1-06 学習から推論まで、Pythonコードの流れ 　GTSRB - CNN (98% Test Accuracy、図1‐11の上のサイト）のPythonコードを簡単に説明します（＊１） （＊１）不正確な部分もあるかもしれませんがご容赦ください。 ●Importing Required Libraries 　Tensorflow（＊２）とKeras（＊３）のライブラリの読み込み。 （＊２）機械学習の実装パッケージ（フレームワーク）。Pytorch、Chainerなどが対抗馬（？） （＊３）ニューラルネットワークのライブラリ。Tensorflow上で動くようだ。 ●Assigning Path for Dataset 　画像のパスなどを指定。 　リサイズは30x30。色々なサイズの画像を30x30画素に変換してから学習、推論 　チャネル数は3。カラー画像を扱う。RGBの3色。 ●Finding Total Classes 　ラベルの番号と名前の関連付け。Trainフォルダにあるサブフォルダの番号と名前（"0"なら"Speed limit (20km/h)"など）の関連付け（図1‐54参照） 図1-54　Trainフォルダ以下に0〜42のフォルダ。43種の標識がクラス分けしてある ●Visualizing The Dataset 　各ラベルに属する画像数をグラフ化 　画像をランダムに25枚表示 ●Collecting the Training Data 　image_data.shape　(39209, 30, 30, 3)　この中にTrain以下の画像が39209枚入る 　image_data_labels.shape (39209,)　この中にTrain以下の画像のラベルが39209個入る ●Shuffling the training data 　画像とラベルをランダムに並べ替え。そのおかげで学習するたびに認識率が微妙に変わってくる ●Splitting the data into train and validation set 　Trainフォルダ内の画像を訓練と検証用に分ける（＊４） 　X_train.shape (27446, 30, 30, 3)　訓練用画像 　X_valid.shape (11763, 30, 30, 3)　検証用画像 　y_train.shape (27446,)　訓練用ラベル 　y_valid.shape (11763,)　検証用ラベル （＊４）訓練と検証を繰り返し、リファインしながら学習モデルを生成。その後推論する（推論用画像はまた別にある。Testフォルダ内） ●One hot encoding the labels 　ラベルをOne-hot表記にする。 　y_train = keras.utils.to_categorical(y_train, 10) 　例えば「整数 1」を「0,1,0,0,0,0,0,0,0,0」と表現。「整数 5」を「0,0,0,0,0,1,0,0,0,0」 　このようにすると各ラベルの統計がとりやすい ●Making the model 　CNNのモデルを作る（ここ参照）。CNNの形状を決める。 　最適化法はAdam。モーメンタム+RMSPropという手法のようです（＊６）。 　コンパイルする。トレーニング方法の決定。トレーニングにおけるズレの指標となる損失関数、正解に近づける修正方法などの決定 （＊６）Jupyter Labの古いバージョンならこれ　opt = Adam(lr=lr, decay=lr / (epochs * 0.5))　新しいバージョンならこれ　opt = tf.keras.optimizers.legacy.Adam(lr=lr, decay=lr / (epochs * 0.5)) ●Augmenting the data and training the model 　X_train.shape (27446, 30, 30, 3)　訓練用画像 　X_valid.shape (11763, 30, 30, 3)　検証用画像 　y_train.shape (27446,)　訓練用ラベル 　y_valid.shape (11763,)　検証用ラベル 　これらをFit関数に入力 　画像を少し変えて水増しする。rotate shift zoomなど。batch_size=32倍？ 　訓練と検証を繰り返しながら学習モデル生成（図1‐55） 図1-55　Fit関数で学習中。Epochが30に行くまでリファインしながら学習させる ●Evaluating the model 　loss, accuracy, val_loss, val_accuracyのグラフを書く ●Loading the test data and running the predictions 　Test.csvにテストデータの場所とクラス。Test/00001.png、ClassID=16など 　テスト画像を順番に読んでリサイズ。 　x_test.shape : (12630, 30, 30, 3) x_testの中に推論用テスト画像12630枚 　predict関数にx_testを入れると12630個の推論結果が出る。それぞれ43個のラベル値を持つ 　predict_classes関数なら最大の値のラベルだけ12630個 　accuracy_score関数で正解率を得る（図1-56） 図1-56　predict_classes関数で推論を行う ●Visualizing the confusion matrix 　テスト画像の推論ラベルの数を表示 ●Classification report 　正解ラベル列と予測ラベル列をclassification_reportに入力すると、適合率(precision)、再現率(recall)、F1スコア、正解率(accuracy)などが得られる。 ●Predictions on Test Data 　25枚の画像とその正解と予測ラベルを表示（＊５） （＊５）赤（R)と青（B)が入れ替わっており、色がおかしいので注意 次のページへ 目次へ戻る