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