目的
2019年3月26日（火）からミッキーの顔が変わりました
!?
どちらがbeforeでどちらがafter?
私の目ではよくわからないので、機械学習モデルで分類にチャレンジします。
（正解は、左：after 右:before）
準備
コード等は参考文献を大変参考にさせていただきました。
環境
Mac OS sirra 10.13.6
プロセッサ：2.3 GHz Intel Core i5
メモリ：8 GB 2133 MHz LPDDR3
グラフィック：Intel Iris Plus Graphics 640 1536 MB
画像を準備します。
1.google_images_downloadをインストール
pip install google_images_download
2.画像をダウンロードする
下記コマンドで画像を集めに行きます。
googleimagesdownload -k 検索したいワード
下記のように画像を切り出します。
（opencv-pythonでミッキーの顔は切り出せず、手動で切り出しました。ミッキー顔モデルあれば下さい。macだと、command+shift+4でscreen shotすると楽です）
機械学習ライブラリTensorflowをインストール
pip install tensorflow==2.0.0-alpha0
3.
その他ライブラリをインストール(mac)
pip install matplotlib
pip install numpy
コード
256*256 JPEG imageの画像を格納しておきます。フォルダ構成は下記。
(after: new_micky_2, before: pre_micky_2 に読みかえて下さい。すいません。。)
- data
- train
- new_micky_2
- pre_micky_2
- validation
- new_micky_2
- pre_micky_2
- evaluation ※実評価用
Afterミッキー画像データ少ないので、こちらを参照して回転を駆使して画像生成しました。
最終的に下記枚数を用意しました。これを4:1程度の割合でtrain/validationに分けます。
Afterミッキー画像： 660 枚
Beforeミッキー画像： 551 枚
画像増やすコード（参照元：こちら）
in:pre_micky フォルダ --(画像増やす)--> out:pre_micky_2 フォルダ
# -*- coding: utf-8 -*-
import os
from PIL import Image, ImageFilter
def main():
data_dir_path = u"./pre_micky_2/"
data_dir_path_in = u"./pre_micky/"
file_list = os.listdir(r'./pre_micky/')
#data_dir_path = u"./new_micky_2/"
#data_dir_path_in = u"./new_micky/"
#file_list = os.listdir(r'./new_micky/')
for file_name in file_list:
root, ext = os.path.splitext(file_name)
if ext == u'.png' or u'.jpeg' or u'.jpg':
img = Image.open(data_dir_path_in + '/' + file_name)
tmp = img.transpose(Image.FLIP_LEFT_RIGHT)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r01.jpg')
tmp = img.transpose(Image.FLIP_TOP_BOTTOM)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r02.jpg')
tmp = img.transpose(Image.ROTATE_90)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r03.jpg')
tmp = img.transpose(Image.ROTATE_180)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r04.jpg')
tmp = img.transpose(Image.ROTATE_270)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r05.jpg')
tmp = img.rotate(15)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r06.jpg')
tmp = img.rotate(30)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r07.jpg')
tmp = img.rotate(45)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r08.jpg')
tmp = img.rotate(60)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r09.jpg')
tmp = img.rotate(75)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r10.jpg')
tmp = img.rotate(105)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r11.jpg')
tmp = img.rotate(120)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r12.jpg')
tmp = img.rotate(135)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r13.jpg')
tmp = img.rotate(150)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r14.jpg')
tmp = img.rotate(165)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r15.jpg')
tmp = img.rotate(195)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r16.jpg')
tmp = img.rotate(210)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r17.jpg')
tmp = img.rotate(225)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r18.jpg')
tmp = img.rotate(240)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r19.jpg')
tmp = img.rotate(255)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r20.jpg')
tmp = img.rotate(285)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r21.jpg')
tmp = img.rotate(300)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r22.jpg')
tmp = img.rotate(315)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r23.jpg')
tmp = img.rotate(330)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r24.jpg')
tmp = img.rotate(345)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r25.jpg')
tmp = img.filter(ImageFilter.FIND_EDGES)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r26.jpg')
tmp = img.filter(ImageFilter.EDGE_ENHANCE)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r27.jpg')
tmp = img.filter(ImageFilter.EDGE_ENHANCE_MORE)
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r28.jpg')
tmp = img.filter(ImageFilter.UnsharpMask(radius=5, percent=150, threshold=2))
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r29.jpg')
tmp = img.filter(ImageFilter.UnsharpMask(radius=10, percent=200, threshold=5))
if tmp.mode != "RGB":
tmp = tmp.convert("RGB")
tmp.save(data_dir_path + '/' + root +'_r30.jpg')
if __name__ == '__main__':
main()
学習コード
from tensorflow.python.keras import layers
from tensorflow.python.keras import models
from tensorflow.python.keras import optimizers
from tensorflow.python.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import glob
# モデルの定義
model = models.Sequential()
model.add(layers.Conv2D(16, (3, 3), activation='relu', input_shape=(256, 256, 3)))
model.add(layers.Conv2D(16, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
# モデルのコンパイル
model.compile(loss='binary_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
model.summary()
# クラス宣言
train_datagen = ImageDataGenerator(
rescale=1.0 / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1.0 / 255)
# フォルダ指定
batch_size=23
train_generator = train_datagen.flow_from_directory(
'data/train',
target_size=(256, 256),
batch_size=batch_size,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
'data/validation',
target_size=(256, 256),
batch_size=batch_size,
class_mode='binary')
print(train_generator.class_indices)
# 学習
history = model.fit_generator(train_generator,
steps_per_epoch=10,
epochs=15,
validation_data=validation_generator,
validation_steps=10)
#model.save('./data/model-mickey.h5')
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)
print(acc);
print(val_acc);
print(loss);
print(val_loss);
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.savefig("figure-acc.png")
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.savefig("figure-loss.png")
# evaluation
paths = glob.glob("./data/evaluation/*.jpg")
for path in paths:
img = Image.open(path).convert('RGB')
img = img.resize((256, 256))
x = np.array(img)
x = x / 255.
x = x[None, ...]
pred_prob = model.predict(x, batch_size=1, verbose=0)
# 2値分類なので[0,1]の確率を出力する。0.5以上なら1とする。
pred = np.round(pred_prob, 0)
print("---{0}---".format(path))
print(pred_prob)
print("{0}の予測結果は{1}です．".format(path, pred))
テスト結果
学習コードを実行します。
一回の実行に約１０分掛かりました。
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 254, 254, 16) 160
_________________________________________________________________
conv2d_1 (Conv2D) (None, 252, 252, 16) 2320
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 126, 126, 16) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 124, 124, 32) 4640
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 62, 62, 32) 0
_________________________________________________________________
flatten (Flatten) (None, 123008) 0
_________________________________________________________________
dense (Dense) (None, 512) 62980608
_________________________________________________________________
dense_1 (Dense) (None, 256) 131328
_________________________________________________________________
dense_2 (Dense) (None, 1) 257
=================================================================
Total params: 63,119,313
Trainable params: 63,119,313
Non-trainable params: 0
_________________________________________________________________
Found 719 images belonging to 2 classes.
Found 452 images belonging to 2 classes.
{'new_micky_2': 0, 'pre_micky_2': 1}
Epoch 1/15
10/10 [==============================] - 22s 2s/step - loss: 0.9005 - acc: 0.5352 - val_loss: 0.6590 - val_acc: 0.5826
Epoch 2/15
10/10 [==============================] - 21s 2s/step - loss: 0.6633 - acc: 0.5826 - val_loss: 0.7479 - val_acc: 0.5826
Epoch 3/15
10/10 [==============================] - 19s 2s/step - loss: 0.6628 - acc: 0.6043 - val_loss: 0.6753 - val_acc: 0.5826
Epoch 4/15
10/10 [==============================] - 22s 2s/step - loss: 0.6604 - acc: 0.6056 - val_loss: 0.6298 - val_acc: 0.6348
Epoch 5/15
10/10 [==============================] - 21s 2s/step - loss: 0.6367 - acc: 0.5870 - val_loss: 0.6609 - val_acc: 0.6304
Epoch 6/15
10/10 [==============================] - 18s 2s/step - loss: 0.6484 - acc: 0.6261 - val_loss: 0.6195 - val_acc: 0.6174
Epoch 7/15
10/10 [==============================] - 20s 2s/step - loss: 0.5648 - acc: 0.7130 - val_loss: 0.6153 - val_acc: 0.6174
Epoch 8/15
10/10 [==============================] - 22s 2s/step - loss: 0.5836 - acc: 0.6609 - val_loss: 0.5825 - val_acc: 0.6435
Epoch 9/15
10/10 [==============================] - 20s 2s/step - loss: 0.6334 - acc: 0.5962 - val_loss: 0.5500 - val_acc: 0.6913
Epoch 10/15
10/10 [==============================] - 21s 2s/step - loss: 0.5732 - acc: 0.6913 - val_loss: 0.5334 - val_acc: 0.6826
Epoch 11/15
10/10 [==============================] - 21s 2s/step - loss: 0.5201 - acc: 0.7304 - val_loss: 0.5285 - val_acc: 0.6957
Epoch 12/15
10/10 [==============================] - 19s 2s/step - loss: 0.5405 - acc: 0.7043 - val_loss: 0.5261 - val_acc: 0.6913
Epoch 13/15
10/10 [==============================] - 19s 2s/step - loss: 0.5479 - acc: 0.7606 - val_loss: 0.6096 - val_acc: 0.7087
Epoch 14/15
10/10 [==============================] - 20s 2s/step - loss: 0.5019 - acc: 0.7512 - val_loss: 0.5965 - val_acc: 0.7043
Epoch 15/15
10/10 [==============================] - 21s 2s/step - loss: 0.4430 - acc: 0.8000 - val_loss: 0.4810 - val_acc: 0.7304
Training and validation accuracy
Training and validation loss
現状、約70%前後の精度が出ているようです。（少なくとも私の目よりは正確です。）
尚、ディズニー好きの方に尋ねると精度が0.77 でした、熟練者の目は侮れないと感じたと共に、
短時間でこれだけの学習モデルを構築できる時代になったのだなと感じる次第です。
実評価結果
ラベル
0 : 'new_micky_2'
1 : 'pre_micky_2'
勘所のある方は目視で予測をお願い致します。
---./data/evaluation/1.jpg---
[[0.01404036]]
./data/evaluation/1.jpgの予測結果は[[0.]]です．
（正解：0 new）
---./data/evaluation/2.jpg---
[[0.0665699]]
./data/evaluation/2.jpgの予測結果は[[0.]]です．
（正解：0 new）
---./data/evaluation/3.jpg---
[[0.07572532]]
./data/evaluation/3.jpgの予測結果は[[0.]]です．
（正解：0 new）
---./data/evaluation/4.jpg---
[[0.89546007]]
./data/evaluation/4.jpgの予測結果は[[1.]]です．
（正解：1 pre）
---./data/evaluation/5.jpg---
[[0.8607153]]
./data/evaluation/5.jpgの予測結果は[[1.]]です．
（正解：1 pre）
---./data/evaluation/6.jpg---
[[0.85950744]]
./data/evaluation/6.jpgの予測結果は[[1.]]です．
（正解：1 pre）
実評価テストは６問中６問正解してしまった。
学習モデルにとっては、簡単なテスト画像過ぎたのかもしれない。
ただし、今だに私はbefore/afterの区別がつかない。。
精度向上や評価指標など、
改善点があればご指導ご鞭撻の程よろしくお願いいたします。
（CNNやImageGeneratorの知見獲得は今後の課題とさせてください。）
2019/4/14追記
おそらく過学習している事に気付きました。現状の方式だと汎用性に乏しいと思います。
・データの与え方
・学習方法
に少なくとも工夫が必要と思います。
CodingError対策
Exception: A target array with shape (xxx, x) was passed for an output of shape (None, 1)
class_mode=の部分が不一致の場合に起こりました。class_mode='binary'にして解決
ImportError: cannot import name 'models' from 'tensorflow'
kerasの旧I/Fを使用した際に起こりました。最新I/Fを使用しましょう。
本ケースの場合は下記のimportの部分が誤っていました。
from tensorflow.python.keras import models
2019/4/4追記
EPOCH数を、15→150に増やして評価を再実施しました。
Epoch 1/150
10/10 [==============================] - 21s 2s/step - loss: 0.8748 - acc: 0.5117 - val_loss: 0.9994 - val_acc: 0.5391
Epoch 2/150
10/10 [==============================] - 19s 2s/step - loss: 0.6923 - acc: 0.5565 - val_loss: 0.7888 - val_acc: 0.5391
Epoch 3/150
10/10 [==============================] - 19s 2s/step - loss: 0.6538 - acc: 0.6043 - val_loss: 0.6662 - val_acc: 0.5435
Epoch 4/150
10/10 [==============================] - 20s 2s/step - loss: 0.6446 - acc: 0.5870 - val_loss: 0.6353 - val_acc: 0.6043
Epoch 5/150
10/10 [==============================] - 18s 2s/step - loss: 0.6443 - acc: 0.6291 - val_loss: 0.6254 - val_acc: 0.6348
Epoch 6/150
10/10 [==============================] - 17s 2s/step - loss: 0.6435 - acc: 0.6174 - val_loss: 0.6368 - val_acc: 0.5565
Epoch 7/150
10/10 [==============================] - 19s 2s/step - loss: 0.6046 - acc: 0.6783 - val_loss: 0.5926 - val_acc: 0.7000
Epoch 8/150
10/10 [==============================] - 19s 2s/step - loss: 0.5660 - acc: 0.6913 - val_loss: 0.6009 - val_acc: 0.6870
Epoch 9/150
10/10 [==============================] - 17s 2s/step - loss: 0.6128 - acc: 0.6244 - val_loss: 0.5784 - val_acc: 0.6043
Epoch 10/150
10/10 [==============================] - 19s 2s/step - loss: 0.5116 - acc:
---
（省略）
---
Epoch 50/150
10/10 [==============================] - 19s 2s/step - loss: 0.1624 - acc: 0.9478 - val_loss: 0.2794 - val_acc: 0.8696
Epoch 51/150
10/10 [==============================] - 684s 68s/step - loss: 0.1539 - acc: 0.9565 - val_loss: 0.1804 - val_acc: 0.9304
Epoch 52/150
10/10 [==============================] - 24s 2s/step - loss: 0.1200 - acc: 0.9565 - val_loss: 0.2099 - val_acc: 0.9000
Epoch 53/150
10/10 [==============================] - 18s 2s/step - loss: 0.2662 - acc: 0.9155 - val_loss: 0.3686 - val_acc: 0.8087
Epoch 54/150
10/10 [==============================] - 17s 2s/step - loss: 0.1405 - acc: 0.9522 - val_loss: 0.1684 - val_acc: 0.9348
Epoch 55/150
10/10 [==============================] - 19s 2s/step - loss: 0.1212 - acc: 0.9609 - val_loss: 0.2098 - val_acc: 0.9000
Epoch 56/150
10/10 [==============================] - 18s 2s/step - loss: 0.1852 - acc: 0.9343 - val_loss: 0.1590 - val_acc: 0.9348
Epoch 57/150
10/10 [==============================] - 17s 2s/step - loss: 0.1600 - acc: 0.9217 - val_loss: 0.2864 - val_acc: 0.8826
Epoch 58/150
10/10 [==============================] - 19s 2s/step - loss: 0.0964 - acc: 0.9652 - val_loss: 0.1801 - val_acc: 0.9304
Epoch 59/150
10/10 [==============================] - 18s 2s/step - loss: 0.1942 - acc: 0.9130 - val_loss: 0.1634 - val_acc: 0.9261
---
（省略）
---
Epoch 90/150
10/10 [==============================] - 19s 2s/step - loss: 0.0646 - acc: 0.9826 - val_loss: 0.0888 - val_acc: 0.9739
Epoch 91/150
10/10 [==============================] - 19s 2s/step - loss: 0.0477 - acc: 0.9870 - val_loss: 0.1615 - val_acc: 0.9391
Epoch 92/150
10/10 [==============================] - 17s 2s/step - loss: 0.0634 - acc: 0.9718 - val_loss: 0.5863 - val_acc: 0.7913
Epoch 93/150
10/10 [==============================] - 18s 2s/step - loss: 0.0783 - acc: 0.9696 - val_loss: 0.1271 - val_acc: 0.9478
Epoch 94/150
10/10 [==============================] - 19s 2s/step - loss: 0.0525 - acc: 0.9870 - val_loss: 0.0987 - val_acc: 0.9565
Epoch 95/150
10/10 [==============================] - 18s 2s/step - loss: 0.0629 - acc: 0.9671 - val_loss: 0.2698 - val_acc: 0.8913
Epoch 96/150
10/10 [==============================] - 18s 2s/step - loss: 0.1338 - acc: 0.9435 - val_loss: 0.0786 - val_acc: 0.9696
Epoch 97/150
10/10 [==============================] - 19s 2s/step - loss: 0.0356 - acc: 0.9913 - val_loss: 0.1204 - val_acc: 0.9348
Epoch 98/150
10/10 [==============================] - 18s 2s/step - loss: 0.0477 - acc: 0.9859 - val_loss: 0.1508 - val_acc: 0.9217
Epoch 99/150
10/10 [==============================] - 17s 2s/step - loss: 0.0461 - acc: 0.9826 - val_loss: 0.1359 - val_acc: 0.9391
Epoch 100/150
10/10 [==============================] - 20s 2s/step - loss: 0.0621 - acc: 0.9739 - val_loss: 0.3308 - val_acc: 0.8826
---
（省略）
---
Epoch 145/150
10/10 [==============================] - 19s 2s/step - loss: 0.0113 - acc: 1.0000 - val_loss: 0.0474 - val_acc: 0.9783
Epoch 146/150
10/10 [==============================] - 19s 2s/step - loss: 0.0091 - acc: 0.9953 - val_loss: 0.0789 - val_acc: 0.9739
Epoch 147/150
10/10 [==============================] - 16s 2s/step - loss: 0.0075 - acc: 1.0000 - val_loss: 0.0487 - val_acc: 0.9826
Epoch 148/150
10/10 [==============================] - 19s 2s/step - loss: 0.0381 - acc: 0.9913 - val_loss: 0.3247 - val_acc: 0.8913
Epoch 149/150
10/10 [==============================] - 18s 2s/step - loss: 0.0348 - acc: 0.9859 - val_loss: 0.0532 - val_acc: 0.9739
Epoch 150/150
10/10 [==============================] - 17s 2s/step - loss: 0.0148 - acc: 0.9957 - val_loss: 0.3998 - val_acc: 0.8565
---./data/evaluation/1.jpg---
[[1.1617852e-11]]
./data/evaluation/1.jpgの予測結果は[[0.]]です．
---./data/evaluation/2.jpg---
[[1.0098709e-08]]
./data/evaluation/2.jpgの予測結果は[[0.]]です．
---./data/evaluation/3.jpg---
[[3.072831e-10]]
./data/evaluation/3.jpgの予測結果は[[0.]]です．
---./data/evaluation/4.jpg---
[[0.9999826]]
./data/evaluation/4.jpgの予測結果は[[1.]]です．
---./data/evaluation/5.jpg---
[[0.9847676]]
./data/evaluation/5.jpgの予測結果は[[1.]]です．
---./data/evaluation/6.jpg---
[[0.9999534]]
./data/evaluation/6.jpgの予測結果は[[1.]]です．
EPOCH=50付近でacc=90%に達しました。
ただ汎化性能を示せているか怪しいです、汎化性能を高めるためには、
入力データのノイズ除去／入力データ自体の枚数N増しが必要？
参考
【速報】ミッキーの顔がニューフェイスに変わった！
TensorFlowで画像認識「〇〇判別機」を作る
Install TensorFlow with pip
haarcascades
少ないカラー画像を水増しして学習データを増やし、精度向上を図る！？
Kerasを使って2クラス分類のCNN
[Keras/TensorFlow] Kerasで自前のデータから学習と予測
KerasでCNNしたった
【NumPy入門 np.round】配列の要素を四捨五入する方法と、0.5は0か1か問題