Kerasを触ってみた その①「りんごとオレンジの画像判別」（2017/5/23）

---

#最初に
　とりあえずKeras経由のDLに慣れるために、なんでも良いので動かすことを目的に下記URLで紹介されているデモコードを実行してみる。そしてコードに解らない点があったら調査＆メモとして記録する。

　Kerasによる、ものすごくシンプルな画像分類（りんごとオレンジ）

#事前準備

◯識別する画像の収集

　　Google画像検索で、リンゴとオレンジの画像をDLしてローカルのフォルダに配置する。
　　Training：20個、Test：5個

　　train/apple/…
　　　　/orange/…
　　test/apple/…
　　　　/orange/…

◯追加ライブラリの導入
　・numpy
　　(ナムパイ/ナンパイ）は、数値計算を効率的に行うためのライブラリで多次元配列（ベクトル・行列）の演算が可能

　・pillow
　　画像処理ライブラリで、Python Imaging Library (PIL)の fork プロジェクト

#画像識別　〜処理の大まかな流れ
　①学習用データ作成
　②モデル生成・ニューラルネット構築
　③学習の実行
　④モデル予測と正解との比較　→正解率

#①学習用データ作成
・クラスラベル（正解）は、ディレクトリ配置から取得
・画像を25 x25ピクセルに変換
・[R,G,B]3要素のnumpy配列化する
　１画像：25x25ピクセル分の配列
　１ピクセル：[244 245 250]のような感じ

・Transpose→Reshapeで一次元配列に。
　[ 244. 244. 244. ..., 238. 240. 241.]
　要素数は、25x25個

#②モデル生成

　model = Sequential()　 #Sequentialモデル(系列) の定義。層を積み重ねたもの
　model.add(Dense(200, input_dim=1875))  #addメソッドで層を追加
　　#Denseは、通常の全結合ニューラルネットワークレイヤー。
　　#モデルは(*, 1875)次元の入力配列となり，(*, 200)次元の出力配列となる
　model.add(Activation(“relu”)) 
　model.add(Dropout(0.2)) #入力にドロップアウトを適用．訓練時のそれぞれの更新において入力ユニットのpをランダムに0にセットすることであり過学習を防ぐのを助ける
　model.add(Dense(200))
　model.add(Activation("relu"))
　model.add(Dropout(0.2))

　model.add(Dense(2))
　model.add(Activation(“softmax”)) #Softmaxは入力の最後の次元に適用

　　ReLU (Rectified Linear Unit)で活性化関数を追加
　　参考：http://www.procrasist.com/entry/

#③学習の実行

◯モデルをコンパイル
　　→モデルの最適化（勾配法）には、Adamを使用。（重み付けの手法）
　　　参考：http://qiita.com/tokkuman/items/1944c00415d129ca0ee9
　　→目的関数（ロス関数や最適スコア関数）は、categorical_crossentropy
　　　categorical_crossentropy: マルチクラスlogloss

◯学習の実行（fit）
　　→引数
　　　batch_size: 勾配更新毎のサンプル数を示す整数．
　　　nb_epoch: 学習データ配列の反復回数を示す整数．
　　　validation_split: バリデーションデータとして使われる学習データの割合。モデルはこの割合の学習データを区別しそれらでは学習を行わず，各試行の終わりにこのデータにおける損失とモデルメトリクスを評価
#④モデル予測と正解との比較　→正解率

◯テストデータ作成
　・トレーニングデータと同じ加工

◯モデル予測と正解との比較　→正解率
　・model.predict_classesで、クラスラベルを予想
　・クラスラベル（正解）は、ディレクトリ配置から取得
　・予想と正解の一致を集計
　
##まとめ

今回は殆どデモコードに沿って実行してみたに過ぎないが、Kerasでとてもコンパクトに画像分類が実装できることを実体験した。ただし今回、分類のための方法はかなり単純なものとなっているので、より複雑な分類を行うには前処理としてのデータ加工にパワーを掛ける必要がありそうに思った。