Fashion-MNIST を docker+keras+jupyter で 動かしてみた

Fashion-MNIST を動かしてみる

（注）このデータはMNISTを少し複雑化することを意図したもので、衣服等の識別に使える種類のデータではない。あくまでもテストデータ。

今回はDockerを用いてKeras + Jupyterの環境を構築する。
Docker及びGitコマンドが使える環境であれば実行できるように記述したつもり。

事前準備

Dockerのインストール
https://www.docker.com/

実行環境

macOS Sierra 10.12.6
MacBook air early 2015

手順

Docker Keras をクローン

$ git clone https://github.com/gw0/docker-keras-full
$ cd docker-keras-full

Docker run

$ docker run -d -p=6006:6006 -p=8888:8888 gw000/keras-full

コンテナIDを取得

$ docker ps
CONTAINER ID        IMAGE               COMMAND                  CREATED             STATUS              PORTS                                            NAMES
fb08017a810d        gw000/keras-full    "/bin/sh -c '/bin/..."   3 minutes ago       Up 3 minutes        0.0.0.0:6006->6006/tcp, 0.0.0.0:8888->8888/tcp   dreamy_clarke

取得した"CONTAINER ID" （上記では fb08017a810d ）を記録

/bin/bashを実行してコンテナに接続

$ docker exec -it fb08017a810d /bin/bash 

ログイン後、パスを確認

root@fb08017a810d:/srv# pwd
/srv

Fashion-MNISTをクローン

# git clone https://github.com/zalandoresearch/fashion-mnist

接続を終了

# exit

Jupyter notebookに接続

• ブラウザで http://localhost:8888 を開く
  （ログインパスワード： keras ）

• "fashion-mnist"フォルダが有ることを確認
  

• "New から Python 3"を選択し、ノートブックを作成
  

• コードを貼り付けて実行
  

（参考URL：http://10001ideas.com/2017/08/30/fashion-mnist%E3%82%92keras%E3%81%A7cnn%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%A6%E5%88%86%E9%A1%9E%E3%81%97%E3%81%A6%E3%81%BF%E3%81%9F/）
（注）再実行する際はカーネルをリスタートすること

%matplotlib inline

import os
print(os.getcwd())
os.chdir('./fashion-mnist/')

from keras import backend as K
from utils.mnist_reader import load_mnist
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.layers.core import Activation, Flatten, Dense
from keras.models import Sequential
from keras.utils import np_utils
from keras.initializers import Constant
from keras.optimizers import Adam
import matplotlib.pyplot as plt

#load_mnistはutilsにある
X_train, y_train = load_mnist('data/fashion', kind='train')
X_test, y_test = load_mnist('data/fashion', kind='t10k')

X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)

y_test = np_utils.to_categorical(y_test, 10)
y_train = np_utils.to_categorical(y_train, 10)

K.set_image_dim_ordering("th")
#LeNetを構築する
model = Sequential()
model.add(Conv2D(20, kernel_size=5, padding="same", input_shape=(1,28,28)))
model.add(Activation("relu"))
model.add(MaxPooling2D())

model.add(Conv2D(50, kernel_size=5, padding="same"))
model.add(Activation("relu"))
model.add(MaxPooling2D())

model.add(Flatten())
model.add(Dense(500))
model.add(Activation("relu"))

model.add(Dense(10))
model.add(Activation("softmax"))

model.compile(loss="categorical_crossentropy", optimizer=Adam(), metrics=["accuracy"])
history = model.fit(X_train, y_train, batch_size=128, epochs=20, verbose=1, validation_split=0.2)

score = model.evaluate(X_test, y_test, verbose=1)
print("Test score:", score[0])
print("Test accuracy:", score[1])
print(history.history.keys())

#グラフの表示
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

実行結果 （20エポック実行した結果）