参考URL：https://www.tensorflow.org/tutorials/quickstart/beginner?hl=ja

目標

以下のことを行う

画像を分類するニューラルネットワークを構築する
ニューラルネットワークを訓練する
モデルの性能を評価する

パッケージの用意

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# tensorflowのver確認
print(tf.__version__)

2.3.0

データセットを用意

今回はMNISTを使用する

他のデータセット：https://www.tensorflow.org/api_docs/python/tf/keras/datasets?hl=JA

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# サンプルを整数から浮動小数点数に変換（0から255を0から1の範囲に変換） 
x_train, x_test = x_train / 255.0, x_test / 255.0

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step

# データの形を確認
print(x_train.shape)
print(x_test.shape)

(60000, 28, 28)
(10000, 28, 28)

訓練データ：60000枚
テストデータ：10000枚

モデルの構築

処理の流れ

28✖️28の２次元データを１次元に平滑（へいかつ）化
> tf.keras.layers.Flatten
> input_shape=(28, 28)で入力されるデータの形を指定している
隠れ層の定義
> tf.keras.layers.Dense
> 128はユニットの数（ニューロンの数）
> activation='relu'は活性化関数　ReLUを指定している
> 他の活性化関数：https://www.tensorflow.org/api_docs/python/tf/keras/activations?hl=ja
ドロップアウトの定義
> 過学習を防ぐためにランダムにいくつかのニューロンを無効にする
> 0.2で2割を無効にする
全結合層の定義
> 最終的に10個クラスに分類するので10を指定する

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

学習前の予測

クラスごとに"ロジット"や"対数オッズ比"と呼ばれるスコアを算出する

予測するデータを可視化

数字の5かな？？

plt.figure()
plt.imshow(x_train[0] * 255, cmap="gray")
plt.grid(False)
plt.show()

学習前のモデルで予測

predictions = model(x_train[:1]).numpy()
predictions

array([[-0.68039566,  0.24756509,  0.03884459,  0.13278663, -0.09757528,
        -0.41739488, -0.07566899, -0.00817996,  0.17783645,  0.13316259]],
      dtype=float32)

予測時の投入するデータの形

x_train[0]だと形が合わないので注意
モデルは、サンプルの中のバッチ（batch）あるいは「集まり」について予測を行うように作られている

print(x_train[0].shape)
print(x_train[:1].shape)

(28, 28)
(1, 28, 28)

スコアを確率に変換

predictions_probability = tf.nn.softmax(predictions).numpy()
print(predictions_probability)
# 予測された確率から最大要素のインデックスを取得
np.argmax(predictions_probability)

[[0.05172387 0.13082756 0.10618253 0.1166411  0.09264173 0.06728384
  0.09469356 0.10130493 0.12201592 0.11668495]]





1

損失関数の定義

損失関数

交差エントロピーを採用している

他の損失関数：https://www.tensorflow.org/api_docs/python/tf/keras/losses?hl=ja

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

loss_fn(y_train[:1], predictions).numpy()

2.6988351

モデルのコンパイル

学習のためのモデルを定義している

optimizer：最適化アルゴリズム
- 今回はAdamを指定
- その他の最適化アルゴリズム：https://www.tensorflow.org/api_docs/python/tf/keras/optimizers
loss：損失関数
- 今回は交差エントロピーを指定
metrics：学習及びテスト中に定量化される項目
- 今回はaccuracy（正確性）を指定

model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])

モデルの学習

エポックを5にして学習を行う
エポック：１つの訓練データを何回繰り返して学習させるか」の数のこと

model.fit(x_train, y_train, epochs=5)

Epoch 1/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2981 - accuracy: 0.9127
Epoch 2/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.1435 - accuracy: 0.9572
Epoch 3/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.1079 - accuracy: 0.9671
Epoch 4/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0875 - accuracy: 0.9728
Epoch 5/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0750 - accuracy: 0.9768





<tensorflow.python.keras.callbacks.History at 0x7f12f819d5c0>

モデルの性能評価

テストデータを使用してモデルの損失値と正確性を算出する
verboseはプログレスバーを表示するかどうかのオプション
今回のモデルはテストデータにおいて97%の正解率を示している

model.evaluate(x_test,  y_test, verbose=1)

313/313 [==============================] - 0s 1ms/step - loss: 0.0742 - accuracy: 0.9772





[0.07416515052318573, 0.9771999716758728]

モデルの出力を変更

数値ではなく確率を出力する場合

probability_model = tf.keras.Sequential([
  model,
  tf.keras.layers.Softmax()
])

predictions = probability_model(x_test[:5])

# 予測と正解を可視化して比べてみる
for index, prediction in enumerate(predictions):
    print(f'予測：{np.argmax(prediction)} 正解：{y_test[index]}')
    ax = plt.subplot(3, 3, index + 1)
    plt.imshow(x_test[index] * 255, cmap="gray")
    plt.show()

予測：7 正解：7

予測：2 正解：2

予測：1 正解：1

予測：0 正解：0

予測：4 正解：4