TensorFlowでFashion-MNISTを試してみた

ホーム
Blog
DeepLearning, python
TensorFlowでFashion-MNISTを試してみた

2017Aug29
DeepLearning python

TensorFlowでFashion-MNISTを試してみた

1 ファッション画像？でMNIST
2 参考サイト
3 開発環境
4 どんな画像が入っているのか除いてみました。
5 MNISTと比較してみた。
6 Fashion-MNISTを試したソースコード

ファッション画像？でMNIST

こんにちは。

AI coordinatorの清水秀樹です。

Fashion-MNISTというデータセットが公開されたので早速試してみました。

MNISTとの違いは数字データがファッション画像になっているところです。

どんなデータが入っているかというと、

ラベル　データ
0　　T-shirt/top
1　　Trouser
2　　Pullover
3　　Dress
4　　Coat
5　　Sandal
6　　Shirt
7　　Sneaker
8　　Bag
9　　Ankle boot

なんで、そんなデータセットができたのかというと、公式サイトには以下のように書かれていました。

・MNISTは簡単すぎるし、既にみんな使っているから

だそうです。

う〜ん、なるほど。

いまいちピンとこないので、実際に動かしてみました。

参考サイト

以下、サイト（日本語版）を参考にしました。

TensorFlow: TensorFlow で Fashion-MNIST

開発環境

iMac (27-inch, Late 2012)

プロセッサ 2.9 GHz intel Core i5

macOS Sierra バージョン 10.12.4

Anaconda3-4.2.0-MacOSX-x86_64

python 3.5.2

tensorflow 1.0.0

keras 1.2.2

どんな画像が入っているのか除いてみました。

とりあえず１枚のトレーニング画像とテストデータを抜き出してみました。

以下のソースコードで簡単に抜き出せます。

# -*- coding: utf-8 -*-
import mnist_reader
import sys
import numpy as np
from keras.utils import np_utils
from PIL import Image

X_train, y_train = mnist_reader.load_mnist('data/fashion', kind='train')
X_test, y_test = mnist_reader.load_mnist('data/fashion', kind='t10k')

#訓練画像
train_no = 0
outImg = Image.fromarray(X_train[train_no].reshape((28,28))*255).convert("RGB")
outImg.save("train.png")

#テスト画像
test_no = 0
outImg = Image.fromarray(X_test[test_no].reshape((28,28))).convert("RGB")
outImg.save("test.png")

抜き出した画像は ‘train.png’と’test.png’という名前で保存されます。

ちっさ！！

そりゃそうですね。28×28サイズですから。

MNISTと比較してみた。

従来の数字のみのMNISTと、今回公開されたFashion-MNISTを比較してみます。

まずは従来の数字のみMNISTの結果です。

Epoch = 2で試した結果、

Train on 60000 samples, validate on 10000 samples
Epoch 1/2
60000/60000 [==============================] - 8s - loss: 0.2515 - acc: 0.9239 - val_loss: 0.1021 - val_acc: 0.9690
Epoch 2/2
60000/60000 [==============================] - 7s - loss: 0.1018 - acc: 0.9686 - val_loss: 0.0950 - val_acc: 0.9679
 9888/10000 [============================>.] - ETA: 0sloss= 0.0949767166178
accuracy= 0.9679

accuracy = 0.9679と、たった２回の学習でかなりの精度が出ています。

続いて、Fashion-MNISTの結果です。

Train on 60000 samples, validate on 10000 samples
Epoch 1/2
60000/60000 [==============================] - 7s - loss: 0.5189 - acc: 0.8126 - val_loss: 0.3969 - val_acc: 0.8528
Epoch 2/2
60000/60000 [==============================] - 7s - loss: 0.3864 - acc: 0.8600 - val_loss: 0.3377 - val_acc: 0.8764
 9280/10000 [==========================>...] - ETA: 0sloss= 0.337676012874
accuracy= 0.8764

accuracy = 0,8764となりました。

確かに、数字のみMNISTよりもFashion-MNISTの方が精度が出にくい感じですね。

難易度が上がったことが実感できました。

Fashion-MNISTを試したソースコード

試したい方は、以下のサイトからデータをクローンしましょう。

https://github.com/zalandoresearch/fashion-mnist

実行するには、公式サイトにも記載があるように、

utils/mnist_reader を使用する必要があります。

筆者は、いきなりこれにハマりました。

import mnist_reader

を実行するために、utils/mnist_reader が必要になります。

このモジュールは、上記サイトからクローンしたフォルダ内にあります。

これがないと、データをimportできません。

以下、今回使用したソースコードになります。

数字版MNISTの使い回しなので、コメントなど適当なのはご容赦ください。

import mnist_reader
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import Adam 
from keras.utils import np_utils

from keras.utils.visualize_util import plot
import matplotlib.pyplot as plt

def build_model():
    # モデルの作成
    model = Sequential()
    model.add(Dense(512, input_shape=(784,)))
    model.add(Activation('relu'))
    model.add(Dropout(0.2))

    model.add(Dense(512))
    model.add(Activation('relu'))
    model.add(Dropout(0.2))

    model.add(Dense(10))
    model.add(Activation('softmax'))

    # 損失関数の定義
    model.compile(
        loss='categorical_crossentropy',
        optimizer=Adam(),
        metrics=['accuracy'])
    
    return model

def plot_history(history):
    # 精度の履歴をプロット
    plt.plot(history.history['acc'],"o-",label="accuracy")
    plt.plot(history.history['val_acc'],"o-",label="val_acc")
    plt.title('model accuracy')
    plt.xlabel('epoch')
    plt.ylabel('accuracy')
    plt.legend(loc="lower right")
    plt.show()
 
    # 損失の履歴をプロット
    plt.plot(history.history['loss'],"o-",label="loss",)
    plt.plot(history.history['val_loss'],"o-",label="val_loss")
    plt.title('model loss')
    plt.xlabel('epoch')
    plt.ylabel('loss')
    plt.legend(loc='lower right')
    plt.show()

if __name__ == "__main__":
    #　MNISTのデータの読み込み
    # 訓練データ６万件、テストデータ１万件
    # 28ピクセル × 28ピクセル = 784ピクセルのデータ
    # 色は0〜255
    X_train, y_train = mnist_reader.load_mnist('data/fashion', kind='train')
    X_test, y_test = mnist_reader.load_mnist('data/fashion', kind='t10k')
    X_train = X_train.reshape(60000, 784).astype('float32')
    X_test  = X_test.reshape(10000, 784).astype('float32')
    X_train /= 255
    X_test  /= 255

    # 10次元配列に変換　//数字の５ならこんな感じ[0,0,0,0,1,0,0,0,0,0]
    y_train = np_utils.to_categorical(y_train, 10)
    y_test  = np_utils.to_categorical(y_test, 10)

    # データで訓練 今回は時間省略のため2回で学習する
    model = build_model()
    history = model.fit(X_train, y_train, 
        nb_epoch=50, #学習させる回数　今回は２　回数はお好みで　pytyonのnb_epochとはrangeの繰り返しのこと
        batch_size=128, #無作為に１２８画像取得している。数字はなんでも良い
        validation_data=(X_test, y_test)
    )


    #学習モデルの保存
    json_string = model.to_json()
    #モデルのファイル名　拡張子.json
    open('mnist.json', 'w').write(json_string)
    #重みファイルの保存 拡張子がhdf5
    model.save_weights('mnist.hdf5')

    # モデルの評価を行う
    score = model.evaluate(X_test, y_test, verbose=1)

    print('loss=', score[0])
    print('accuracy=', score[1])
    
    # modelに学習させた時の変化の様子をplot
    plot_history(history)

精度を出すために、epoch = 50 で実施してみた結果、

Epoch 49/50
60000/60000 [==============================] - 8s - loss: 0.1336 - acc: 0.9479 - val_loss: 0.3355 - val_acc: 0.9029
Epoch 50/50
60000/60000 [==============================] - 7s - loss: 0.1351 - acc: 0.9477 - val_loss: 0.3284 - val_acc: 0.9009
 9280/10000 [==========================>...] - ETA: 0sloss= 0.328375703002
accuracy= 0.9009