convnetjsとtensorflow その4

概要

MNIST問題をconvnetjsとtensorflowでやってみた。

学習データの用意

データ

MNSIT

ラベル

MNIST

モデルの作成

分類 classification です。

入力、出力

convnetjsの場合

{
    type: 'input',
    out_sx: 24,
    out_sy: 24,
    out_depth: 1
}
{
    type: 'softmax',
    num_classes: 10
}

tensorflowの場合

n_input = 784
n_classes = 10
x = tf.placeholder("float", [None, n_input], name = 'x')
y = tf.placeholder("float", [None, n_classes], name = 'y')

重みとバイアス

convnetjsの場合

{
    type: 'conv',
    sx: 5,
    filters: 8,
    stride: 1,
    pad: 2,
    activation: 'relu'
}
{
    type: 'pool',
    sx: 2,
    stride: 2
}
{
    type: 'conv',
    sx: 5,
    filters: 16,
    stride: 1,
    pad: 2,
    activation: 'relu'
}
{
    type: 'pool',
    sx: 3,
    stride: 3
}

tensorflowの場合

def multilayer_perceptron(x, weights, biases):
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
    layer_2 = tf.nn.relu(layer_2)
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}
pred = multilayer_perceptron(x, weights, biases)

活性化関数を使う

convnetjsの場合

activation: 'relu'

tensorflowの場合

layer_1 = tf.nn.relu(layer_1)

ロス値を定義

convnetjsの場合

stats.loss;

tensorflowの場合

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))

最適化の方法定義

convnetjsの場合

var trainer = new convnetjs.Trainer(net);

tensorflowの場合

optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)

セッションを定義して学習する。
convnetjsの場合

var x = sample.x;
var y = sample.label;
var stats = trainer.train(x, y);

tensorflowの場合

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(training_epochs):
            batch_x, batch_y = mnist.train.next_batch(batch_size)
            _, c = sess.run([optimizer, cost], feed_dict = {
                x: batch_x,
                y: batch_y
            })

グラフとデータのセーブ

convnetjsの場合

JSON.stringify(net.toJSON());

tensorflowの場合

minimal_graph = convert_variables_to_constants(sess, sess.graph_def, ['accuracy'])
tf.train.write_graph(minimal_graph, './', 'trained_graph.pb', as_text = False)

グラフとデータの復帰

convnetjsの場合

var json = JSON.parse(jsonString);
net = new convnetjs.Net();
net.fromJSON(json);

tensorflowの場合

with graph.as_default():
    with open('trained_graph.pb', 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name = '')

テストデータで取り出す。

convnetjsの場合

var aavg = new convnetjs.Vol(1, 1, num_classes, 0.0);
var xs = [].concat(sample.x);
var n = xs.length;
for (var i = 0; i < n; i++) 
{
      var a = net.forward(xs[i]);
      aavg.addFrom(a);
}

tensorflowの場合

print("ans:", sess.run([correct_prediction], feed_dict = {
    x: mnist.test.images
}))

サンプルコード

convnetjsの場合の学習
http://jsdo.it/ohisama1/20xy
convnetjsの場合の分類
http://jsdo.it/ohisama1/UALE
tensorflowの場合
https://github.com/ohisama/tensorflow-tegaki