1-03 学習→推論してみる（認識率98%台) ●コーディングもKaggleを参考にする 　データセットが準備できたところで、いよいよPythonのコーディングに取り掛かります。図1‐11の上のサイトGTSRB - CNN (98% Test Accuracy)をクリックしましょう。 　すると次のようにPythonのコードとその説明が現れます。 図1-21 GTSRB - CNN (98% Test Accuracy)のPythonコード ●Anacondaプロンプトからjupyter labで実行環境 　Pythonの実行にはAnacondaなどを使うとよいでしょう。上記サイト上のコードを上から順番に実行していきますが、先ほどダウンロードしたデータセットが図1‐22のAssigning Pathに存在するか確認しましょう。 図1-22 データセットの場所（Trainフォルダなど）を確認する ●学習には時間がかかる 　学習はfit関数で行います。20〜30分かかると思います。図1‐23のようにEpochが30/30まで進んで終わりです。 図1-23 Epochが進むたびに精度が上がっていく。 ●学習はTrainフォルダ、推論はTestフォルダを使う 　学習が終わったら自動的に推論に移ります。図1‐24ではAccuracy（正解率）が98.06%になっています（＊１） （＊１）毎回、学習の仕方（画像をとる順番など）が変わるので正解率は微妙に変わる。 図1-24　正解率はおおむね98％台 ●Pythonでの道路標識の認識はこれで終わり 　最後に正解・不正解の例が表示されます（図1‐25）（＊２）。各画像の下にActual（正解）とPred（推論結果）が書かれています。 （＊２）同図でははR（赤）とB(青）の成分が逆になっているので注意（Pythonコードのバグ）。 図1-25　これらはすべて正解している（RとBが逆なので色がおかしいが） ●以上のPythonコードを一体化してここに置きます(若干変更有り、under Apache 2.0 license) 　Datasetをダウンロード→解凍し、図1‐26の場所にmain_float.pyを置いて実行します（＊２）。学習→推論で30分以上かかると思います。 （＊２）Jupyter LabのバージョンによってはAdam関数のところ変更が必要です 図1‐26 最初のページへ 目次へ戻る