_x, dataset_y, values_y) = sess.run(item)
165+
166+
167+## テスト用データセットを読み出す
168+# テストデータは50×3=150件
169+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
170+ .map(map_dataset)\
171+ .batch(150)
172+iterator2 = dataset2.make_one_shot_iterator()
173+item2 = iterator2.get_next()
174+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
175+
176+test_summary = tf.summary.scalar('test_result', accuracy)
177+
178+steps = tf.train.global_step(sess, global_step)
179+if steps == 0:
180+ # 初期状態を記録
181+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
182+ { x1: dataset_x, y: dataset_y })
183+ print("CROSS ENTROPY({}): {}".format(0, xe))
184+ print(" ACCURACY({}): {}".format(0, acc))
185+ summary_writer.add_summary(summary, global_step=0)
186+
187+# 学習を開始
188+start_time = time.time()
189+for i in range(30):
190+ for j in range(10):
191+ sess.run(minimize, {x1: dataset_x, y: dataset_y})
192+ # 途中経過を取得・保存
193+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
194+ {x1: dataset_x, y: dataset_y})
195+ acc2, summary2 = sess.run([accuracy, test_summary],
196+ {x1: testdataset_x, y: testdataset_y})
197+ print("CROSS ENTROPY({}): {}".format(steps + 10 * (i+1), xe))
198+ print(" ACCURACY({}): {}".format(steps + 10 * (i+1), acc))
199+ print(" TEST RESULT({}): {}".format(steps + 10 * (i+1), acc2))
200+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
201+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
202+
203+# 学習終了
204+print ("time: {} sec".format(time.time() - start_time))
205+
206+save_path = saver.save(sess, MODEL_FILE)
207+print("Model saved to {}".format(save_path))
208+
209+## 結果の出力
210+
211+# 学習に使用したデータを入力した場合の
212+# 正答率を計算する
213+print("----result with teaching data----")
214+
215+print("assumed label:")
216+print(sess.run(tf.argmax(x6, 1), {x1: dataset_x}))
217+print("real label:")
218+print(sess.run(tf.argmax(y, 1), {y: dataset_y}))
219+print("accuracy:", sess.run(accuracy, {x1: dataset_x, y: dataset_y}))
220+
221+
222+# テスト用データを入力した場合の
223+# 正答率を計算する
224+print("----result with test data----")
225+
226+
227+# 正答率を出力
228+print("assumed label:")
229+print(sess.run(tf.argmax(x6, 1), {x1: testdataset_x}))
230+print("real label:")
231+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
232+print("accuracy:", sess.run(accuracy, {x1: testdataset_x, y: testdataset_y}))
233+
--- /dev/null
+++ b/cnn/cnn_learning02.py
@@ -0,0 +1,243 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os
5+import tensorflow as tf
6+import time
7+
8+# 入力画像の幅・高さ・チャネル数
9+INPUT_WIDTH = 100
10+INPUT_HEIGHT = 100
11+INPUT_CHANNELS = 3
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+
14+# 1つめの畳み込み-プーリング層のパラメータ
15+CONV1_SIZE = 5 # 畳み込みフィルタのサイズ
16+CONV1_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
17+CONV1_CHANNELS = 32 # 畳み込み層の出力チャネル数
18+POOL1_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
19+POOL1_STRIDE = [1, 2, 2, 1] # プーリングのストライド
20+
21+# 2つめの畳み込み-プーリング層のパラメータ
22+CONV2_SIZE = 5 # 畳み込みフィルタのサイズ
23+CONV2_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
24+CONV2_CHANNELS = 32 # 畳み込み層の出力チャネル数
25+POOL2_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
26+POOL2_STRIDE = [1, 2, 2, 1] # プーリングのストライド
27+
28+# 全結合層のサイズ
29+W5_SIZE=25 * 25 * CONV2_CHANNELS
30+
31+# 出力サイズ
32+OUTPUT_SIZE = 3
33+LABEL_SIZE = OUTPUT_SIZE
34+
35+TEACH_FILES = ["../data2/teach_cat.tfrecord",
36+ "../data2/teach_dog.tfrecord",
37+ "../data2/teach_monkey.tfrecord"]
38+TEST_FILES = ["../data2/test_cat.tfrecord",
39+ "../data2/test_dog.tfrecord",
40+ "../data2/test_monkey.tfrecord"]
41+MODEL_FILE = "./cnn_model"
42+
43+
44+# 結果をそろえるために乱数の種を指定
45+tf.set_random_seed(1111)
46+
47+## 入力と計算グラフを定義
48+with tf.variable_scope('model') as scope:
49+
50+ # 入力(=第1層)および正答を入力するプレースホルダを定義
51+ x1 = tf.placeholder(dtype=tf.float32, name="x1")
52+ y = tf.placeholder(dtype=tf.float32, name="y")
53+
54+ # ドロップアウト設定用のプレースホルダ
55+ enable_dropout = tf.placeholder_with_default(0.0, [], name="enable_dropout")
56+
57+ # ドロップアウト確率
58+ prob_one = tf.constant(1.0, dtype=tf.float32)
59+
60+ # enable_dropoutが0の場合、キープ確率は1。そうでない場合、一定の確率に設定する
61+ x5_keep_prob = prob_one - enable_dropout * 0.5
62+
63+ # 第2層(畳み込み処理)
64+ W1 = tf.get_variable("W1",
65+ shape=[CONV1_SIZE, CONV1_SIZE, INPUT_CHANNELS, CONV1_CHANNELS],
66+ dtype=tf.float32,
67+ initializer=tf.random_normal_initializer(stddev=0.01))
68+
69+ b1 = tf.get_variable("b1",
70+ shape=[CONV1_CHANNELS],
71+ dtype=tf.float32,
72+ initializer=tf.random_normal_initializer(stddev=0.01))
73+ u1 = tf.nn.bias_add(tf.nn.conv2d(x1, W1, CONV1_STRIDE, "SAME"), b1, name="u1")
74+ x2 = tf.nn.relu(u1, name="x2")
75+
76+ # 第3層(プーリング層)
77+ x3 = tf.nn.max_pool(x2, POOL1_SIZE, POOL1_STRIDE, "SAME", name="x3")
78+
79+ # 第4層(畳み込み処理)
80+ W3 = tf.get_variable("W3",
81+ shape=[CONV2_SIZE, CONV2_SIZE, CONV1_CHANNELS, CONV2_CHANNELS],
82+ dtype=tf.float32,
83+ initializer=tf.random_normal_initializer(stddev=0.01))
84+
85+ b3 = tf.get_variable("b3",
86+ shape=[CONV2_CHANNELS],
87+ dtype=tf.float32,
88+ initializer=tf.random_normal_initializer(stddev=0.01))
89+ u3 = tf.nn.bias_add(tf.nn.conv2d(x3, W3, CONV1_STRIDE, "SAME"), b3, name="u3")
90+ x4 = tf.nn.relu(u3, name="x4")
91+
92+ # 第5層(プーリング層)
93+ x5 = tf.nn.max_pool(x4, POOL2_SIZE, POOL2_STRIDE, "SAME", name="x5")
94+ x5_ = tf.reshape(x5, [-1, W5_SIZE], name="x5_")
95+ x5_drop = tf.nn.dropout(x5_, x5_keep_prob, name="x5_drop")
96+
97+ # 第6層(出力層)
98+ W5 = tf.get_variable("W5",
99+ shape=[W5_SIZE, OUTPUT_SIZE],
100+ dtype=tf.float32,
101+ initializer=tf.random_normal_initializer(stddev=0.01))
102+ b5 = tf.get_variable("b5",
103+ shape=[OUTPUT_SIZE],
104+ dtype=tf.float32,
105+ initializer=tf.random_normal_initializer(stddev=0.01))
106+ x6 = tf.nn.softmax(tf.matmul(x5_drop, W5) + b5, name="x6")
107+
108+ # コスト関数
109+ cross_entropy = -tf.reduce_sum(y * tf.log(x6), name="cross_entropy")
110+ tf.summary.scalar('cross_entropy', cross_entropy)
111+
112+ # 正答率
113+ correct = tf.equal(tf.argmax(x6,1), tf.argmax(y, 1), name="correct")
114+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
115+ tf.summary.scalar('accuracy', accuracy)
116+
117+
118+ # 最適化アルゴリズムを定義
119+ global_step = tf.Variable(0, name='global_step', trainable=False)
120+ optimizer = tf.train.AdamOptimizer(1e-4, name="optimizer")
121+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
122+
123+ # 学習結果を保存するためのオブジェクトを用意
124+ saver = tf.train.Saver()
125+
126+# 読み込んだデータの変換用関数
127+def map_dataset(serialized):
128+ features = {
129+ 'label': tf.FixedLenFeature([], tf.int64),
130+ 'height': tf.FixedLenFeature([], tf.int64),
131+ 'width': tf.FixedLenFeature([], tf.int64),
132+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
133+ }
134+ parsed = tf.parse_single_example(serialized, features)
135+
136+ # 読み込んだデータを変換する
137+ raw_label = tf.cast(parsed['label'], tf.int32)
138+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
139+ [raw_label, 0],
140+ [1, LABEL_SIZE]),
141+ [LABEL_SIZE])
142+
143+ image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
144+ return (image, label, raw_label)
145+
146+## データセットの読み込み
147+# 読み出すデータは各データ200件ずつ×3で計600件
148+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
149+ .map(map_dataset)\
150+ .batch(600)
151+
152+# データにアクセスするためのイテレータを作成
153+iterator = dataset.make_one_shot_iterator()
154+item = iterator.get_next()
155+
156+# セッションの作成
157+sess = tf.Session()
158+
159+# 変数の初期化を実行する
160+sess.run(tf.global_variables_initializer())
161+
162+ # 学習結果を保存したファイルが存在するかを確認し、
163+ # 存在していればそれを読み出す
164+latest_filename = tf.train.latest_checkpoint("./")
165+if latest_filename:
166+ print("load saved model {}".format(latest_filename))
167+ saver.restore(sess, latest_filename)
168+
169+# サマリを取得するための処理
170+summary_op = tf.summary.merge_all()
171+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
172+
173+# 学習用データを読み出す
174+(dataset_x, dataset_y, values_y) = sess.run(item)
175+
176+
177+## テスト用データセットを読み出す
178+# テストデータは50×3=150件
179+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
180+ .map(map_dataset)\
181+ .batch(150)
182+iterator2 = dataset2.make_one_shot_iterator()
183+item2 = iterator2.get_next()
184+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
185+
186+test_summary = tf.summary.scalar('test_result', accuracy)
187+
188+steps = tf.train.global_step(sess, global_step)
189+if steps == 0:
190+ # 初期状態を記録
191+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
192+ { x1: dataset_x, y: dataset_y })
193+ print("CROSS ENTROPY({}): {}".format(0, xe))
194+ print(" ACCURACY({}): {}".format(0, acc))
195+ summary_writer.add_summary(summary, global_step=0)
196+
197+# 学習を開始
198+start_time = time.time()
199+for i in range(30):
200+ for j in range(10):
201+ sess.run(minimize, {x1: dataset_x, y: dataset_y, enable_dropout: 1.0})
202+ # 途中経過を取得・保存
203+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
204+ {x1: dataset_x, y: dataset_y})
205+ acc2, summary2 = sess.run([accuracy, test_summary],
206+ {x1: testdataset_x, y: testdataset_y})
207+ print("CROSS ENTROPY({}): {}".format(steps + 10 * (i+1), xe))
208+ print(" ACCURACY({}): {}".format(steps + 10 * (i+1), acc))
209+ print(" TEST RESULT({}): {}".format(steps + 10 * (i+1), acc2))
210+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
211+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
212+
213+# 学習終了
214+print ("time: {} sec".format(time.time() - start_time))
215+
216+save_path = saver.save(sess, MODEL_FILE)
217+print("Model saved to {}".format(save_path))
218+
219+## 結果の出力
220+
221+# 学習に使用したデータを入力した場合の
222+# 正答率を計算する
223+print("----result with teaching data----")
224+
225+print("assumed label:")
226+print(sess.run(tf.argmax(x6, 1), {x1: dataset_x}))
227+print("real label:")
228+print(sess.run(tf.argmax(y, 1), {y: dataset_y}))
229+print("accuracy:", sess.run(accuracy, {x1: dataset_x, y: dataset_y}))
230+
231+
232+# テスト用データを入力した場合の
233+# 正答率を計算する
234+print("----result with test data----")
235+
236+
237+# 正答率を出力
238+print("assumed label:")
239+print(sess.run(tf.argmax(x6, 1), {x1: testdataset_x}))
240+print("real label:")
241+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
242+print("accuracy:", sess.run(accuracy, {x1: testdataset_x, y: testdataset_y}))
243+
--- /dev/null
+++ b/cnn/cnn_learning03.py
@@ -0,0 +1,249 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os
5+import tensorflow as tf
6+import time
7+
8+# 入力画像の幅・高さ・チャネル数
9+INPUT_WIDTH = 100
10+INPUT_HEIGHT = 100
11+INPUT_CHANNELS = 3
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+
14+# 1つめの畳み込み-プーリング層のパラメータ
15+CONV1_SIZE = 5 # 畳み込みフィルタのサイズ
16+CONV1_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
17+CONV1_CHANNELS = 32 # 畳み込み層の出力チャネル数
18+POOL1_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
19+POOL1_STRIDE = [1, 2, 2, 1] # プーリングのストライド
20+
21+# 2つめの畳み込み-プーリング層のパラメータ
22+CONV2_SIZE = 5 # 畳み込みフィルタのサイズ
23+CONV2_STRIDE = [1, 1, 1, 1] # 畳み込みフィルタのストライド
24+CONV2_CHANNELS = 32 # 畳み込み層の出力チャネル数
25+POOL2_SIZE = [1, 2, 2, 1] # プーリング層のウィンドウサイズ
26+POOL2_STRIDE = [1, 2, 2, 1] # プーリングのストライド
27+
28+# 全結合層のサイズ
29+W5_SIZE=25 * 25 * CONV2_CHANNELS
30+
31+# 出力サイズ
32+OUTPUT_SIZE = 3
33+LABEL_SIZE = OUTPUT_SIZE
34+
35+TEACH_FILES = ["../data2/teach_cat.tfrecord",
36+ "../data2/teach_dog.tfrecord",
37+ "../data2/teach_monkey.tfrecord"]
38+TEST_FILES = ["../data2/test_cat.tfrecord",
39+ "../data2/test_dog.tfrecord",
40+ "../data2/test_monkey.tfrecord"]
41+MODEL_FILE = "./cnn_model"
42+
43+
44+# 結果をそろえるために乱数の種を指定
45+tf.set_random_seed(1111)
46+
47+## 入力と計算グラフを定義
48+with tf.variable_scope('model') as scope:
49+
50+ # 入力(=第1層)および正答を入力するプレースホルダを定義
51+ x1 = tf.placeholder(dtype=tf.float32, name="x1")
52+ y = tf.placeholder(dtype=tf.float32, name="y")
53+
54+ # ドロップアウト設定用のプレースホルダ
55+ enable_dropout = tf.placeholder_with_default(0.0, [], name="enable_dropout")
56+
57+ # ドロップアウト確率
58+ prob_one = tf.constant(1.0, dtype=tf.float32)
59+
60+ # enable_dropoutが0の場合、キープ確率は1。そうでない場合、一定の確率に設定する
61+ x5_keep_prob = prob_one - enable_dropout * 0.5
62+
63+ # 第2層(畳み込み処理)
64+ W1 = tf.get_variable("W1",
65+ shape=[CONV1_SIZE, CONV1_SIZE, INPUT_CHANNELS, CONV1_CHANNELS],
66+ dtype=tf.float32,
67+ initializer=tf.random_normal_initializer(stddev=0.01))
68+
69+ b1 = tf.get_variable("b1",
70+ shape=[CONV1_CHANNELS],
71+ dtype=tf.float32,
72+ initializer=tf.random_normal_initializer(stddev=0.01))
73+ u1 = tf.nn.bias_add(tf.nn.conv2d(x1, W1, CONV1_STRIDE, "SAME"), b1, name="u1")
74+ x2 = tf.nn.relu(u1, name="x2")
75+
76+ # 第3層(プーリング層)
77+ x3 = tf.nn.max_pool(x2, POOL1_SIZE, POOL1_STRIDE, "SAME", name="x3")
78+
79+ # 第4層(畳み込み処理)
80+ W3 = tf.get_variable("W3",
81+ shape=[CONV2_SIZE, CONV2_SIZE, CONV1_CHANNELS, CONV2_CHANNELS],
82+ dtype=tf.float32,
83+ initializer=tf.random_normal_initializer(stddev=0.01))
84+
85+ b3 = tf.get_variable("b3",
86+ shape=[CONV2_CHANNELS],
87+ dtype=tf.float32,
88+ initializer=tf.random_normal_initializer(stddev=0.01))
89+ u3 = tf.nn.bias_add(tf.nn.conv2d(x3, W3, CONV1_STRIDE, "SAME"), b3, name="u3")
90+ x4 = tf.nn.relu(u3, name="x4")
91+
92+ # 第5層(プーリング層)
93+ x5 = tf.nn.max_pool(x4, POOL2_SIZE, POOL2_STRIDE, "SAME", name="x5")
94+ x5_ = tf.reshape(x5, [-1, W5_SIZE], name="x5_")
95+ x5_drop = tf.nn.dropout(x5_, x5_keep_prob, name="x5_drop")
96+
97+ # 第6層(出力層)
98+ W5 = tf.get_variable("W5",
99+ shape=[W5_SIZE, OUTPUT_SIZE],
100+ dtype=tf.float32,
101+ initializer=tf.random_normal_initializer(stddev=0.01))
102+ b5 = tf.get_variable("b5",
103+ shape=[OUTPUT_SIZE],
104+ dtype=tf.float32,
105+ initializer=tf.random_normal_initializer(stddev=0.01))
106+ x6 = tf.nn.softmax(tf.matmul(x5_drop, W5) + b5, name="x6")
107+
108+ # コスト関数
109+ cross_entropy = -tf.reduce_sum(y * tf.log(x6), name="cross_entropy")
110+ tf.summary.scalar('cross_entropy', cross_entropy)
111+
112+ # 正答率
113+ correct = tf.equal(tf.argmax(x6,1), tf.argmax(y, 1), name="correct")
114+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
115+ tf.summary.scalar('accuracy', accuracy)
116+
117+
118+ # 最適化アルゴリズムを定義
119+ global_step = tf.Variable(0, name='global_step', trainable=False)
120+ optimizer = tf.train.AdamOptimizer(1e-4, name="optimizer")
121+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
122+
123+ # 学習結果を保存するためのオブジェクトを用意
124+ saver = tf.train.Saver()
125+
126+# 読み込んだデータの変換用関数
127+def map_dataset(serialized):
128+ features = {
129+ 'label': tf.FixedLenFeature([], tf.int64),
130+ 'height': tf.FixedLenFeature([], tf.int64),
131+ 'width': tf.FixedLenFeature([], tf.int64),
132+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
133+ }
134+ parsed = tf.parse_single_example(serialized, features)
135+
136+ # 読み込んだデータを変換する
137+ raw_label = tf.cast(parsed['label'], tf.int32)
138+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
139+ [raw_label, 0],
140+ [1, LABEL_SIZE]),
141+ [LABEL_SIZE])
142+
143+ image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
144+ return (image, label, raw_label)
145+
146+## データセットの読み込み
147+# 読み出すデータは各データ200件ずつ×3で計600件
148+dataset_size = tf.placeholder(shape=[], dtype=tf.int64)
149+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
150+ .map(map_dataset)\
151+ .repeat()\
152+ .shuffle(600)\
153+ .batch(dataset_size)
154+
155+# データにアクセスするためのイテレータを作成
156+iterator = dataset.make_initializable_iterator()
157+next_dataset = iterator.get_next()
158+
159+# セッションの作成
160+sess = tf.Session()
161+
162+# 変数の初期化を実行する
163+sess.run(tf.global_variables_initializer())
164+
165+ # 学習結果を保存したファイルが存在するかを確認し、
166+ # 存在していればそれを読み出す
167+latest_filename = tf.train.latest_checkpoint("./")
168+if latest_filename:
169+ print("load saved model {}".format(latest_filename))
170+ saver.restore(sess, latest_filename)
171+
172+# サマリを取得するための処理
173+summary_op = tf.summary.merge_all()
174+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
175+
176+# 教師データに対する正答率の取得用に学習用データを読み出しておく
177+sess.run(iterator.initializer, {dataset_size: 600})
178+(dataset_all_x, dataset_all_y, values_all_y) = sess.run(next_dataset)
179+
180+
181+## テスト用データセットを読み出す
182+# テストデータは50×3=150件
183+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
184+ .map(map_dataset)\
185+ .batch(150)
186+iterator2 = dataset2.make_one_shot_iterator()
187+item2 = iterator2.get_next()
188+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
189+
190+test_summary = tf.summary.scalar('test_result', accuracy)
191+
192+steps = tf.train.global_step(sess, global_step)
193+if steps == 0:
194+ # 初期状態を記録
195+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
196+ { x1: dataset_all_x, y: dataset_all_y })
197+ print("CROSS ENTROPY({}): {}".format(0, xe))
198+ print(" ACCURACY({}): {}".format(0, acc))
199+ summary_writer.add_summary(summary, global_step=0)
200+
201+# 学習を開始
202+start_time = time.time()
203+sess.run(iterator.initializer, {dataset_size: 100})
204+for i in range(90):
205+ for j in range(10):
206+ (dataset_x, dataset_y, values_y) = sess.run(next_dataset)
207+ sess.run(minimize, {x1: dataset_x, y: dataset_y, enable_dropout: 1.0})
208+ # 途中経過を取得・保存
209+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
210+ {x1: dataset_all_x, y: dataset_all_y})
211+ acc2, summary2 = sess.run([accuracy, test_summary],
212+ {x1: testdataset_x, y: testdataset_y})
213+ print("CROSS ENTROPY({}): {}".format(steps + 10 * (i+1), xe))
214+ print(" ACCURACY({}): {}".format(steps + 10 * (i+1), acc))
215+ print(" TEST RESULT({}): {}".format(steps + 10 * (i+1), acc2))
216+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
217+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
218+
219+# 学習終了
220+print ("time: {} sec".format(time.time() - start_time))
221+
222+save_path = saver.save(sess, MODEL_FILE)
223+print("Model saved to {}".format(save_path))
224+
225+## 結果の出力
226+
227+# 学習に使用したデータを入力した場合の
228+# 正答率を計算する
229+print("----result with teaching data----")
230+
231+print("assumed label:")
232+print(sess.run(tf.argmax(x6, 1), {x1: dataset_all_x}))
233+print("real label:")
234+print(sess.run(tf.argmax(y, 1), {y: dataset_all_y}))
235+print("accuracy:", sess.run(accuracy, {x1: dataset_all_x, y: dataset_all_y}))
236+
237+
238+# テスト用データを入力した場合の
239+# 正答率を計算する
240+print("----result with test data----")
241+
242+
243+# 正答率を出力
244+print("assumed label:")
245+print(sess.run(tf.argmax(x6, 1), {x1: testdataset_x}))
246+print("real label:")
247+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
248+print("accuracy:", sess.run(accuracy, {x1: testdataset_x, y: testdataset_y}))
249+
--- /dev/null
+++ b/deep_learning/deep_learning.py
@@ -0,0 +1,203 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os.path
5+import tensorflow as tf
6+import time
7+
8+INPUT_WIDTH = 100
9+INPUT_HEIGHT = 100
10+INPUT_CHANNELS = 3
11+
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+W1_SIZE = 100
14+W2_SIZE = 100
15+OUTPUT_SIZE = 3
16+LABEL_SIZE = OUTPUT_SIZE
17+
18+TEACH_FILES = ["../data2/teach_cat.tfrecord",
19+ "../data2/teach_dog.tfrecord",
20+ "../data2/teach_monkey.tfrecord"]
21+TEST_FILES = ["../data2/test_cat.tfrecord",
22+ "../data2/test_dog.tfrecord",
23+ "../data2/test_monkey.tfrecord"]
24+
25+MODEL_NAME = "./deep_model"
26+
27+# 結果をそろえるために乱数の種を指定
28+tf.set_random_seed(1111)
29+
30+## 入力と計算グラフを定義
31+with tf.variable_scope('model') as scope:
32+ x1 = tf.placeholder(dtype=tf.float32)
33+ y = tf.placeholder(dtype=tf.float32)
34+
35+ # 第2層
36+ W1 = tf.get_variable("W1",
37+ shape=[INPUT_SIZE, W1_SIZE],
38+ dtype=tf.float32,
39+ initializer=tf.random_normal_initializer(stddev=0.01))
40+ b1 = tf.get_variable("b1",
41+ shape=[W1_SIZE],
42+ dtype=tf.float32,
43+ initializer=tf.random_normal_initializer(stddev=0.01))
44+ x2 = tf.nn.relu(tf.matmul(x1, W1) + b1, name="x2")
45+
46+ # 第3層
47+ W2 = tf.get_variable("W2",
48+ shape=[W1_SIZE, W2_SIZE],
49+ dtype=tf.float32,
50+ initializer=tf.random_normal_initializer(stddev=0.01))
51+ b2 = tf.get_variable("b2",
52+ shape=[W2_SIZE],
53+ dtype=tf.float32,
54+ initializer=tf.random_normal_initializer(stddev=0.01))
55+ x3 = tf.nn.relu(tf.matmul(x2, W2) + b2, name="x3")
56+
57+ # 第4層
58+ W3 = tf.get_variable("W3",
59+ shape=[W2_SIZE, OUTPUT_SIZE],
60+ dtype=tf.float32,
61+ initializer=tf.random_normal_initializer(stddev=0.01))
62+ b3 = tf.get_variable("b3",
63+ shape=[OUTPUT_SIZE],
64+ dtype=tf.float32,
65+ initializer=tf.random_normal_initializer(stddev=0.01))
66+ x4 = tf.nn.softmax(tf.matmul(x3, W3) + b3, name="x4")
67+
68+ # コスト関数
69+ cross_entropy = -tf.reduce_sum(y * tf.log(x4), name="cross_entropy")
70+ tf.summary.scalar('cross_entropy', cross_entropy)
71+
72+ # 正答率
73+ # 出力テンソルの中でもっとも値が大きいもののインデックスが
74+ # 正答と等しいかどうかを計算する
75+ correct = tf.equal(tf.argmax(x4,1), tf.argmax(y, 1), name="correct")
76+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
77+ tf.summary.scalar('accuracy', accuracy)
78+
79+ # 最適化アルゴリズムを定義
80+ global_step = tf.Variable(0, name='global_step', trainable=False)
81+ optimizer = tf.train.GradientDescentOptimizer(1e-6, name="optimizer")
82+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
83+
84+ # 学習結果を保存するためのオブジェクトを用意
85+ saver = tf.train.Saver()
86+
87+
88+# 読み込んだデータの変換用関数
89+def map_dataset(serialized):
90+ features = {
91+ 'label': tf.FixedLenFeature([], tf.int64),
92+ 'height': tf.FixedLenFeature([], tf.int64),
93+ 'width': tf.FixedLenFeature([], tf.int64),
94+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
95+ }
96+ parsed = tf.parse_single_example(serialized, features)
97+
98+ # 読み込んだデータを変換する
99+ raw_label = tf.cast(parsed['label'], tf.int32)
100+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
101+ [raw_label, 0],
102+ [1, LABEL_SIZE]),
103+ [LABEL_SIZE])
104+
105+ #image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
106+ image = parsed['raw_image']
107+ return (image, label, raw_label)
108+
109+## データセットの読み込み
110+# 読み出すデータは各データ200件ずつ×3で計600件
111+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
112+ .map(map_dataset)\
113+ .batch(600)
114+
115+# データにアクセスするためのイテレータを作成
116+iterator = dataset.make_one_shot_iterator()
117+item = iterator.get_next()
118+
119+# セッションの作成
120+sess = tf.Session()
121+
122+# 変数の初期化を実行する
123+sess.run(tf.global_variables_initializer())
124+
125+ # 学習結果を保存したファイルが存在するかを確認し、
126+ # 存在していればそれを読み出す
127+latest_filename = tf.train.latest_checkpoint("./")
128+if latest_filename:
129+ print("load saved model {}".format(latest_filename))
130+ saver.restore(sess, latest_filename)
131+
132+# サマリを取得するための処理
133+summary_op = tf.summary.merge_all()
134+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
135+
136+# 学習用データを読み出す
137+(dataset_x, dataset_y, values_y) = sess.run(item)
138+steps = tf.train.global_step(sess, global_step)
139+
140+## テスト用データセットを読み出す
141+# テストデータは50×3=150件
142+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
143+ .map(map_dataset)\
144+ .batch(150)
145+iterator2 = dataset2.make_one_shot_iterator()
146+item2 = iterator2.get_next()
147+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
148+
149+test_summary = tf.summary.scalar('test_result', accuracy)
150+
151+if steps == 0:
152+ # 初期状態を記録
153+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
154+ print("CROSS ENTROPY({}): {}".format(0, xe))
155+ print(" ACCURACY({}): {}".format(0, acc))
156+ summary_writer.add_summary(summary, global_step=0)
157+
158+# 学習を開始
159+start_time = time.time()
160+for i in range(30):
161+ for j in range(100):
162+ sess.run(minimize, {x1: dataset_x, y: dataset_y})
163+
164+ # 途中経過を取得・保存
165+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
166+ acc2, summary2 = sess.run([accuracy, test_summary], {x1: testdataset_x, y: testdataset_y})
167+ print("CROSS ENTROPY({}): {}".format(steps + 100 * (i+1), xe))
168+ print(" ACCURACY({}): {}".format(steps + 100 * (i+1), acc))
169+ print(" TEST RESULT({}): {}".format(steps + 100 * (i+1), acc2))
170+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
171+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
172+
173+# 学習終了
174+print ("time: {} sec".format(time.time() - start_time))
175+
176+save_path = saver.save(sess, MODEL_NAME, global_step=tf.train.global_step(sess, global_step))
177+print("Model saved to {}".format(save_path))
178+
179+## 結果の出力
180+
181+# 学習に使用したデータを入力した場合の
182+# 正答率を計算する
183+print("----result with teaching data----")
184+
185+print("assumed label:")
186+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: dataset_x}))
187+print("real label:")
188+print(sess.run(tf.argmax(y, 1), feed_dict={y: dataset_y}))
189+print("accuracy:", sess.run(accuracy, feed_dict={x1: dataset_x, y: dataset_y}))
190+
191+
192+# テスト用データを入力した場合の
193+# 正答率を計算する
194+print("----result with test data----")
195+
196+
197+# 正答率を出力
198+print("assumed label:")
199+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: testdataset_x}))
200+print("real label:")
201+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
202+print("accuracy:", sess.run(accuracy, feed_dict={x1: testdataset_x, y: testdataset_y}))
203+
--- /dev/null
+++ b/deep_learning/deep_learning2.py
@@ -0,0 +1,203 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os.path
5+import tensorflow as tf
6+import time
7+
8+INPUT_WIDTH = 100
9+INPUT_HEIGHT = 100
10+INPUT_CHANNELS = 3
11+
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+W1_SIZE = 100
14+W2_SIZE = 100
15+OUTPUT_SIZE = 3
16+LABEL_SIZE = OUTPUT_SIZE
17+
18+TEACH_FILES = ["../data2/teach_cat.tfrecord",
19+ "../data2/teach_dog.tfrecord",
20+ "../data2/teach_monkey.tfrecord"]
21+TEST_FILES = ["../data2/test_cat.tfrecord",
22+ "../data2/test_dog.tfrecord",
23+ "../data2/test_monkey.tfrecord"]
24+
25+MODEL_NAME = "./deep_model"
26+
27+# 結果をそろえるために乱数の種を指定
28+tf.set_random_seed(1111)
29+
30+## 入力と計算グラフを定義
31+with tf.variable_scope('model') as scope:
32+ x1 = tf.placeholder(dtype=tf.float32)
33+ y = tf.placeholder(dtype=tf.float32)
34+
35+ # 第2層
36+ W1 = tf.get_variable("W1",
37+ shape=[INPUT_SIZE, W1_SIZE],
38+ dtype=tf.float32,
39+ initializer=tf.random_normal_initializer(stddev=0.01))
40+ b1 = tf.get_variable("b1",
41+ shape=[W1_SIZE],
42+ dtype=tf.float32,
43+ initializer=tf.random_normal_initializer(stddev=0.01))
44+ x2 = tf.nn.relu(tf.matmul(x1, W1) + b1, name="x2")
45+
46+ # 第3層
47+ W2 = tf.get_variable("W2",
48+ shape=[W1_SIZE, W2_SIZE],
49+ dtype=tf.float32,
50+ initializer=tf.random_normal_initializer(stddev=0.01))
51+ b2 = tf.get_variable("b2",
52+ shape=[W2_SIZE],
53+ dtype=tf.float32,
54+ initializer=tf.random_normal_initializer(stddev=0.01))
55+ x3 = tf.nn.relu(tf.matmul(x2, W2) + b2, name="x3")
56+
57+ # 第4層
58+ W3 = tf.get_variable("W3",
59+ shape=[W2_SIZE, OUTPUT_SIZE],
60+ dtype=tf.float32,
61+ initializer=tf.random_normal_initializer(stddev=0.01))
62+ b3 = tf.get_variable("b3",
63+ shape=[OUTPUT_SIZE],
64+ dtype=tf.float32,
65+ initializer=tf.random_normal_initializer(stddev=0.01))
66+ x4 = tf.nn.softmax(tf.matmul(x3, W3) + b3, name="x4")
67+
68+ # コスト関数
69+ cross_entropy = -tf.reduce_sum(y * tf.log(x4), name="cross_entropy")
70+ tf.summary.scalar('cross_entropy', cross_entropy)
71+
72+ # 正答率
73+ # 出力テンソルの中でもっとも値が大きいもののインデックスが
74+ # 正答と等しいかどうかを計算する
75+ correct = tf.equal(tf.argmax(x4,1), tf.argmax(y, 1), name="correct")
76+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
77+ tf.summary.scalar('accuracy', accuracy)
78+
79+ # 最適化アルゴリズムを定義
80+ global_step = tf.Variable(0, name='global_step', trainable=False)
81+ optimizer = tf.train.AdamOptimizer(1e-4, name="optimizer")
82+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
83+
84+ # 学習結果を保存するためのオブジェクトを用意
85+ saver = tf.train.Saver()
86+
87+
88+# 読み込んだデータの変換用関数
89+def map_dataset(serialized):
90+ features = {
91+ 'label': tf.FixedLenFeature([], tf.int64),
92+ 'height': tf.FixedLenFeature([], tf.int64),
93+ 'width': tf.FixedLenFeature([], tf.int64),
94+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
95+ }
96+ parsed = tf.parse_single_example(serialized, features)
97+
98+ # 読み込んだデータを変換する
99+ raw_label = tf.cast(parsed['label'], tf.int32)
100+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
101+ [raw_label, 0],
102+ [1, LABEL_SIZE]),
103+ [LABEL_SIZE])
104+
105+ #image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
106+ image = parsed['raw_image']
107+ return (image, label, raw_label)
108+
109+## データセットの読み込み
110+# 読み出すデータは各データ200件ずつ×3で計600件
111+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
112+ .map(map_dataset)\
113+ .batch(600)
114+
115+# データにアクセスするためのイテレータを作成
116+iterator = dataset.make_one_shot_iterator()
117+item = iterator.get_next()
118+
119+# セッションの作成
120+sess = tf.Session()
121+
122+# 変数の初期化を実行する
123+sess.run(tf.global_variables_initializer())
124+
125+ # 学習結果を保存したファイルが存在するかを確認し、
126+ # 存在していればそれを読み出す
127+latest_filename = tf.train.latest_checkpoint("./")
128+if latest_filename:
129+ print("load saved model {}".format(latest_filename))
130+ saver.restore(sess, latest_filename)
131+
132+# サマリを取得するための処理
133+summary_op = tf.summary.merge_all()
134+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
135+
136+# 学習用データを読み出す
137+(dataset_x, dataset_y, values_y) = sess.run(item)
138+steps = tf.train.global_step(sess, global_step)
139+
140+## テスト用データセットを読み出す
141+# テストデータは50×3=150件
142+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
143+ .map(map_dataset)\
144+ .batch(150)
145+iterator2 = dataset2.make_one_shot_iterator()
146+item2 = iterator2.get_next()
147+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
148+
149+test_summary = tf.summary.scalar('test_result', accuracy)
150+
151+if steps == 0:
152+ # 初期状態を記録
153+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
154+ print("CROSS ENTROPY({}): {}".format(0, xe))
155+ print(" ACCURACY({}): {}".format(0, acc))
156+ summary_writer.add_summary(summary, global_step=0)
157+
158+# 学習を開始
159+start_time = time.time()
160+for i in range(30):
161+ for j in range(100):
162+ sess.run(minimize, {x1: dataset_x, y: dataset_y})
163+
164+ # 途中経過を取得・保存
165+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
166+ acc2, summary2 = sess.run([accuracy, test_summary], {x1: testdataset_x, y: testdataset_y})
167+ print("CROSS ENTROPY({}): {}".format(steps + 100 * (i+1), xe))
168+ print(" ACCURACY({}): {}".format(steps + 100 * (i+1), acc))
169+ print(" TEST RESULT({}): {}".format(steps + 100 * (i+1), acc2))
170+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
171+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
172+
173+# 学習終了
174+print ("time: {} sec".format(time.time() - start_time))
175+
176+save_path = saver.save(sess, MODEL_NAME, global_step=tf.train.global_step(sess, global_step))
177+print("Model saved to {}".format(save_path))
178+
179+## 結果の出力
180+
181+# 学習に使用したデータを入力した場合の
182+# 正答率を計算する
183+print("----result with teaching data----")
184+
185+print("assumed label:")
186+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: dataset_x}))
187+print("real label:")
188+print(sess.run(tf.argmax(y, 1), feed_dict={y: dataset_y}))
189+print("accuracy:", sess.run(accuracy, feed_dict={x1: dataset_x, y: dataset_y}))
190+
191+
192+# テスト用データを入力した場合の
193+# 正答率を計算する
194+print("----result with test data----")
195+
196+
197+# 正答率を出力
198+print("assumed label:")
199+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: testdataset_x}))
200+print("real label:")
201+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
202+print("accuracy:", sess.run(accuracy, feed_dict={x1: testdataset_x, y: testdataset_y}))
203+
--- /dev/null
+++ b/deep_learning/deep_learning3.py
@@ -0,0 +1,203 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os.path
5+import tensorflow as tf
6+import time
7+
8+INPUT_WIDTH = 100
9+INPUT_HEIGHT = 100
10+INPUT_CHANNELS = 3
11+
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+W1_SIZE = 1000
14+W2_SIZE = 1000
15+OUTPUT_SIZE = 3
16+LABEL_SIZE = OUTPUT_SIZE
17+
18+TEACH_FILES = ["../data2/teach_cat.tfrecord",
19+ "../data2/teach_dog.tfrecord",
20+ "../data2/teach_monkey.tfrecord"]
21+TEST_FILES = ["../data2/test_cat.tfrecord",
22+ "../data2/test_dog.tfrecord",
23+ "../data2/test_monkey.tfrecord"]
24+
25+MODEL_NAME = "./deep_model"
26+
27+# 結果をそろえるために乱数の種を指定
28+tf.set_random_seed(1111)
29+
30+## 入力と計算グラフを定義
31+with tf.variable_scope('model') as scope:
32+ x1 = tf.placeholder(dtype=tf.float32)
33+ y = tf.placeholder(dtype=tf.float32)
34+
35+ # 第2層
36+ W1 = tf.get_variable("W1",
37+ shape=[INPUT_SIZE, W1_SIZE],
38+ dtype=tf.float32,
39+ initializer=tf.random_normal_initializer(stddev=0.01))
40+ b1 = tf.get_variable("b1",
41+ shape=[W1_SIZE],
42+ dtype=tf.float32,
43+ initializer=tf.random_normal_initializer(stddev=0.01))
44+ x2 = tf.nn.relu(tf.matmul(x1, W1) + b1, name="x2")
45+
46+ # 第3層
47+ W2 = tf.get_variable("W2",
48+ shape=[W1_SIZE, W2_SIZE],
49+ dtype=tf.float32,
50+ initializer=tf.random_normal_initializer(stddev=0.01))
51+ b2 = tf.get_variable("b2",
52+ shape=[W2_SIZE],
53+ dtype=tf.float32,
54+ initializer=tf.random_normal_initializer(stddev=0.01))
55+ x3 = tf.nn.relu(tf.matmul(x2, W2) + b2, name="x3")
56+
57+ # 第4層
58+ W3 = tf.get_variable("W3",
59+ shape=[W2_SIZE, OUTPUT_SIZE],
60+ dtype=tf.float32,
61+ initializer=tf.random_normal_initializer(stddev=0.01))
62+ b3 = tf.get_variable("b3",
63+ shape=[OUTPUT_SIZE],
64+ dtype=tf.float32,
65+ initializer=tf.random_normal_initializer(stddev=0.01))
66+ x4 = tf.nn.softmax(tf.matmul(x3, W3) + b3, name="x4")
67+
68+ # コスト関数
69+ cross_entropy = -tf.reduce_sum(y * tf.log(x4), name="cross_entropy")
70+ tf.summary.scalar('cross_entropy', cross_entropy)
71+
72+ # 正答率
73+ # 出力テンソルの中でもっとも値が大きいもののインデックスが
74+ # 正答と等しいかどうかを計算する
75+ correct = tf.equal(tf.argmax(x4,1), tf.argmax(y, 1), name="correct")
76+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
77+ tf.summary.scalar('accuracy', accuracy)
78+
79+ # 最適化アルゴリズムを定義
80+ global_step = tf.Variable(0, name='global_step', trainable=False)
81+ optimizer = tf.train.AdamOptimizer(1e-6, name="optimizer")
82+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
83+
84+ # 学習結果を保存するためのオブジェクトを用意
85+ saver = tf.train.Saver()
86+
87+
88+# 読み込んだデータの変換用関数
89+def map_dataset(serialized):
90+ features = {
91+ 'label': tf.FixedLenFeature([], tf.int64),
92+ 'height': tf.FixedLenFeature([], tf.int64),
93+ 'width': tf.FixedLenFeature([], tf.int64),
94+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
95+ }
96+ parsed = tf.parse_single_example(serialized, features)
97+
98+ # 読み込んだデータを変換する
99+ raw_label = tf.cast(parsed['label'], tf.int32)
100+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
101+ [raw_label, 0],
102+ [1, LABEL_SIZE]),
103+ [LABEL_SIZE])
104+
105+ #image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
106+ image = parsed['raw_image']
107+ return (image, label, raw_label)
108+
109+## データセットの読み込み
110+# 読み出すデータは各データ200件ずつ×3で計600件
111+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
112+ .map(map_dataset)\
113+ .batch(600)
114+
115+# データにアクセスするためのイテレータを作成
116+iterator = dataset.make_one_shot_iterator()
117+item = iterator.get_next()
118+
119+# セッションの作成
120+sess = tf.Session()
121+
122+# 変数の初期化を実行する
123+sess.run(tf.global_variables_initializer())
124+
125+ # 学習結果を保存したファイルが存在するかを確認し、
126+ # 存在していればそれを読み出す
127+latest_filename = tf.train.latest_checkpoint("./")
128+if latest_filename:
129+ print("load saved model {}".format(latest_filename))
130+ saver.restore(sess, latest_filename)
131+
132+# サマリを取得するための処理
133+summary_op = tf.summary.merge_all()
134+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
135+
136+# 学習用データを読み出す
137+(dataset_x, dataset_y, values_y) = sess.run(item)
138+steps = tf.train.global_step(sess, global_step)
139+
140+## テスト用データセットを読み出す
141+# テストデータは50×3=150件
142+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
143+ .map(map_dataset)\
144+ .batch(150)
145+iterator2 = dataset2.make_one_shot_iterator()
146+item2 = iterator2.get_next()
147+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
148+
149+test_summary = tf.summary.scalar('test_result', accuracy)
150+
151+if steps == 0:
152+ # 初期状態を記録
153+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
154+ print("CROSS ENTROPY({}): {}".format(0, xe))
155+ print(" ACCURACY({}): {}".format(0, acc))
156+ summary_writer.add_summary(summary, global_step=0)
157+
158+# 学習を開始
159+start_time = time.time()
160+for i in range(30):
161+ for j in range(100):
162+ sess.run(minimize, {x1: dataset_x, y: dataset_y})
163+
164+ # 途中経過を取得・保存
165+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op], {x1: dataset_x, y: dataset_y})
166+ acc2, summary2 = sess.run([accuracy, test_summary], {x1: testdataset_x, y: testdataset_y})
167+ print("CROSS ENTROPY({}): {}".format(steps + 100 * (i+1), xe))
168+ print(" ACCURACY({}): {}".format(steps + 100 * (i+1), acc))
169+ print(" TEST RESULT({}): {}".format(steps + 100 * (i+1), acc2))
170+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
171+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
172+
173+# 学習終了
174+print ("time: {} sec".format(time.time() - start_time))
175+
176+save_path = saver.save(sess, MODEL_NAME, global_step=tf.train.global_step(sess, global_step))
177+print("Model saved to {}".format(save_path))
178+
179+## 結果の出力
180+
181+# 学習に使用したデータを入力した場合の
182+# 正答率を計算する
183+print("----result with teaching data----")
184+
185+print("assumed label:")
186+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: dataset_x}))
187+print("real label:")
188+print(sess.run(tf.argmax(y, 1), feed_dict={y: dataset_y}))
189+print("accuracy:", sess.run(accuracy, feed_dict={x1: dataset_x, y: dataset_y}))
190+
191+
192+# テスト用データを入力した場合の
193+# 正答率を計算する
194+print("----result with test data----")
195+
196+
197+# 正答率を出力
198+print("assumed label:")
199+print(sess.run(tf.argmax(x4, 1), feed_dict={x1: testdataset_x}))
200+print("real label:")
201+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
202+print("accuracy:", sess.run(accuracy, feed_dict={x1: testdataset_x, y: testdataset_y}))
203+
--- /dev/null
+++ b/deep_learning/deep_learning4.py
@@ -0,0 +1,231 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os.path
5+import tensorflow as tf
6+import time
7+
8+INPUT_WIDTH = 100
9+INPUT_HEIGHT = 100
10+INPUT_CHANNELS = 3
11+
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+W1_SIZE = 100
14+W2_SIZE = 100
15+OUTPUT_SIZE = 3
16+LABEL_SIZE = OUTPUT_SIZE
17+
18+TEACH_FILES = ["../data2/teach_cat.tfrecord",
19+ "../data2/teach_dog.tfrecord",
20+ "../data2/teach_monkey.tfrecord"]
21+TEST_FILES = ["../data2/test_cat.tfrecord",
22+ "../data2/test_dog.tfrecord",
23+ "../data2/test_monkey.tfrecord"]
24+
25+MODEL_NAME = "./deep_model"
26+
27+
28+# 結果をそろえるために乱数の種を指定
29+tf.set_random_seed(1111)
30+
31+## 入力と計算グラフを定義
32+with tf.variable_scope('model') as scope:
33+ x1 = tf.placeholder(dtype=tf.float32)
34+ y = tf.placeholder(dtype=tf.float32)
35+
36+ # ドロップアウト設定用のプレースホルダ
37+ enable_dropout = tf.placeholder_with_default(0.0, [], name="enable_dropout")
38+
39+ # ドロップアウト確率
40+ prob_one = tf.constant(1.0, dtype=tf.float32)
41+
42+ # enable_dropoutが0の場合、キープ確率は1。そうでない場合、一定の確率に設定する
43+ x1_keep_prob = prob_one - enable_dropout * 0.2
44+ x2_keep_prob = prob_one - enable_dropout * 0.5
45+ x3_keep_prob = prob_one - enable_dropout * 0.5
46+
47+ # 第1層のドロップアウトを設定
48+ x1_drop = tf.nn.dropout(x1, x1_keep_prob)
49+
50+ # 第2層
51+ W1 = tf.get_variable("W1",
52+ shape=[INPUT_SIZE, W1_SIZE],
53+ dtype=tf.float32,
54+ initializer=tf.random_normal_initializer(stddev=0.01))
55+ b1 = tf.get_variable("b1",
56+ shape=[W1_SIZE],
57+ dtype=tf.float32,
58+ initializer=tf.random_normal_initializer(stddev=0.01))
59+ x2 = tf.nn.relu(tf.matmul(x1_drop, W1) + b1, name="x2")
60+
61+ # 第2層のドロップアウトを設定
62+ x2_drop = tf.nn.dropout(x2, x2_keep_prob)
63+
64+ # 第3層
65+ W2 = tf.get_variable("W2",
66+ shape=[W1_SIZE, W2_SIZE],
67+ dtype=tf.float32,
68+ initializer=tf.random_normal_initializer(stddev=0.01))
69+ b2 = tf.get_variable("b2",
70+ shape=[W2_SIZE],
71+ dtype=tf.float32,
72+ initializer=tf.random_normal_initializer(stddev=0.01))
73+ x3 = tf.nn.relu(tf.matmul(x2_drop, W2) + b2, name="x3")
74+
75+ # 第3層のドロップアウトを設定
76+ x3_drop = tf.nn.dropout(x3, x3_keep_prob)
77+
78+ # 第4層
79+ W3 = tf.get_variable("W3",
80+ shape=[W2_SIZE, OUTPUT_SIZE],
81+ dtype=tf.float32,
82+ initializer=tf.random_normal_initializer(stddev=0.01))
83+ b3 = tf.get_variable("b3",
84+ shape=[OUTPUT_SIZE],
85+ dtype=tf.float32,
86+ initializer=tf.random_normal_initializer(stddev=0.01))
87+ x4 = tf.nn.softmax(tf.matmul(x3_drop, W3) + b3, name="x4")
88+
89+ # コスト関数
90+ cross_entropy = -tf.reduce_sum(y * tf.log(x4), name="cross_entropy")
91+ tf.summary.scalar('cross_entropy', cross_entropy)
92+
93+ # 正答率
94+ # 出力テンソルの中でもっとも値が大きいもののインデックスが
95+ # 正答と等しいかどうかを計算する
96+ correct = tf.equal(tf.argmax(x4,1), tf.argmax(y, 1), name="correct")
97+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
98+ tf.summary.scalar('accuracy', accuracy)
99+
100+ # 最適化アルゴリズムを定義
101+ global_step = tf.Variable(0, name='global_step', trainable=False)
102+ optimizer = tf.train.AdamOptimizer(1e-5, name="optimizer")
103+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
104+
105+ # 学習結果を保存するためのオブジェクトを用意
106+ saver = tf.train.Saver()
107+
108+
109+# 読み込んだデータの変換用関数
110+def map_dataset(serialized):
111+ features = {
112+ 'label': tf.FixedLenFeature([], tf.int64),
113+ 'height': tf.FixedLenFeature([], tf.int64),
114+ 'width': tf.FixedLenFeature([], tf.int64),
115+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
116+ }
117+ parsed = tf.parse_single_example(serialized, features)
118+
119+ # 読み込んだデータを変換する
120+ raw_label = tf.cast(parsed['label'], tf.int32)
121+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
122+ [raw_label, 0],
123+ [1, LABEL_SIZE]),
124+ [LABEL_SIZE])
125+
126+ #image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
127+ image = parsed['raw_image']
128+ return (image, label, raw_label)
129+
130+## データセットの読み込み
131+# 読み出すデータは各データ200件ずつ×3で計600件
132+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
133+ .map(map_dataset)\
134+ .batch(600)
135+
136+# データにアクセスするためのイテレータを作成
137+iterator = dataset.make_one_shot_iterator()
138+item = iterator.get_next()
139+
140+# セッションの作成
141+sess = tf.Session()
142+
143+# 変数の初期化を実行する
144+sess.run(tf.global_variables_initializer())
145+
146+ # 学習結果を保存したファイルが存在するかを確認し、
147+ # 存在していればそれを読み出す
148+latest_filename = tf.train.latest_checkpoint("./")
149+if latest_filename:
150+ print("load saved model {}".format(latest_filename))
151+ saver.restore(sess, latest_filename)
152+
153+# サマリを取得するための処理
154+summary_op = tf.summary.merge_all()
155+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
156+
157+# 学習用データを読み出す
158+(dataset_x, dataset_y, values_y) = sess.run(item)
159+
160+steps = tf.train.global_step(sess, global_step)
161+
162+## テスト用データセットを読み出す
163+# テストデータは50×3=150件
164+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
165+ .map(map_dataset)\
166+ .batch(150)
167+iterator2 = dataset2.make_one_shot_iterator()
168+item2 = iterator2.get_next()
169+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
170+
171+test_summary = tf.summary.scalar('test_result', accuracy)
172+
173+if steps == 0:
174+ # 初期状態を記録
175+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
176+ { x1: dataset_x, y: dataset_y })
177+ print("CROSS ENTROPY({}): {}".format(0, xe))
178+ print(" ACCURACY({}): {}".format(0, acc))
179+ summary_writer.add_summary(summary, global_step=0)
180+
181+# 学習を開始
182+start_time = time.time()
183+for i in range(30):
184+ for j in range(100):
185+ sess.run(minimize,
186+ {x1: dataset_x,
187+ y: dataset_y,
188+ enable_dropout: 1.0})
189+
190+ # 途中経過を取得・保存
191+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
192+ {x1: dataset_x, y: dataset_y})
193+ acc2, summary2 = sess.run([accuracy, test_summary],
194+ {x1: testdataset_x, y: testdataset_y})
195+ print("CROSS ENTROPY({}): {}".format(steps + 100 * (i+1), xe))
196+ print(" ACCURACY({}): {}".format(steps + 100 * (i+1), acc))
197+ print(" TEST RESULT({}): {}".format(steps + 100 * (i+1), acc2))
198+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
199+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
200+
201+# 学習終了
202+print ("time: {} sec".format(time.time() - start_time))
203+
204+save_path = saver.save(sess, MODEL_NAME, global_step=tf.train.global_step(sess, global_step))
205+print("Model saved to {}".format(save_path))
206+
207+## 結果の出力
208+
209+# 学習に使用したデータを入力した場合の
210+# 正答率を計算する
211+print("----result with teaching data----")
212+
213+print("assumed label:")
214+print(sess.run(tf.argmax(x4, 1), {x1: dataset_x}))
215+print("real label:")
216+print(sess.run(tf.argmax(y, 1), {y: dataset_y}))
217+print("accuracy:", sess.run(accuracy, {x1: dataset_x, y: dataset_y}))
218+
219+
220+# テスト用データを入力した場合の
221+# 正答率を計算する
222+print("----result with test data----")
223+
224+
225+# 正答率を出力
226+print("assumed label:")
227+print(sess.run(tf.argmax(x4, 1), {x1: testdataset_x}))
228+print("real label:")
229+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
230+print("accuracy:", sess.run(accuracy, {x1: testdataset_x, y: testdataset_y}))
231+
--- /dev/null
+++ b/deep_learning/deep_learning5.py
@@ -0,0 +1,244 @@
1+#!/usr/bin/env python
2+# -*- coding: utf-8 -*-
3+import sys
4+import os.path
5+import tensorflow as tf
6+import time
7+
8+INPUT_WIDTH = 100
9+INPUT_HEIGHT = 100
10+INPUT_CHANNELS = 3
11+
12+INPUT_SIZE = INPUT_WIDTH * INPUT_HEIGHT * INPUT_CHANNELS
13+W1_SIZE = 100
14+W2_SIZE = 100
15+OUTPUT_SIZE = 3
16+LABEL_SIZE = OUTPUT_SIZE
17+
18+TEACH_FILES = ["../data2/teach_cat.tfrecord",
19+ "../data2/teach_dog.tfrecord",
20+ "../data2/teach_monkey.tfrecord"]
21+TEST_FILES = ["../data2/test_cat.tfrecord",
22+ "../data2/test_dog.tfrecord",
23+ "../data2/test_monkey.tfrecord"]
24+
25+MODEL_NAME = "./deep_model"
26+
27+
28+# 結果をそろえるために乱数の種を指定
29+tf.set_random_seed(1111)
30+
31+## 入力と計算グラフを定義
32+with tf.variable_scope('model') as scope:
33+ x1 = tf.placeholder(dtype=tf.float32)
34+ y = tf.placeholder(dtype=tf.float32)
35+
36+ # ドロップアウト設定用のプレースホルダ
37+ enable_dropout = tf.placeholder_with_default(0.0, [], name="enable_dropout")
38+
39+ # ドロップアウト確率
40+ prob_one = tf.constant(1.0, dtype=tf.float32)
41+
42+ # enable_dropoutが0の場合、キープ確率は1。そうでない場合、一定の確率に設定する
43+ x1_keep_prob = prob_one - enable_dropout * 0.2
44+ x2_keep_prob = prob_one - enable_dropout * 0.5
45+ x3_keep_prob = prob_one - enable_dropout * 0.5
46+
47+ # 第1層のドロップアウトを設定
48+ x1_drop = tf.nn.dropout(x1, x1_keep_prob)
49+
50+ # 第2層
51+ W1 = tf.get_variable("W1",
52+ shape=[INPUT_SIZE, W1_SIZE],
53+ dtype=tf.float32,
54+ initializer=tf.random_normal_initializer(stddev=0.01))
55+ b1 = tf.get_variable("b1",
56+ shape=[W1_SIZE],
57+ dtype=tf.float32,
58+ initializer=tf.random_normal_initializer(stddev=0.01))
59+ x2 = tf.nn.relu(tf.matmul(x1_drop, W1) + b1, name="x2")
60+
61+ # 第2層のドロップアウトを設定
62+ x2_drop = tf.nn.dropout(x2, x2_keep_prob)
63+
64+ # 第3層
65+ W2 = tf.get_variable("W2",
66+ shape=[W1_SIZE, W2_SIZE],
67+ dtype=tf.float32,
68+ initializer=tf.random_normal_initializer(stddev=0.01))
69+ b2 = tf.get_variable("b2",
70+ shape=[W2_SIZE],
71+ dtype=tf.float32,
72+ initializer=tf.random_normal_initializer(stddev=0.01))
73+ x3 = tf.nn.relu(tf.matmul(x2_drop, W2) + b2, name="x3")
74+
75+ # 第3層のドロップアウトを設定
76+ x3_drop = tf.nn.dropout(x3, x3_keep_prob)
77+
78+ # 第4層
79+ W3 = tf.get_variable("W3",
80+ shape=[W2_SIZE, OUTPUT_SIZE],
81+ dtype=tf.float32,
82+ initializer=tf.random_normal_initializer(stddev=0.01))
83+ b3 = tf.get_variable("b3",
84+ shape=[OUTPUT_SIZE],
85+ dtype=tf.float32,
86+ initializer=tf.random_normal_initializer(stddev=0.01))
87+ x4 = tf.nn.softmax(tf.matmul(x3_drop, W3) + b3, name="x4")
88+
89+ # コスト関数
90+ cross_entropy = -tf.reduce_sum(y * tf.log(x4), name="cross_entropy")
91+ tf.summary.scalar('cross_entropy', cross_entropy)
92+
93+ # 正答率
94+ # 出力テンソルの中でもっとも値が大きいもののインデックスが
95+ # 正答と等しいかどうかを計算する
96+ correct = tf.equal(tf.argmax(x4,1), tf.argmax(y, 1), name="correct")
97+ accuracy = tf.reduce_mean(tf.cast(correct, "float"), name="accuracy")
98+ tf.summary.scalar('accuracy', accuracy)
99+
100+ # 最適化アルゴリズムを定義
101+ global_step = tf.Variable(0, name='global_step', trainable=False)
102+ optimizer = tf.train.AdamOptimizer(1e-5, name="optimizer")
103+ minimize = optimizer.minimize(cross_entropy, global_step=global_step, name="minimize")
104+
105+ # 学習結果を保存するためのオブジェクトを用意
106+ saver = tf.train.Saver()
107+
108+
109+# 読み込んだデータの変換用関数
110+def map_dataset(serialized):
111+ features = {
112+ 'label': tf.FixedLenFeature([], tf.int64),
113+ 'height': tf.FixedLenFeature([], tf.int64),
114+ 'width': tf.FixedLenFeature([], tf.int64),
115+ 'raw_image': tf.FixedLenFeature([INPUT_SIZE], tf.float32),
116+ }
117+ parsed = tf.parse_single_example(serialized, features)
118+
119+ # 読み込んだデータを変換する
120+ raw_label = tf.cast(parsed['label'], tf.int32)
121+ label = tf.reshape(tf.slice(tf.eye(LABEL_SIZE),
122+ [raw_label, 0],
123+ [1, LABEL_SIZE]),
124+ [LABEL_SIZE])
125+
126+ #image = tf.reshape(parsed['raw_image'], tf.stack([parsed['height'], parsed['width'], 3]))
127+ image = parsed['raw_image']
128+ return (image, label, raw_label)
129+
130+## データセットの読み込み
131+# 読み出すデータは各データ200件ずつ×3で計600件
132+# 600件を読み出したあとシャッフルし、dataset_sizeで指定した
133+# 件数ずつ読み出す
134+dataset_size = tf.placeholder(shape=[], dtype=tf.int64)
135+dataset = tf.data.TFRecordDataset(TEACH_FILES)\
136+ .map(map_dataset)\
137+ .repeat()\
138+ .shuffle(600)\
139+ .batch(dataset_size)
140+
141+# データにアクセスするためのイテレータを作成
142+# 今回は繰り返しデータを初期化するので、make_initializable_iterator()で
143+# イテレータを作成する
144+#iterator = dataset.make_one_shot_iterator()
145+iterator = dataset.make_initializable_iterator()
146+next_dataset = iterator.get_next()
147+
148+# セッションの作成
149+sess = tf.Session()
150+
151+# 変数の初期化を実行する
152+sess.run(tf.global_variables_initializer())
153+
154+ # 学習結果を保存したファイルが存在するかを確認し、
155+ # 存在していればそれを読み出す
156+latest_filename = tf.train.latest_checkpoint("./")
157+if latest_filename:
158+ print("load saved model {}".format(latest_filename))
159+ saver.restore(sess, latest_filename)
160+
161+# サマリを取得するための処理
162+summary_op = tf.summary.merge_all()
163+summary_writer = tf.summary.FileWriter('data', graph=sess.graph)
164+steps = tf.train.global_step(sess, global_step)
165+
166+## テスト用データセットを読み出す
167+# テストデータは50×3=150件
168+dataset2 = tf.data.TFRecordDataset(TEST_FILES)\
169+ .map(map_dataset)\
170+ .batch(150)
171+iterator2 = dataset2.make_one_shot_iterator()
172+item2 = iterator2.get_next()
173+(testdataset_x, testdataset_y, testvalues_y) = sess.run(item2)
174+
175+test_summary = tf.summary.scalar('test_result', accuracy)
176+
177+## 全教師データに対する正答率を求めるために
178+# 教師データをすべて読み出しておく
179+# initializer実行時にパラメータを渡すことで
180+# 取得するデータセットのサイズを変更できる
181+sess.run(iterator.initializer, {dataset_size: 600})
182+(dataset_all_x, dataset_all_y, values_all_y) = sess.run(next_dataset)
183+
184+if steps == 0:
185+ # 初期状態を記録
186+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
187+ { x1: dataset_all_x, y: dataset_all_y })
188+ print("CROSS ENTROPY({}): {}".format(0, xe))
189+ print(" ACCURACY({}): {}".format(0, acc))
190+ summary_writer.add_summary(summary, global_step=0)
191+
192+# 学習を開始
193+start_time = time.time()
194+sess.run(iterator.initializer, {dataset_size: 100})
195+for i in range(90):
196+ for j in range(100):
197+ (dataset_x, dataset_y, values_y) = sess.run(next_dataset)
198+ sess.run(minimize,
199+ {x1: dataset_x,
200+ y: dataset_y,
201+ enable_dropout: 1.0})
202+
203+ # 途中経過を取得・保存
204+ xe, acc, summary = sess.run([cross_entropy, accuracy, summary_op],
205+ {x1: dataset_all_x, y: dataset_all_y})
206+ acc2, summary2 = sess.run([accuracy, test_summary],
207+ {x1: testdataset_x, y: testdataset_y})
208+ print("CROSS ENTROPY({}): {}".format(steps + 100 * (i+1), xe))
209+ print(" ACCURACY({}): {}".format(steps + 100 * (i+1), acc))
210+ print(" TEST RESULT({}): {}".format(steps + 100 * (i+1), acc2))
211+ summary_writer.add_summary(summary, global_step=tf.train.global_step(sess, global_step))
212+ summary_writer.add_summary(summary2, global_step=tf.train.global_step(sess, global_step))
213+
214+# 学習終了
215+print ("time: {} sec".format(time.time() - start_time))
216+
217+save_path = saver.save(sess, MODEL_NAME, global_step=tf.train.global_step(sess, global_step))
218+print("Model saved to {}".format(save_path))
219+
220+## 結果の出力
221+
222+# 学習に使用したデータを入力した場合の
223+# 正答率を計算する
224+print("----result with teaching data----")
225+
226+print("assumed label:")
227+print(sess.run(tf.argmax(x4, 1), {x1: dataset_all_x}))
228+print("real label:")
229+print(sess.run(tf.argmax(y, 1), {y: dataset_all_y}))
230+print("accuracy:", sess.run(accuracy, {x1: dataset_all_x, y: dataset_all_y}))
231+
232+
233+# テスト用データを入力した場合の
234+# 正答率を計算する
235+print("----result with test data----")
236+
237+
238+# 正答率を出力
239+print("assumed label:")
240+print(sess.run(tf.argmax(x4, 1), {x1: testdataset_x}))
241+print("real label:")
242+print(sess.run(tf.argmax(y, 1), feed_dict={y: testdataset_y}))
243+print("accuracy:", sess.run(accuracy, {x1: testdataset_x, y: testdataset_y}))
244+