2-05　ステップ２：推論用画像セットで認識率を確認 　ロードマップ（図2-10）に戻って確認しましょう。「学習用画像セット」を使って学習を行い、「学習済みモデル」を作成したところです。それを「推論用画像セット」に適用します。 ●推論用画像（数百枚）は学習用画像（数千枚）よりも少なめ 　train_1.zipは「学習用」の画像でしたが、「推論用」も必要です。val_1.zip（作成法はここ）をノートブックにアップロードして解凍します（!unzip val_1.zip, 図2‐21）。 図2‐21　推論に使う画像セットを解凍する 　val_1フォルダ以下にサブフォルダ(red/gren/blue/yellow)、それぞれ赤／緑／青／黄色のボール画像があります（図2‐22）。各フォルダに百枚程度、計数百枚のボール画像があります。ちなみにこれらは「学習用画像セット」の一部を推論用に振り分けたものです。 図2‐22　推論用画像は数百枚（学習用は数千枚） ●ラベルリストには各画像の「正解」が書かれている 　TestBalls.csvもノートブックにアップロードしましょう。ダブルクリックして中身を見ると図2-23のように classID（属性値、０なら赤色）やpath（ファイル名と場所）が書いてあります。このファイルは「ラベルリスト」と呼ばれ、各画像がどのような属性（この場合は色）を持つかが書かれています。推論プログラムはこれを見て正解／不正解を判定します。 図2‐23　ラベルリストには各画像の「正解値」が書いてある ●属性値(Actual)と推論値(Pred)が一致すれば正解ということ 　balls_float_pred.pyは推論用プログラムです。学習済みモデル（重み係数やバイアスのCSVファイル、W1〜W6.csv, b1〜b6.csv）を読み込んでCNNの推論を行います。図2‐24のようにアップロードして実行しましょう。 　すると図2‐25のように推論用画像の一部が表示されます。それらの下には属性値(Actual)と推論値(Pred)が書かれますが、正解なら緑字、不正解なら赤字になります。 図2‐24　推論用プログラムの実行） 図2‐25　推論結果が一部例示される。これらはすべて正解 ●上の方にスクロールしてTest Data Accuracyを探す 　正解率は100％になっており（図2‐26）、これは推論用画像（数百枚）が全部正解だったということです。ただし、正解率はW1〜W6.csv, b1〜b6.csvによって（すなわち学習用プログラムを走らせるたびに）微妙に変わるので注意しましょう（100％にならない場合もある、＊５）。 図2‐26　Test Data Accuracyに正解率 次のページへ 目次へ戻る