Chainerにはextensions.snapshot()というスナップショットを出力する機能があるので、それを使って学習の推移を比較したい。ソースコードはここ

【追記】predictorの前にwith chainer.using_config('train', False):を設定しないと誤差伝番が実行されてしまうので注意

動作環境

Ubuntu 16.04.3 LTS
Python 3.5.2
chainer 3.2
opencv-python 3.2

実行イメージ

一番左が正解画像で、右に行くほど学習が進んだスナップショットとなる。学習が進むほど文字がシャープになっているのが確認できる。

コード

メイン部 `main()`

[1]でネットワーク層を設定、[2]で入力する画像の生成、[3]でスナップショットを呼び出し学習モデルの生成と推論実行、[4]で各スナップショットから生成された出力画像を連結し、表示と保存を実行する。

predict_some_snapshot.py

import cv2
import numpy as np
import chainer
import chainer.links as L
from Lib.network import JC
import Lib.imgfunc as IMG
import Tools.func as F
from predict import getModelParam, predict, isImage, checkModelType

def main(args):
    # [1]
    snapshot_path, param = getSnapshotAndParam(args.snapshot_and_json)
    unit, ch, layer, sr, af1, af2 = getModelParam(param)
    model = L.Classifier(JC(
        n_unit=unit, n_out=ch, layer=layer, rate=sr,
        actfun_1=af1, actfun_2=af2
    ))
    # [2]
    img = getImage(args.jpeg, ch, args.random_seed)
    out_imgs = [img]
    # [3]
    for s in snapshot_path:
        load_path = checkModelType(s)
        try:
            chainer.serializers.load_npz(s, model, path=load_path)
        except:
            import traceback
            traceback.print_exc()
            print(F.fileFuncLine())
            exit()

        if args.gpu >= 0:
            chainer.cuda.get_device_from_id(args.gpu).use()
            model.to_gpu()

        with chainer.using_config('train', False):        
            out_imgs.append(predict(model, args, img, ch, -1))

    # [4]
    img = stackImages(out_imgs, args.img_rate)
    cv2.imshow('predict some snapshots', img)
    cv2.waitKey()
    cv2.imwrite(F.getFilePath(args.out_path, 'snapshots.jpg'), img)

推論実行 `predict()`

predict()をはじめとしたいくつかの関数は自作である。ソースコードは同じリポジトリにある。[1]で画像を圧縮して劣化させ、[2]で分割する。[3]でバッチサイズごとに実行し、[4]で分割した画像を再度結合し、[5]でサイズを入力画像と同じにして[6]で保存する。

predict.py

import cv2
import numpy as np
import chainer
import chainer.links as L
from chainer.cuda import to_cpu
from Lib.network import JC
import Lib.imgfunc as IMG
import Tools.func as F

def predict(model, args, img, ch, val):

    org_size = img.shape
    # [1]
    comp = IMG.encodeDecode([img], IMG.getCh(ch), args.quality)
    if(val >= 0):
        cv2.imwrite(
            F.getFilePath(args.out_path, 'comp-' +
                          str(val * 10).zfill(3), '.jpg'),
            comp[0]
        )

    # [2]
    comp, size = IMG.split(comp, args.img_size)
    imgs = []
    # [3]
    for i in range(0, len(comp), args.batch):
        x = IMG.imgs2arr(comp[i:i + args.batch], gpu=args.gpu)
        y = model.predictor(x)
        y = to_cpu(y.array)
        y = IMG.arr2imgs(y, ch, args.img_size * 2)
        imgs.extend(y)

    # [4]
    buf = [np.vstack(imgs[i * size[0]: (i + 1) * size[0]])
           for i in range(size[1])]
    img = np.hstack(buf)
    # [5]
    h = 0.5
    half_size = (int(img.shape[1] * h), int(img.shape[0] * h))
    flg = cv2.INTER_NEAREST
    img = cv2.resize(img, half_size, flg)
    img = img[:org_size[0], :org_size[1]]
    # [6]
    if(val >= 0):
        name = F.getFilePath(args.out_path, 'comp-' + str(val * 10 + 1).zfill(3), '.jpg')
        print('save:', name)
        cv2.imwrite(name, img)

    return img

以上。