前回作成した訓練用データを使ってサル・イノシシ・カラスを見分ける画像認識プログラムを作成する

#kerasとは

Kerasは，Pythonで書かれた，TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリです．

#ソースコード

##インポート

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.utils import np_utils
import keras
import numpy as np

##メイン関数
おおまかな流れは以下の通り：

前回保存したanimal.npyを読み込む
訓練用データを訓練関数に渡してモデルを作成
作成したモデルを評価関数に渡して分類精度を検証

classes = ["monkey", "boar", "crow"]
num_classes = len(classes)
image_size = 50

def main():
    X_train, X_test, y_train, y_test = np.load("./animal.npy", allow_pickle=True)
    X_train = X_train.astype("float") / 256
    X_test = X_test.astype("float") / 256
    y_train = np_utils.to_categorical(y_train, num_classes)
    y_test = np_utils.to_categorical(y_test, num_classes)

    model = model_train(X_train, y_train)
    model_eval(model, X_test, y_test)

・X_train, X_testを256で割っているのは、正規化(データを0～1の範囲にしている)。

・to_categoricalは、[0, 1, 2]という配列を

[[1, 0, 0]
 [0, 1, 0]
 [0, 0, 1]]

というように、正解のindexにのみ1が入っており、その他の場所には0が入っている配列に変換する。

##訓練

以下のコードの34行目以降を参考にする
参考：https://github.com/keras-team/keras/blob/master/examples/cifar10_cnn.py

def model_train(X, y):
    model = Sequential()
    model.add(Conv2D(32, (3,3), padding='same', input_shape=X.shape[1:]))
    model.add(Activation('relu'))
    model.add(Conv2D(32, (3,3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3,3), padding='same'))
    model.add(Activation('relu'))
    model.add(Conv2D(64, (3,3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))

    model.add(Flatten())
    model.add(Dense(512))
    model.add(Activation('relu'))
    model.add(Dropout(0.5))
    model.add(Dense(3))
    model.add(Activation('softmax'))

    opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)

    model.compile(loss='categorical_crossentropy',
                    optimizer=opt, metrics=['accuracy'])

    model.fit(X, y, batch_size=32, epochs=100)

    # モデルの保存
    model.save("./animal_cnn.h5")

    return model

###model = Sequential()
モデルオブジェクトを作成する

###model.add(Conv2D(...))
層を追加する

###model.add(Activation('relu'))
活性化関数として「ReLU（Rectified Linear Unit）」を用いる層を追加する

###model.add(MaxPooling2D(pool_size=(2,2)))
マックスプーリング（インプットを所定の領域で区切って、各領域の最大値を出力する）する層を追加する

###model.add(Dropout(0.25))
25%（何の？）を捨ててデータの偏りを無くす

###opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)
最適化の宣言。optimizers.rmspropという手法で、ラーニングレートは0.0001、学習率を下げていくレートは1回あたり0.000001。

###model.compile()
モデルのコンパイル。

###model.fit(X, y, batch_size=32, epochs=100)
Xとyでトレーニングを行う。
batch_sizeは1回のトレーニングで用いるデータの数。
epochsはトレーニングを何セットやるか。

##訓練結果の評価
evaluateメソッドで作成したモデルの検証を行う。

def model_eval(model, X, y):
    scores = model.evaluate(X, y, verbose=1)
    print('test Loss: ', scores[0])
    print('test Accuracy: ', scores[1])