データマイニング（DM）- Python - DL のバックアップ(No.2)

バックアップ一覧
差分を表示
現在との差分を表示
ソースを表示
データマイニング（DM）- Python - DL へ行く。
- 1 (2022-11-29 (火) 23:33:40)
- 2 (2022-11-29 (火) 23:54:54)
- 3 (2022-11-30 (水) 13:24:31)
- 4 (2022-12-07 (水) 18:25:00)
- 5 (2023-05-24 (水) 03:13:41)
- 6 (2023-05-30 (火) 14:12:29)
- 7 (2023-06-19 (月) 16:37:05)
- 8 (2024-04-04 (木) 15:29:29)

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。散布図

戻る
- CRISP-DM
- Excel
- KNIME
- Python
- Python - DL
- DataSet

目次 †

目次
概要
詳細
- 準備
  - on Jupyter on Docker
  - インストール～初期化
- 共通
参考
- scikit-learn
- TensorFlow・Keras

↑

概要 †

↑

詳細 †

↑

準備 †

↑

on Jupyter on Docker †

イメージを変えてコチラの例と同様にできる。
使用するイメージは、tensorflow/tensorflow:latest-jupyter

↑

インストール～初期化 †

インストール
```
!pip install --upgrade pip
```

tensorflow
```
!pip install -U tensorflow
```

keras
```
!pip install -U keras
```

その他
色々、足りてない。

!pip install numpy
!pip install pandas
!pip install seaborn
!pip install statsmodels
!pip install scikit-learn
!pip install opencv-python

警告の非表示

import warnings
warnings.filterwarnings('ignore')

インポート

基本的なライブラリ
NumPy, Pandas, Matplotlib

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

TensorFlow?

import tensorflow as tf
from tensorflow.keras.layers import BatchNormalization
print(tf.__version__)

Keras

import keras
print(keras.__version__)
# モデル定義
from keras.models import Model, Sequential, model_from_json
from keras.layers import Dense, Input, Activation, Flatten, Dropout, LSTM
from keras.layers.convolutional import Conv2D
from keras.layers.pooling import MaxPool2D
from keras.callbacks import EarlyStopping, ModelCheckpoint
from keras import optimizers
from keras.optimizers import SGD, Adam
# その他
from keras.applications.vgg16 import VGG16
from keras.utils import np_utils

scikit-learn

from sklearn import metrics
from sklearn.metrics import confusion_matrix as cm
from sklearn.model_selection import train_test_split

opencv-python

import
```
import cv2 # OpenCV
```

以下のエラーになる場合、
「cannot open shared object file: No such file or directory」
以下のコマンドをTerminalから実行する。
```
apt-get update && apt-get upgrade -y
apt-get install -y libgl1-mesa-dev
apt-get install -y libopencv-dev
```

その他

from statsmodels.tsa.seasonal import seasonal_decompose

↑

共通 †

↑

オブジェクトの保存と復元 †

pickleのシリアライズとデシリアライズで保存と復元

保存されるオブジェクト

import pickle
obj = '保存されるオブジェクト'

シリアライズ相当

with open('sample.pickle','wb') as f:
   pickle.dump(obj, f)

デシリアライズ相当

with open('sample.pickle','rb') as f:
   loaded_obj = pickle.load(f)

復元されたオブジェクト
```
print(loaded_obj)
```

↑

勾配降下法アルゴリズムの選択 †

SGD
- 概要・欠点
- コード
  lr：学習率（0以上のfloat
```
optimizer = optimizers.SGD(lr=0.01)
```

MomentumSGD
- 概要・欠点
- コード
  SGDのコードに「momentum」（慣性項の係数（0以上のF）を追加。
```
optimizer = optimizers.SGD(lr=0.01, momentum=0.9)
```

NesterovAG
（Nesterov Accelerated Gradient）
- 概要・欠点
- コード
  MomentumSGDのコードに「nesterov=True」を追加。
```
optimizer = optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True)
```

AdaGrad?
- 概要・欠点
- コード
  デフォルト・パラメタが推奨
  - lr ：学習率（0以上のfloat
  - epsilon：分母の最小値（0以上のfloat
  - decay ：学習率減衰（0以上のfloat
```
optimizer = optimizers.Adagrad(lr=0.01, epsilon=None, decay=0.0)
```

RMSprop
（Root Mean Square Propagation）
- 概要・欠点
- コード
  - AdaGrad?のコードに「rho」（指数移動平均）を追加。
  - 学習率以外はデフォルト・パラメタが推奨
```
optimizer = optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=None, decay=0.0)
```

AdaDelta?
- 概要・欠点
- コード
  - AdaGrad?のコードに「rho」（指数移動平均）を追加。
  - デフォルト・パラメタが推奨
```
optimizer = optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=None, decay=0.0)
```

Adam
（ADAptive Moment estimation）
- 概要・欠点
- コード
  - beta_1 ：MomentumSGDのmomentum
  - beta_2 ：AdaGrad?のrho
  - amsgrad：AMSGradを適用するかどうか。
```
optimizer = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
```

↑

過学習の抑止 †

商品の自動タグ付けのモデル定義に以下を追加。

早期終了（early stopping）

EarlyStopping?クラス

monitor ：監視する値
patience：指定エポック数の間、改善がない場合、学習を停止
mode ：収束判定（auto: 自動, min: 最小時, max: 最大時）

verbose ：標準出力で通知をするか否か

es = EarlyStopping(monitor='val_loss', patience=5, mode='min', verbose=0)
hist = model.fit(x_train_std , y_train,
                 validation_data=(x_test_std, y_test),
                 batch_size=batch_size,
                 epochs=n_epoch,
                 verbose=1,
                 callbacks=[es]) # EarlyStoppingを適用

ModelCheckpoint?クラス
検証誤差が最も低い状態のモデルを保存
- monitor ：監視する値（デフォルト: val_loss）
- mode ：収束判定（auto: 自動, min: 最小時, max: 最大時）
- verbose ：標準出力で通知をするか否か
- filepath ：モデルを保存するファイルパス
- save_best_only：最良の状態のモデルのみを保存するかどうか（bool）
```
mc = ModelCheckpoint(monitor='val_loss', mode='min', verbose=1, filepath='./dl4', save_best_only=True)
hist = model.fit(x_train_std , y_train,
                 validation_data=(x_test_std, y_test),
                 batch_size=batch_size,
                 epochs=n_epoch,
                 verbose=1,
                 callbacks=[mc]) # ModelCheckpointを適用
```

ドロップアウト（Dropout）
最終層の一つ前に以下を追加。
```
# 無効化比率0.5のDropout
model.add(Dropout(rate=0.5))
```

バッチ正規化（Batch Normalization）
畳み込み層とプーリング層の間に以下を追加。
```
model.add(BatchNormalization())
```

↑

モデルの保存と復元 †

モデルの保存

# モデルはjson形式
json_string = model.to_json()
with open('mnist.model', 'w') as f:
    f.write(json_string)
# パラメータはhdf5形式
model.save_weights('param.hdf5')

モデルの復元
復元後、再度コンパイルが必要になる。

# モデルはjson形式
with open('mnist.model', 'r') as f:
    json_string = f.read()
model = model_from_json(json_string)
# パラメータはhdf5形式
model.load_weights('param.hdf5')

↑