目次へのリンク
概要
MATLABとDeep Learning Toolboxを活用することで畳み込みニューラルネットワーク(Convolutional Neural Network; CNN)を容易に学習することができます。
画像分類などの認識タスクを容易に試すことができます。
使用したバージョンはR2020aです。
対応ファイル
画像データセットの準備
数字をランダムなアフィン変換した画像を使って分類要のCNNを学習します。
28x28ピクセルのグレースクール画像が0から9までのフォルダごとに各1000枚あります。
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ...
'nndatasets','DigitDataset');
dir(digitDatasetPath) % フォルダの内容を表示
. 1 4 7 digitTest.csv
.. 2 5 8 digitTrain.csv
0 3 6 9
imageDatastoreを使って各フォルダの画像ファイル一覧を取得します。
imds = imageDatastore(digitDatasetPath, ...
'IncludeSubfolders',true,'LabelSource','foldernames');
各クラスの画像数の確認します。
imds.countEachLabel
| Label | Count | |
|---|---|---|
| 1 | 0 | 1000 |
| 2 | 1 | 1000 |
| 3 | 2 | 1000 |
| 4 | 3 | 1000 |
| 5 | 4 | 1000 |
| 6 | 5 | 1000 |
| 7 | 6 | 1000 |
| 8 | 7 | 1000 |
| 9 | 8 | 1000 |
| 10 | 9 | 1000 |
各フォルダごとに10枚ずつ表示します。
figure;
montage(imds.Files(1:100:end)); % 100毎飛ばしで各数字ごとに10毎表示
学習用(75%)と検証用(25%)のデータセットに分割します。
numTrainFiles = 750;
[imdsTrain,imdsValidation] = splitEachLabel(imds,numTrainFiles,'randomize');
imdsTrain.countEachLabel
| Label | Count | |
|---|---|---|
| 1 | 0 | 750 |
| 2 | 1 | 750 |
| 3 | 2 | 750 |
| 4 | 3 | 750 |
| 5 | 4 | 750 |
| 6 | 5 | 750 |
| 7 | 6 | 750 |
| 8 | 7 | 750 |
| 9 | 8 | 750 |
| 10 | 9 | 750 |
imdsValidation.countEachLabel
| Label | Count | |
|---|---|---|
| 1 | 0 | 250 |
| 2 | 1 | 250 |
| 3 | 2 | 250 |
| 4 | 3 | 250 |
| 5 | 4 | 250 |
| 6 | 5 | 250 |
| 7 | 6 | 250 |
| 8 | 7 | 250 |
| 9 | 8 | 250 |
| 10 | 9 | 250 |
以上で学習データおよびテストデータの準備は完了です。
畳み込みニューラルネットワークの構造を定義
畳み込みニューラルネットワークの層を定義します。
layers = [
imageInputLayer([28 28 1])
convolution2dLayer(3,8,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(3,16,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(3,32,'Padding','same')
batchNormalizationLayer
reluLayer
fullyConnectedLayer(10)
softmaxLayer
classificationLayer];
学習用オプションを設定
trainingOptions関数を用いて学習オプションを設定します。
オプティマイザーは確率的勾配降下法（stochastic gradient descent with momentum）を使用します。
GPUを使う場合はメモリ量に応じてMiniBatchSizeを調整します。
options = trainingOptions('sgdm', ...
'InitialLearnRate',0.01, ...
'MaxEpochs',4, ...
'Shuffle','every-epoch', ...
'ValidationData',imdsValidation, ...
'ValidationFrequency',30, ...
'Verbose',false, ...
'Plots','training-progress');
学習を実行
学習を実行します。学習後、SeriesNetwork クラスのオブジェクトが生成されます。
net = trainNetwork(imdsTrain, layers, options);
学習済みモデルの検証
検証用画像2500枚の一部（250枚）を表示して確認します。
figure;
montage(imdsValidation.Files(1:10:end));
検証用の画像を一枚読込みます。
I = imread(imdsValidation.Files{521});
figure; imshow(I);
学習したネットワークで分類を実行します。
[YPredClass, YPredScore] = classify(net, I)
YPredClass =
2
YPredScore = 1x10 の single 行ベクトル
0.0005 0.0208 0.6476 0.0615 0.1296 0.0000 0.0000 0.1076 0.0316 0.0007
スコアを同時に出力することもできます。
[YPredClass, YPredScore] = classify(net, imdsValidation);
混合行列を計算します。
figure
cm = confusionchart(imdsValidation.Labels,YPredClass, ...
'Title','数字の分類', ...
'RowSummary','row-normalized', ...
'ColumnSummary','column-normalized');
全体の精度(平均)を計算します。
accuracy = sum(YPredClass == imdsValidation .Labels)/numel(YPredClass)
accuracy = 0.9916
ディープニューラルネットワークデザイナーを使った学習
今まではMATLABのプログラムベースで学習を行いました。
もっと簡単にネットワークの構築から学習データの指定、学習、学習済みモデルのエクスポートが行えます。
deepNetworkDesigner
ディープネットワークデザイナーを起動したらワークスペースから定義済みのネットワークをインポートします。
次にインポートしたネットワークを確認します。層構造やパラメーターを変更することが可能です。
学習データを設定していきます。「データ」タブをクリックし、「データのインポート」をクリックします。
今回はワークスペースで定義した学習用データと検証用データをそれぞれセットします。
各クラス別の学習データの分布を確認します。
学習を行います。「学習」タブをクリックし、「学習オプション」をクリックします。
プログラム実行時と同様にパラメーターを変更します。
変更ができたら「学習」をクリックします。
学習が完了したら学習済みモデルをエクスポートしたり、GUIで行った処理をMATLABプログラム化することができます。
まとめ
MATLABで畳み込みニューラルネットワークを学習する手順を紹介しました。
ディープニューラルネットワークデザイナーを使うとより簡単に学習を行うことができます。
参考
謝辞
本記事は @eigs さんのlivescript2markdownを使わせていただいてます。