TensorFlowによるニューラルネットでMNISTの画像認識
今回は、TensorFlowでディープラーニングについてメモします。
ディープラーニング、ディープニューラルネットワークをDNNを略します。
今までは、Kerasでネットワークを構築、学習させていました。
今回は、TensorFlowを使います。
学習対象
学習対象は、MNISTの手書き数字です。
TensorFlow
TensorFlowを独断的に説明します。
（あくまで私の意見なので鵜呑みにはしないでくださいね）
TensorFlowは、機械学習、特にニューラルネットワークで使用されるライブラリです。
ニューラルネットワークにおいて、効率的にモデルの構築・学習することができます。
計算グラフ（私はよくわかっていません）を使っているので、計算が高速
このブログで扱っていたKerasは、TensorFlowの利用しています。
難易度としては、
TensorFlow ＞ Kerasという認識です。
DNNのモデル構成
※下の画像はイメージです。今回構築するモデルではありません。
入力層
MNISTの手書き数字は、28×28の784です。
ニューロン素子：784
中間層
１層
ニューロン素子：６４
出力層
MNISTの手書き数字は、０〜９までなので、１０にカテゴライズできる。
ソフトマックス関数を使って、出力を割合として出す。
ニューロン素子：１０
プログラム
#MNISTパッケージ
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
#入力データを定義
x = tf.placeholder(tf.float32, [None, 784])
#入力層から中間層
w_1 = tf.Variable(tf.truncated_normal([784, 64], stddev=0.1), name="w1")
b_1 = tf.Variable(tf.zeros([64]), name="b1")
h_1 = tf.nn.relu(tf.matmul(x, w_1) + b_1)
#中間層から出力層
w_2 = tf.Variable(tf.truncated_normal([64, 10], stddev=0.1), name="w2")
b_2 = tf.Variable(tf.zeros([10]), name="b2")
out = tf.nn.softmax(tf.matmul(h_1, w_2) + b_2)
#誤差関数
y = tf.placeholder(tf.float32, [None, 10])
loss = tf.reduce_mean(tf.square(y-out))
#訓練
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
#評価
correct = tf.equal(tf.argmax(out, 1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
#初期化
init = tf.global_variables_initializer()
#実行
with tf.Session() as sess:
sess.run(init)
#テストデータをロード
test_images = mnist.test.images
test_labels = mnist.test.labels
for n in range(20):
Epoc = n+1
print('Epoc %d' % Epoc)
for i in range(10000):
step = i + 1
train_images, train_labels = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x:train_images, y:train_labels})
if step % 1000 == 0:
acc_val = sess.run(accuracy, feed_dict={x:test_images, y:test_labels})
print('Step %d: accuracy = %.2f' % (step, acc_val))
