KerasによるCNNでCIFAR-10を学習する方法


KerasによるCNNでCIFAR-10

今回のテーマは、Kerasライブラリを使って、CIFAR-10を学習します。

ディープラーニング、今回は、CNNで学習します。

プログラムは、前回のプログラムを修正したものです。

CIFAR-10をCNNで学習

CIFAR-10は、画像のデータベースです。

画像データ

  • 訓練データ5,0000枚
  • テストデータ1,0000枚
  • 合計6,0000枚

画像サイズは、32×32
フルカラー(RGBの3チャネル)

正解ラベル

“airplane”, “automobile”, “bird”, “deer”, “dog”, “frog”, “horse”, “ship”, “truck”
以上の10ラベル

詳しくは、以下のページを見てください。

CNNの学習結果

結果として、出力データを提示します。
次に、考察のような感想を書きます。

出力データ

Test Loss:1.264
Test accuracy:0.58
time:318.900sec

考察

テスト精度が、0.58と低い結果となった。
これは、畳み込み層と全結合層を増やすことで、改善できることでしょう。

今回は、畳み込み層が1層、全結合層は、中間層が1層のニューラルネットワークを構築しました。
簡単なネットワークですが、
実行時間が319秒、つまり、5分かかっています。
層を増やすことで、これよりもっと時間がかかるでしょう。

CNNのプログラム

# データの読み込みと前処理
from keras.utils import np_utils
# kerasでCNN構築
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.optimizers import Adam
# 時間計測
import time

'''
データの読み込みと前処理
'''
# CIFAR-10
from keras.datasets import cifar10

(X_train, y_train), (X_test, y_test) = cifar10.load_data()

'''
訓練用
'''
# 訓練データ
X_train = X_train.astype('float32')  # 型を変更
X_train /= 255  # 0から1.0の範囲に変換

# 正解ラベル
correct = 10
y_train = np_utils.to_categorical(y_train, correct)

'''
テスト用
'''
# テストデータ
X_test = X_test.astype('float32')
X_test /= 255

# 正解ラベル
y_test = np_utils.to_categorical(y_test, correct)

# 画像の情報
input_size = X_train.shape[1]
input_color = X_train.shape[3]

'''
CNNの構築
'''

model = Sequential()

model.add(Conv2D(filters=10, kernel_size=(3, 3), padding='same', input_shape=(input_size, input_size, input_color),
                 activation='relu'))
model.add(Flatten())
model.add(Dense(10, activation='softmax'))

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

'''
学習
'''
# 計測開始
startTime = time.time()

history = model.fit(X_train, y_train, epochs=20, batch_size=100, verbose=1, validation_data=(X_test, y_test))

score = model.evaluate(X_test, y_test, verbose=0)

print('Test Loss:{0:.3f}'.format(score[0]))
print('Test accuracy:{0:.3}'.format(score[1]))
# 処理時間
print("time:{0:.3f}sec".format(time.time() - startTime))

参考書


すぐに使える! 業務で実践できる! Pythonによる AI・機械学習・深層学習アプリのつくり方