目的

ゼロからKerasとTensorFlow(TF)を自由自在に動かせるようになる。
そのための、End to Endの作業ログ(備忘録)を残す。
※環境はMacだが、他のOSでの汎用性を保つように意識。
※アジャイルで執筆しており、精度を逐次高めていく予定。

環境

Mac: 10.12.3
Python: 3.6
TensorFlow: 1.0.1
Keras: 2.0.2

To Do

Keras(Tensorflow)の環境構築
 KerasでMINSTの学習と予測
 KerasでTensorBoardの利用
 Kerasで重みファイルの保存/読み込み<---いまココ
Kerasで自前データの学習と予測
 Kerasで転移学習

流れ

重みファイルの保存と読み込みの方法を理解して、新しい入力データで予測精度を試す。

学習済み重みデータの保存

参考：https://keras.io/ja/models/about-keras-models/

モデルの保存、重み情報なし

json_string = model.to_json()
open('mnist_mlp_model.json', 'w').write(json_string)

重みの保存

model.save_weights('mnist_mlp_weights.h5')

mnist_mlp.pyの末尾にファイル保存を追加。epochs数は1に変更
https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py

mnist_mlp_weights.py

from __future__ import print_function

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop


batch_size = 128
num_classes = 10
epochs = 1

# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

### save weights
json_string = model.to_json()
open('mnist_mlp_model.json', 'w').write(json_string)
model.save_weights('mnist_mlp_weights.h5')

作成したファイルを実行する。

python mnist_mlp_weights.py

実行すると、mnist_mlp_model.jsonとmnist_mlp_weights.h5が作成される。

mnist_mlp_model.json

{"class_name": "Sequential", "config": [{"class_name": "Dense", "config": {"name": "dense_43", "trainable": true, "batch_input_shape": [null, 784], "dtype": "float32", "units": 512, "activation": "relu", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dropout", "config": {"name": "dropout_29", "trainable": true, "rate": 0.2}}, {"class_name": "Dense", "config": {"name": "dense_44", "trainable": true, "units": 512, "activation": "relu", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dropout", "config": {"name": "dropout_30", "trainable": true, "rate": 0.2}}, {"class_name": "Dense", "config": {"name": "dense_45", "trainable": true, "units": 10, "activation": "softmax", "use_bias": true, "kernel_initializer": {"class_name": "VarianceScaling", "config": {"scale": 1.0, "mode": "fan_avg", "distribution": "uniform", "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}], "keras_version": "2.0.2", "backend": "tensorflow"}

学習済み重みデータの読み込み

パターン1：h5ファイルからの読み込み

以下で読み込み

model.load_weights('mnist_mlp_weights.h5')

パターン2：Kerasから自動ダウンロード

参考：https://keras.io/ja/applications/
KerasではweightsオプションでImageNetの学習済み重みの読み込みを簡単に選択できる。

from keras.applications.vgg16 import VGG16
model = VGG16(weights='imagenet', include_top=False)

以下のモデルについて、ImageNetのデータがある。

Xception
VGG16
VGG19
ResNet50
InceptionV3

h5の種類は以下のリンクから確認できる。topなしの場合数十MB、ありの場合は数百MBのファイルである。
https://github.com/fchollet/deep-learning-models/releases/

新しい画像で予測

先程はmlpのサンプルスクリプトを利用したが、ここではもう少し複雑なモデルであるvgg16を利用する。
Kerasの公式サイトのvgg16のサンプルを利用：https://keras.io/ja/applications/
結果表示で名前が表示されるために、include_top=Trueに変更する必要あり。
象の画像elephant.jpgはgoogle画像検索して適宜調達する。
結果表示の方法は以下を参考。
http://aidiary.hatenablog.com/entry/20170104/1483535144

実行すると、重みファイルを読み込むため少々時間がかかる。

vgg16_imagenet_prelearnes.py

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np

model = VGG16(weights='imagenet', include_top=True)

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

features = model.predict(x)

### show result
from keras.applications.vgg16 import decode_predictions
results = decode_predictions(features, top=5)[0]
for result in results:
    print(result)

実行する。

python vgg16_imagenet_prelearnes.py

結果、象と予測されていることが確認できる。

('n02504013', 'Indian_elephant', 0.7175734)
('n02504458', 'African_elephant', 0.24314526)
('n01871265', 'tusker', 0.036461893)
('n02437312', 'Arabian_camel', 0.00091134955)
('n01704323', 'triceratops', 0.00051373575)

[Keras/TensorFlow] Kerasでweightの保存と読み込み利用

目的

環境