pytorch_mlp

多層パーセプトロンで近似してみます

モジュール

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
%matplotlib inline

import torch

import torch.nn as nn

import torch.optim as optim

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from torchvision import datasets, transforms

from torch.utils.data import DataLoader

%matplotlib inline

# GPUが使えるかどうか確認する
device = "cuda" if torch.cuda.is_available() else 'cpu'
device
'cuda'
# データを呼び出す
transform = transforms.Compose([transforms.ToTensor()])
     # 画像をtensorに変換する。channel firstへ変換。0-1へ変換。    

train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_dataset
Dataset MNIST
    Number of datapoints: 60000
    Root location: ./data
    Split: Train
    StandardTransform
Transform: Compose(
               ToTensor()
           )
# バッチサイズを定義する　（バッチサイズと言ったら　ミニバッチのサイズのことを指す。データ全数のことではない）
num_batches = 100 

# データセットからバッチサイズ分を抽出する。
train_dataloader = DataLoader(train_dataset, batch_size=num_batches, shuffle=True)
train_iter = iter(train_dataloader)
imgs, labels = next(train_iter)
imgs, labels
imgs.size() # torch.Size([100, 1, 28, 28]) 　チャネルファースト１００データ,モノクロ１行,（縦２８x横２８）
torch.Size([100, 1, 28, 28])
# 教師データの確認
labels
tensor([1, 7, 9, 9, 6, 3, 4, 0, 2, 8, 4, 3, 4, 1, 5, 7, 6, 6, 8, 8, 6, 7, 9, 3,
        6, 2, 7, 3, 2, 6, 5, 2, 8, 7, 0, 4, 1, 4, 6, 5, 6, 9, 8, 9, 8, 3, 1, 2,
        4, 6, 9, 4, 8, 1, 7, 4, 7, 4, 5, 7, 8, 5, 4, 2, 5, 1, 8, 3, 6, 8, 1, 8,
        9, 9, 6, 6, 7, 4, 8, 8, 1, 3, 7, 6, 4, 5, 5, 9, 4, 1, 0, 5, 6, 8, 6, 9,
        3, 5, 3, 2])
#イメージデータ　０番目の確認
img = imgs[0] # torch.Size([0番目, 1, 28, 28]) 　チャネルファースト１００データ,モノクロ１行,（縦２８x横２８）
print(img.size()) # torch.Size([1, 28, 28])
img
torch.Size([1, 28, 28])
tensor([[[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,

     0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000]]])
# permuteでチャネルファーストをやめて　縦x横xch　へからを入れ替える
img_permute = img.permute(1,2,0) 
print(img_permute.size()) # torch.Size([28, 28, 1])
img_permute
torch.Size([28, 28, 1])
tensor([[[0.0000],
         [0.0000],
         [0.0000],
         [0.0000],
         [0.0000],
         [0.0000],

# GPUが使えるかどうか確認する

device = "cuda" if torch.cuda.is_available() else 'cpu'

device

'cuda'

# データを呼び出す

transform = transforms.Compose([transforms.ToTensor()])

# 画像をtensorに変換する。channel firstへ変換。0-1へ変換。

train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)

train_dataset

Dataset MNIST

Number of datapoints: 60000

Root location: ./data

Split: Train

StandardTransform

Transform: Compose(

ToTensor()

)

# バッチサイズを定義する　（バッチサイズと言ったら　ミニバッチのサイズのことを指す。データ全数のことではない）

num_batches = 100

# データセットからバッチサイズ分を抽出する。

train_dataloader = DataLoader(train_dataset, batch_size=num_batches, shuffle=True)

train_iter = iter(train_dataloader)

imgs, labels = next(train_iter)

imgs, labels

imgs.size() # torch.Size([100, 1, 28, 28]) 　チャネルファースト１００データ,モノクロ１行,（縦２８x横２８）

torch.Size([100, 1, 28, 28])

# 教師データの確認

labels

tensor([1, 7, 9, 9, 6, 3, 4, 0, 2, 8, 4, 3, 4, 1, 5, 7, 6, 6, 8, 8, 6, 7, 9, 3,

6, 2, 7, 3, 2, 6, 5, 2, 8, 7, 0, 4, 1, 4, 6, 5, 6, 9, 8, 9, 8, 3, 1, 2,

4, 6, 9, 4, 8, 1, 7, 4, 7, 4, 5, 7, 8, 5, 4, 2, 5, 1, 8, 3, 6, 8, 1, 8,

9, 9, 6, 6, 7, 4, 8, 8, 1, 3, 7, 6, 4, 5, 5, 9, 4, 1, 0, 5, 6, 8, 6, 9,

3, 5, 3, 2])

#イメージデータ　０番目の確認

img = imgs[0] # torch.Size([0番目, 1, 28, 28]) 　チャネルファースト１００データ,モノクロ１行,（縦２８x横２８）

print(img.size()) # torch.Size([1, 28, 28])

img

torch.Size([1, 28, 28])

tensor([[[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,

0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,

0.0000, 0.0000, 0.0000, 0.0000],

[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,

0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,

0.0000, 0.0000, 0.0000, 0.0000]]])

# permuteでチャネルファーストをやめて　縦x横xch　へからを入れ替える

img_permute = img.permute(1,2,0)

print(img_permute.size()) # torch.Size([28, 28, 1])

img_permute

torch.Size([28, 28, 1])

tensor([[[0.0000],

[0.0000],

# sns.heatmapで描画　numpy化が必要
sns.heatmap(img_permute.numpy()[:,:,0])

# 教師データ
print(labels[0])

# sns.heatmapで描画　numpy化が必要

sns.heatmap(img_permute.numpy()[:,:,0])

# 教師データ

print(labels[0])

class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.classifier = nn.Sequential(
            nn.Linear(28*28, 400), 
            nn.ReLU(inplace=True),# inplace:元の配列をReLUによって書き換える：元の配列を保持しないのでメモリーが節約できる
            nn.Linear(400, 200),
            nn.ReLU(inplace=True),
            nn.Linear(200, 100),
            nn.ReLU(inplace=True),
            nn.Linear(100, 10)
        )
        
    def forward(self, x):
        output = self.classifier(x)
        return output

class MLP(nn.Module):

def __init__(self):

super().__init__()

self.classifier = nn.Sequential(

nn.Linear(28*28, 400),

nn.ReLU(inplace=True),# inplace:元の配列をReLUによって書き換える：元の配列を保持しないのでメモリーが節約できる

nn.Linear(400, 200),

nn.ReLU(inplace=True),

nn.Linear(200, 100),

nn.ReLU(inplace=True),

nn.Linear(100, 10)

)

def forward(self, x):

output = self.classifier(x)

return output

#MLPのインスタンスを作成する
model = MLP()

# modelをGPU上に送る
model.to(device)
MLP(
  (classifier): Sequential(
    (0): Linear(in_features=784, out_features=400, bias=True)
    (1): ReLU(inplace=True)
    (2): Linear(in_features=400, out_features=200, bias=True)
    (3): ReLU(inplace=True)
    (4): Linear(in_features=200, out_features=100, bias=True)
    (5): ReLU(inplace=True)
    (6): Linear(in_features=100, out_features=10, bias=True)
  )
)
criterion = nn.CrossEntropyLoss() # 多クラス分類
optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザー
"""
バッチ学習：全データを一気に学習する
ミニバッチ学習：全データから無作為に抽出して、複数回に分けて学習する
"""

num_epochs = 10 # 何回繰り返すか

losses = [] #損失
accs = []  #精度

for epoch in range(num_epochs):
    running_loss = 0.0 # 損失の初期化
    running_acc = 0.0  # 精度の初期化
    
    for imgs, labels in train_dataloader:
        imgs = imgs.view(num_batches, -1) # １次元ベクトルへ変換
        
        imgs = imgs.to(device)    # GPU上へ送る
        labels =labels.to(device) # GPU上へ送る
        
        optimizer.zero_grad() # 勾配の初期化
        output = model(imgs)  # モデル順伝播計算
        loss = criterion(output, labels)
        running_loss += loss.item()
        pred = torch.argmax(output, dim=1) # dim=0はバッチ方向　dim=1 は分類方向
        running_acc += torch.mean(pred.eq(labels).float())
        loss.backward() # 誤差　逆伝搬計算
        optimizer.step() # オプティマイザによるパラメータ更新
    
    running_loss /= len(train_dataloader)
    running_acc /= len(train_dataloader)
    
    losses.append(running_loss)
    accs.append(running_acc)
    
    print(f'epoch : {epoch}, loss {running_loss}: ,acc : {running_acc}')

#MLPのインスタンスを作成する

model = MLP()

# modelをGPU上に送る

model.to(device)

MLP(

(classifier): Sequential(

(0): Linear(in_features=784, out_features=400, bias=True)

(1): ReLU(inplace=True)

(2): Linear(in_features=400, out_features=200, bias=True)

(3): ReLU(inplace=True)

(4): Linear(in_features=200, out_features=100, bias=True)

(5): ReLU(inplace=True)

(6): Linear(in_features=100, out_features=10, bias=True)

)

criterion = nn.CrossEntropyLoss() # 多クラス分類

optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザー

"""

バッチ学習：全データを一気に学習する

ミニバッチ学習：全データから無作為に抽出して、複数回に分けて学習する

"""

num_epochs = 10 # 何回繰り返すか

losses = [] #損失

accs = [] #精度

for epoch in range(num_epochs):

running_loss = 0.0 # 損失の初期化

running_acc = 0.0 # 精度の初期化

for imgs, labels in train_dataloader:

imgs = imgs.view(num_batches, -1) # １次元ベクトルへ変換

imgs = imgs.to(device) # GPU上へ送る

labels =labels.to(device) # GPU上へ送る

optimizer.zero_grad() # 勾配の初期化

output = model(imgs) # モデル順伝播計算

loss = criterion(output, labels)

running_loss += loss.item()

pred = torch.argmax(output, dim=1) # dim=0はバッチ方向　dim=1 は分類方向

running_acc += torch.mean(pred.eq(labels).float())

loss.backward() # 誤差　逆伝搬計算

optimizer.step() # オプティマイザによるパラメータ更新

running_loss /= len(train_dataloader)

running_acc /= len(train_dataloader)

losses.append(running_loss)

accs.append(running_acc)

print(f'epoch : {epoch}, loss {running_loss}: ,acc : {running_acc}')

# 学習済みパラメーターを抜き出す
params = model.state_dict()

# パラメータをファイルに保存する
torch.save(params, 'model.prm')
# パラメータをファイルから読み込む
param_load = torch.load('model.prm')
param_load
OrderedDict([('classifier.0.weight',
              tensor([[-3.5617e-02,  8.9706e-03,  3.4050e-02,  ..., -9.2121e-03,
                       -6.5885e-05, -1.0760e-02],
                      [ 2.0486e-02, -3.1989e-02,  4.9619e-04,  ..., -1.1030e-02,
                        3.4729e-02, -2.9047e-02],
                      [-5.6085e-03, -2.2364e-02,  4.2380e-03,  ..., -5.4451e-03,
                        3.1651e-02,  3.1243e-02],
                      ...,
                      [ 3.4697e-02, -1.2696e-02, -1.9370e-02,  ..., -1.3790e-02,
                       -2.0770e-02, -2.9269e-02],
                      [-2.5984e-02, -6.8645e-03, -3.7604e-03,  ..., -1.8618e-02,
                       -2.4756e-02,  1.7510e-02],
                      [-1.2803e-02,  3.7466e-03, -2.7087e-02,  ..., -1.4499e-02,
                       -1.8533e-02,  1.8600e-02]], device='cuda:0')),
             ('classifier.0.bias',
              tensor([ 2.5952e-02, -1.7248e-02, -4.3149e-02, -1.6513e-02,  1.0530e-02,
                      -1.2782e-02, -1.2642e-02, -3.1505e-02,  2.4053e-02, -2.4963e-02,
                      -7.3092e-03, -4.1888e-02, -5.4823e-03,  1.1824e-02, -6.8225e-02,
                       1.6625e-02, -1.6976e-02, -1.2219e-02,  1.3059e-02,  2.1564e-02,
                      -1.3850e-02, -3.6530e-02, -8.9879e-03, -1.2830e-02, -8.4952e-03,
                       1.0740e-02,  1.5189e-02,  2.5338e-02, -2.3679e-02, -1.6828e-02,

# 学習済みパラメーターを抜き出す

params = model.state_dict()

# パラメータをファイルに保存する

torch.save(params, 'model.prm')

# パラメータをファイルから読み込む

param_load = torch.load('model.prm')

param_load

OrderedDict([('classifier.0.weight',

tensor([[-3.5617e-02, 8.9706e-03, 3.4050e-02, ..., -9.2121e-03,

-6.5885e-05, -1.0760e-02],

[ 2.0486e-02, -3.1989e-02, 4.9619e-04, ..., -1.1030e-02,

3.4729e-02, -2.9047e-02],

[-5.6085e-03, -2.2364e-02, 4.2380e-03, ..., -5.4451e-03,

3.1651e-02, 3.1243e-02],

...,

[ 3.4697e-02, -1.2696e-02, -1.9370e-02, ..., -1.3790e-02,

-2.0770e-02, -2.9269e-02],

[-2.5984e-02, -6.8645e-03, -3.7604e-03, ..., -1.8618e-02,

-2.4756e-02, 1.7510e-02],

[-1.2803e-02, 3.7466e-03, -2.7087e-02, ..., -1.4499e-02,

-1.8533e-02, 1.8600e-02]], device='cuda:0')),

('classifier.0.bias',

tensor([ 2.5952e-02, -1.7248e-02, -4.3149e-02, -1.6513e-02, 1.0530e-02,

-1.2782e-02, -1.2642e-02, -3.1505e-02, 2.4053e-02, -2.4963e-02,

-7.3092e-03, -4.1888e-02, -5.4823e-03, 1.1824e-02, -6.8225e-02,

1.6625e-02, -1.6976e-02, -1.2219e-02, 1.3059e-02, 2.1564e-02,

-1.3850e-02, -3.6530e-02, -8.9879e-03, -1.2830e-02, -8.4952e-03,

1.0740e-02, 1.5189e-02, 2.5338e-02, -2.3679e-02, -1.6828e-02,

# 学習済みパラメーターを抜き出す
params = model.state_dict()

# パラメータをファイルに保存する
torch.save(params, 'model.prm')

# 学習済みパラメーターを抜き出す

params = model.state_dict()

# パラメータをファイルに保存する

torch.save(params, 'model.prm')

#読み込んだパラメータがちゃんと型にあっているかどうか
model.load_state_dict(param_load)

pytorch_linear_regression

線形回帰です。

下準備

!python.exe -m pip install --upgrade pip
!pip install --upgrade matplotlib
!pip install --upgrade numpy
!pip install --upgrade pandas
!pip install --upgrade matplotlib

!python.exe -m pip install --upgrade pip

!pip install --upgrade matplotlib

!pip install --upgrade numpy

!pip install --upgrade pandas

!pip install --upgrade matplotlib

モジュール

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
plt.style.use('ggplot')

import torch

import torch.nn as nn

import torch.optim as optim

import matplotlib.pyplot as plt

import numpy as np

%matplotlib inline

plt.style.use('ggplot')

線形にノイズを乗せたサンプルデータを作成する。

# サンプルデータの生成
torch.manual_seed(0)
a = 3
b = 5
x = torch.linspace(0, 10, 101)# 0 から10まで101データ作成する 
x = x.view(101, 1) # 101行 x 1列に変形する　pytroch:batchの次元が頭にくる。そのあとに値
epsilon = torch.randn(101,1) # 101行 x 1列 ノイズデータとして　pytroch:batchの次元が頭にくる。そのあとに値
y = a * x + b + epsilon
plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# サンプルデータの生成

torch.manual_seed(0)

a = 3

b = 5

x = torch.linspace(0, 10, 101)# 0 から10まで101データ作成する

x = x.view(101, 1) # 101行 x 1列に変形する　pytroch:batchの次元が頭にくる。そのあとに値

epsilon = torch.randn(101,1) # 101行 x 1列ノイズデータとして　pytroch:batchの次元が頭にくる。そのあとに値

y = a * x + b + epsilon

plt.scatter(x, y)

plt.xlabel('x')

plt.ylabel('y')

plt.show()

適当な一次関数を乗せる

class LinearRegression(nn.Module): # 継承 def __init__(self):
        super().__init__() # まず親クラスの初期化（継承しているため）
        self.linear = nn.Linear(in_features=1, out_features=1)#入力xひとつ　出力yひとつ
        
    def forward(self, x):
        output = self.linear(x)
        return output
```


```python
# 訓練前の出力を確認する

plt.scatter(x.detach().numpy(), y,label='y_data')
plt.xlabel('x')
plt.ylabel('y')

model = LinearRegression()
y_before_trainning = model.forward(x)

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.legend()
plt.show()

class LinearRegression(nn.Module): # 継承 def __init__(self):

super().__init__() # まず親クラスの初期化（継承しているため）

self.linear = nn.Linear(in_features=1, out_features=1)#入力xひとつ　出力yひとつ

def forward(self, x):

output = self.linear(x)

return output

```

```python

# 訓練前の出力を確認する

plt.scatter(x.detach().numpy(), y,label='y_data')

plt.xlabel('x')

plt.ylabel('y')

model = LinearRegression()

y_before_trainning = model.forward(x)

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.legend()

plt.show()

あってないので学習していく

# 学習していく
criterion = nn.MSELoss() # 損失関数を定義
optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザーを定義 学習率を定義
```


```python
losses = []
num_epoch = 10000
for epoch in range(num_epoch):
    # バッチ学習とする
    
    optimizer.zero_grad() # オプティマイザーの初期化
    y_pred = model(x) # xをネットワークへ入力してyを予測する
    loss = criterion(y_pred, y) # 予測したyと 正解データyとの損失関数を求める
    loss.backward() # 損失関数lossの勾配を求める
    optimizer.step() # オプティマイザーを使って重みパラメータを更新する
    
    # epoch 10 毎に損失を出力する
    if epoch % 10 == 0:
        print(f'epoch : {epoch} , loss : {loss}')
        
    losses.append(loss.detach().numpy()) # 損失の履歴をリストに保存する
```

    epoch : 0 , loss : 102.21257019042969
    epoch : 10 , loss : 101.25241088867188
    epoch : 20 , loss : 100.2987289428711
    epoch : 30 , loss : 99.35151672363281

    epoch : 9960 , loss : 0.9862185120582581
    epoch : 9970 , loss : 0.9861779808998108
    epoch : 9980 , loss : 0.9861387610435486
    epoch : 9990 , loss : 0.9861003160476685

plt.plot(losses)

# 学習していく

criterion = nn.MSELoss() # 損失関数を定義

optimizer = optim.Adam(model.parameters(), lr=0.001) # オプティマイザーを定義学習率を定義

```

```python

losses = []

num_epoch = 10000

for epoch in range(num_epoch):

# バッチ学習とする

optimizer.zero_grad() # オプティマイザーの初期化

y_pred = model(x) # xをネットワークへ入力してyを予測する

loss = criterion(y_pred, y) # 予測したyと正解データyとの損失関数を求める

loss.backward() # 損失関数lossの勾配を求める

optimizer.step() # オプティマイザーを使って重みパラメータを更新する

# epoch 10 毎に損失を出力する

if epoch % 10 == 0:

print(f'epoch : {epoch} , loss : {loss}')

losses.append(loss.detach().numpy()) # 損失の履歴をリストに保存する

```

epoch : 0 , loss : 102.21257019042969

epoch : 10 , loss : 101.25241088867188

epoch : 20 , loss : 100.2987289428711

epoch : 30 , loss : 99.35151672363281

epoch : 9960 , loss : 0.9862185120582581

epoch : 9970 , loss : 0.9861779808998108

epoch : 9980 , loss : 0.9861387610435486

epoch : 9990 , loss : 0.9861003160476685

plt.plot(losses)

学習結果

plt.scatter(x.detach().numpy(), y,label='y_data')
plt.xlabel('x')
plt.ylabel('y')

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.plot(x.detach().numpy(), y_pred.detach().numpy(), label='y_pred')# detach()が必要

plt.xlabel('x')
plt.ylabel('y')

plt.legend()
plt.show()
```

plt.scatter(x.detach().numpy(), y,label='y_data')

plt.xlabel('x')

plt.ylabel('y')

plt.plot(x.detach().numpy(), y_before_trainning.detach().numpy(), label='y_before_trainning')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.plot(x.detach().numpy(), y_pred.detach().numpy(), label='y_pred')# detach()が必要

plt.xlabel('x')

plt.ylabel('y')

plt.legend()

plt.show()

```

以上

dezeroでニューラルネットワーク２ model, optimizer, MSEをフル活用

dezeroでニューラルネットワークを使った回帰をやってみる２

dezeroに搭載されている、model, optimizer, MSEをフル活用したバージョンです。

結果は前回と同様によく回帰できていますね。

損失の減り方がとても早いです。今回はAdamを使っているのでうまく昨日しているようです。悩んだらAdamは間違ってないようです。

スクリプトはこちらに貼っておきます。

# ニューラルネットワークで回帰（レイヤ　モデル　最適化手法）
import numpy as np
from dezero import Variable
from dezero import Model
import dezero.layers as L
import dezero.functions as F
from dezero import optimizers

# データサンプルを生成
np.random.seed(0)
x = np.random.rand(100, 1) # 行x列
y = np.sin(2*np.pi*x)+np.random.rand(100,1)
plt.plot(x,y,'o')

# 学習
lr = 0.1
iters = 100000
loss_list = []
iters_list = []

# モデルをdezeroから継承する
class TwoLayerNet(Model):
    def __init__(self, hidden_size, out_size):
        super().__init__()
        self.l1 = L.Linear(hidden_size)
        self.l2 = L.Linear(out_size)
        
    def forward(self, x):
        y = F.sigmoid(self.l1(x))
        y = self.l2(y)
        return y

# モデルのインスタンスを作成
model = TwoLayerNet(10, 1)#隠れ層のサイズ, 出力層のサイズ

# オプティマイザを生成
#optimizer = optimizers.SGD(lr) # 最初にお世話になるSGD
optimizer = optimizers.Adam(lr) # 悩んだらアダム
optimizer.setup(model) # モデルのセットアップする　意味不明。

""" いらないくなった
# dezero変数へ変換
x, y = Variable(x), Variable(y)

# NNのパラメータの初期化
I, H, O = 1, 10, 1
W1 = Variable(0.01 * np.random.randn(I, H))
b1 = Variable(np.zeros(H))
W2 = Variable(0.01 * np.random.rand(H, O))
b2 = Variable(np.zeros(O))

# 推論：ニューラルネットワーク
def predict(x):
    y = F.linear(x, W1, b1)
    y = F.sigmoid(y)
    y = F.linear(y, W2, b2)
    return y

# 損失関数 
def mean_squared_error(x0, x1):
    diff = x0 - x1
    return F.sum(diff ** 2) / len(diff)
"""

for i in range(iters):
    # 予測
    #y_pred = predict(x)
    y_pred = model.forward(x) # 実はもうある
    
    # 損失
    #loss = mean_squared_error(y, y_pred)
    loss = F.mean_squared_error(y, y_pred) # 実はもうある
    
    """いらなくなった
    # 勾配初期化
    W1.cleargrad()
    b1.cleargrad()
    W2.cleargrad()
    b2.cleargrad()
    """
    # 勾配初期化
    model.cleargrads() # 代わりにこれでいい
    
    # 損失勾配
    loss.backward() # ここはかわらない
    
    """ いらなくなった
    # 勾配降下法によるパラメータ更新
    W1.data -= lr * W1.grad.data
    b1.data -= lr * b1.grad.data
    W2.data -= lr * W2.grad.data
    b2.data -= lr * b2.grad.data
    """
    """modelは使うが optimizerを使わないときはこのスクリプトを使う
    # パラメータ更新
    for p in model.params(): # モデルパラムスに保存されてるっぽい
        p.data -= lr * p.grad.data # 勾配降下法
    """
    # オプティマイザを使って　パラメータ更新
    optimizer.update()
    
    if (i % 1000) == 0: # たまに損失の計算状況を出力をする
        print(i, loss.data)
        loss_list.append(loss.data) 
        iters_list.append(i)
        
# 結果表示
plt.plot(x.data, predict(x).data, 'o') 
plt.show()
plt.plot(iters_list, loss_list)

100

101

102

103

104

105

106

107

108

109

110

# ニューラルネットワークで回帰（レイヤ　モデル　最適化手法）

import numpy as np

from dezero import Variable

from dezero import Model

import dezero.layers as L

import dezero.functions as F

from dezero import optimizers

# データサンプルを生成

np.random.seed(0)

x = np.random.rand(100, 1) # 行x列

y = np.sin(2*np.pi*x)+np.random.rand(100,1)

plt.plot(x,y,'o')

# 学習

lr = 0.1

iters = 100000

loss_list = []

iters_list = []

# モデルをdezeroから継承する

class TwoLayerNet(Model):

def __init__(self, hidden_size, out_size):

super().__init__()

self.l1 = L.Linear(hidden_size)

self.l2 = L.Linear(out_size)

def forward(self, x):

y = F.sigmoid(self.l1(x))

y = self.l2(y)

return y

# モデルのインスタンスを作成

model = TwoLayerNet(10, 1)#隠れ層のサイズ, 出力層のサイズ

# オプティマイザを生成

#optimizer = optimizers.SGD(lr) # 最初にお世話になるSGD

optimizer = optimizers.Adam(lr) # 悩んだらアダム

optimizer.setup(model) # モデルのセットアップする　意味不明。

""" いらないくなった

# dezero変数へ変換

x, y = Variable(x), Variable(y)

# NNのパラメータの初期化

I, H, O = 1, 10, 1

W1 = Variable(0.01 * np.random.randn(I, H))

b1 = Variable(np.zeros(H))

W2 = Variable(0.01 * np.random.rand(H, O))

b2 = Variable(np.zeros(O))

# 推論：ニューラルネットワーク

def predict(x):

y = F.linear(x, W1, b1)

y = F.sigmoid(y)

y = F.linear(y, W2, b2)

return y

# 損失関数

def mean_squared_error(x0, x1):

diff = x0 - x1

return F.sum(diff ** 2) / len(diff)

"""

for i in range(iters):

# 予測

#y_pred = predict(x)

y_pred = model.forward(x) # 実はもうある

# 損失

#loss = mean_squared_error(y, y_pred)

loss = F.mean_squared_error(y, y_pred) # 実はもうある

"""いらなくなった

# 勾配初期化

W1.cleargrad()

b1.cleargrad()

W2.cleargrad()

b2.cleargrad()

"""

# 勾配初期化

model.cleargrads() # 代わりにこれでいい

# 損失勾配

loss.backward() # ここはかわらない

""" いらなくなった

# 勾配降下法によるパラメータ更新

W1.data -= lr * W1.grad.data

b1.data -= lr * b1.grad.data

W2.data -= lr * W2.grad.data

b2.data -= lr * b2.grad.data

"""

"""modelは使うが optimizerを使わないときはこのスクリプトを使う

# パラメータ更新

for p in model.params(): # モデルパラムスに保存されてるっぽい

p.data -= lr * p.grad.data # 勾配降下法

"""

# オプティマイザを使って　パラメータ更新

optimizer.update()

if (i % 1000) == 0: # たまに損失の計算状況を出力をする

print(i, loss.data)

loss_list.append(loss.data)

iters_list.append(i)

# 結果表示

plt.plot(x.data, predict(x).data, 'o')

plt.show()

plt.plot(iters_list, loss_list)

dezeroでニューラルネットワークを使った回帰をやってみる

やってみよう。

まずは線形回帰

グラフはこんな感じで線形近似できている。

# 線形回帰
%matplotlib inline
import numpy as np
import matplotlib.pylab as plt
import dezero.functions as F
from dezero import Variable

np.random.seed(0)
x = np.random.rand(100,1)
y = 5 + 2 *x +np.random.rand(100,1)
plt.plot(x,y,'o')

x, y = Variable(x), Variable(y)

# パラメータはW一つ　b一つあればいい
W = Variable(np.zeros((1,1)))
b = Variable(np.zeros((1)))       

def predict(x):
    y = F.matmul(x, W) + b
    return y

def mean_squared_error(x0, x1):
    diff = x0 - x1
    return F.sum(diff ** 2) / len(diff)

lr = 0.1
iters = 100

for i in range(iters):
    # 予測
    y_pred = predict(x)
    
    # 損失
    loss = mean_squared_error(y, y_pred)
    
    # 勾配初期化
    W.cleargrad()
    b.cleargrad()
    
    # 損失勾配
    loss.backward()
    
    # 勾配降下法によるパラメータ更新
    W.data -= lr * W.grad.data
    b.data -= lr *  b.grad.data
    
    if (i % 10) == 0: # 10計算毎に出力をする
        print(i, loss.data)

# 結果表示
print(W.data, b.data)
plt.plot(x.data, W.data * x.data + b.data)

# 線形回帰

%matplotlib inline

import numpy as np

import matplotlib.pylab as plt

import dezero.functions as F

from dezero import Variable

np.random.seed(0)

x = np.random.rand(100,1)

y = 5 + 2 *x +np.random.rand(100,1)

plt.plot(x,y,'o')

x, y = Variable(x), Variable(y)

# パラメータはW一つ　b一つあればいい

W = Variable(np.zeros((1,1)))

b = Variable(np.zeros((1)))

def predict(x):

y = F.matmul(x, W) + b

return y

def mean_squared_error(x0, x1):

diff = x0 - x1

return F.sum(diff ** 2) / len(diff)

lr = 0.1

iters = 100

for i in range(iters):

# 予測

y_pred = predict(x)

# 損失

loss = mean_squared_error(y, y_pred)

# 勾配初期化

W.cleargrad()

b.cleargrad()

# 損失勾配

loss.backward()

# 勾配降下法によるパラメータ更新

W.data -= lr * W.grad.data

b.data -= lr * b.grad.data

if (i % 10) == 0: # 10計算毎に出力をする

print(i, loss.data)

# 結果表示

print(W.data, b.data)

plt.plot(x.data, W.data * x.data + b.data)

損失が徐々に減っていく。いい感じだ。

0 42.296340129442335
10 0.24915731977561134
20 0.10078974954301652
30 0.09461859803040694
40 0.0902667138137311
50 0.08694585483964615
60 0.08441084206493275
70 0.08247571022229121
80 0.08099850454041051
90 0.07987086218625004
[[2.11807369]] [5.46608905]

0 42.296340129442335

10 0.24915731977561134

20 0.10078974954301652

30 0.09461859803040694

40 0.0902667138137311

50 0.08694585483964615

60 0.08441084206493275

70 0.08247571022229121

80 0.08099850454041051

90 0.07987086218625004

[[2.11807369]] [5.46608905]

これをsinカーブでやってみると、直線しか表現できないのでぜんぜんだめ

そこでニューラルネットワークの出番。

活性化関数のお陰で表現が増える

sinカーブにノイズをのせたサンプルデータを作ってニューラルネットワークでやってみよう

損失の減り方をみると開始直後に急激に減って、なんと１万回くらいのところで再度損失が急激に減少した。理由は分からないが　なんかすごい。

ではコードはこちら

# ニューラルネットワークで回帰（成功例）
import numpy as np
import dezero.layers as L

# データサンプルを生成
np.random.seed(0)
x = np.random.rand(100, 1) # 行x列
y = np.sin(2*np.pi*x)+np.random.rand(100,1)
plt.plot(x,y,'o')

# dezero変数へ変換
x, y = Variable(x), Variable(y)

# NNのパラメータの初期化
I, H, O = 1, 10, 1
W1 = Variable(0.01 * np.random.randn(I, H))
b1 = Variable(np.zeros(H))
W2 = Variable(0.01 * np.random.rand(H, O))
b2 = Variable(np.zeros(O))
 
# 推論：ニューラルネットワーク
def predict(x):
    y = F.linear(x, W1, b1)
    y = F.sigmoid(y)
    y = F.linear(y, W2, b2)
    return y

# 損失関数 
def mean_squared_error(x0, x1):
    diff = x0 - x1
    return F.sum(diff ** 2) / len(diff)

# 学習
lr = 0.1
iters = 100000
loss_list = []
iters_list = []

for i in range(iters):
    # 予測
    y_pred = predict(x)
    
    # 損失
    loss = mean_squared_error(y, y_pred)
    
    # 勾配初期化
    W1.cleargrad()
    b1.cleargrad()
    W2.cleargrad()
    b2.cleargrad()
    
    # 損失勾配
    loss.backward()
    
    # 勾配降下法によるパラメータ更新
    W1.data -= lr * W1.grad.data
    b1.data -= lr * b1.grad.data
    W2.data -= lr * W2.grad.data
    b2.data -= lr * b2.grad.data
    
    if (i % 1000) == 0: # 10計算毎に出力をする
        loss_list.append(loss.data) 
        iters_list.append(i)
        print(i, loss.data)
        
# 結果表示
plt.plot(x.data, predict(x).data, 'o') 
plt.show()
plt.plot(iters_list, loss_list)

# ニューラルネットワークで回帰（成功例）

import numpy as np

import dezero.layers as L

# データサンプルを生成

np.random.seed(0)

x = np.random.rand(100, 1) # 行x列

y = np.sin(2*np.pi*x)+np.random.rand(100,1)

plt.plot(x,y,'o')

# dezero変数へ変換

x, y = Variable(x), Variable(y)

# NNのパラメータの初期化

I, H, O = 1, 10, 1

W1 = Variable(0.01 * np.random.randn(I, H))

b1 = Variable(np.zeros(H))

W2 = Variable(0.01 * np.random.rand(H, O))

b2 = Variable(np.zeros(O))

# 推論：ニューラルネットワーク

def predict(x):

y = F.linear(x, W1, b1)

y = F.sigmoid(y)

y = F.linear(y, W2, b2)

return y

# 損失関数

def mean_squared_error(x0, x1):

diff = x0 - x1

return F.sum(diff ** 2) / len(diff)

# 学習

lr = 0.1

iters = 100000

loss_list = []

iters_list = []

for i in range(iters):

# 予測

y_pred = predict(x)

# 損失

loss = mean_squared_error(y, y_pred)

# 勾配初期化

W1.cleargrad()

b1.cleargrad()

W2.cleargrad()

b2.cleargrad()

# 損失勾配

loss.backward()

# 勾配降下法によるパラメータ更新

W1.data -= lr * W1.grad.data

b1.data -= lr * b1.grad.data

W2.data -= lr * W2.grad.data

b2.data -= lr * b2.grad.data

if (i % 1000) == 0: # 10計算毎に出力をする

loss_list.append(loss.data)

iters_list.append(i)

print(i, loss.data)

# 結果表示

plt.plot(x.data, predict(x).data, 'o')

plt.show()

plt.plot(iters_list, loss_list)

次回予告

次はdezeroをフル活用でやってみよう

オプティマイザとかも予め用意されているらしい。

強化学習：多腕バンディット問題　定常・非定常

強化学習の基礎、多腕バンディット問題

面白そうなのでやってみました。

ちなみに、本日のアイキャッチは画像生成AIであるStableDiffusionで「multi arms bandit problem by stable diffusion」というワードから生成した一枚です。

モジュールインポート　クラス作成

# 強化学習　バンディット問題
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

class Bandit():
    def __init__(self, arms=10):
        self.arms = arms
        self.rates = np.random.rand(self.arms)# 勝率
    
    def play(self, arm): # プレイして報酬を得る
        if self.rates[arm] > np.random.rand():
            return 1 # 勝利したときの報酬
        else:
            return 0 # 敗北したときの報酬
        
class NonStatBandit():
    def __init__(self, arms=10):
        self.arms = arms
        self.rates = np.random.rand(self.arms)# 勝率
    
    def play(self, arm): # プレイして報酬を得る
        self.rates += 0.01 * np.random.randn(self.arms) # 報酬にノイズを導入する
        
        if self.rates[arm] > np.random.rand():
            return 1 # 勝利したときの報酬
        else:
            return 0 # 敗北したときの報酬
        
        
class AlphaAgent:
    def __init__(self, epsilon, alpha, actions=10):
        self.epsilon = epsilon
        self.Qs = np.zeros(actions)
        self.alpha = alpha
    
    def get_action(self): 
        # ランダム　または　最大価値　の行動を選択
        if np.random.rand() < self.epsilon: # 貪欲を選択した場合
            return np.random.randint(0, len(self.Qs)) # ランダムに行動を選択する
        else:
            return np.argmax(self.Qs)
        
    def update(self, action, reward):
        # alphaで価値を更新する
        self.Qs[action] += self.alpha * (reward - self.Qs[action])

# 強化学習　バンディット問題

%matplotlib inline

import numpy as np

import matplotlib.pyplot as plt

class Bandit():

def __init__(self, arms=10):

self.arms = arms

self.rates = np.random.rand(self.arms)# 勝率

def play(self, arm): # プレイして報酬を得る

if self.rates[arm] > np.random.rand():

return 1 # 勝利したときの報酬

else:

return 0 # 敗北したときの報酬

class NonStatBandit():

def __init__(self, arms=10):

self.arms = arms

self.rates = np.random.rand(self.arms)# 勝率

def play(self, arm): # プレイして報酬を得る

self.rates += 0.01 * np.random.randn(self.arms) # 報酬にノイズを導入する

if self.rates[arm] > np.random.rand():

return 1 # 勝利したときの報酬

else:

return 0 # 敗北したときの報酬

class AlphaAgent:

def __init__(self, epsilon, alpha, actions=10):

self.epsilon = epsilon

self.Qs = np.zeros(actions)

self.alpha = alpha

def get_action(self):

# ランダム　または　最大価値　の行動を選択

if np.random.rand() < self.epsilon: # 貪欲を選択した場合

return np.random.randint(0, len(self.Qs)) # ランダムに行動を選択する

else:

return np.argmax(self.Qs)

def update(self, action, reward):

# alphaで価値を更新する

self.Qs[action] += self.alpha * (reward - self.Qs[action])

バンディットとエージェントで学習　定常問題

# 定常バンディット問題を解いてみる
np.random.seed(0)
bandit = Bandit(arms=10)

agent = AlphaAgent(epsilon=0.1, alpha=0.8, actions=10)
steps = 1_000

total_reward = 0
total_rewards = []
rates =[]

for step in range(steps):
    action = agent.get_action() #　行動を選択
    reward = bandit.play(action)# 行動し報酬を得る
    agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。
    
    total_reward += reward
    total_rewards.append(total_reward) 
    rates.append(total_reward / (step + 1))
    
plt.bar(np.arange(0,10,1),bandit.rates, color='red', width=0.3, label='rates', align="center")
plt.bar(np.arange(0,10,1) + 0.3, agent.Qs, color='blue', width=0.3, label='Qs', align="center")
plt.xticks(np.arange(0,10,1))
plt.xticks(np.arange(0,10,1))
plt.legend()
plt.show()

print('total_reward : ', total_reward)
plt.plot(total_rewards, label='total_reward')
plt.legend()
plt.show()

print('final_rate : ', rates[-1])
plt.plot(rates, label='rates')
plt.legend()
plt.show()

# 定常バンディット問題を解いてみる

np.random.seed(0)

bandit = Bandit(arms=10)

agent = AlphaAgent(epsilon=0.1, alpha=0.8, actions=10)

steps = 1_000

total_reward = 0

total_rewards = []

rates =[]

for step in range(steps):

action = agent.get_action() #　行動を選択

reward = bandit.play(action)# 行動し報酬を得る

agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

total_reward += reward

total_rewards.append(total_reward)

rates.append(total_reward / (step + 1))

plt.bar(np.arange(0,10,1),bandit.rates, color='red', width=0.3, label='rates', align="center")

plt.bar(np.arange(0,10,1) + 0.3, agent.Qs, color='blue', width=0.3, label='Qs', align="center")

plt.xticks(np.arange(0,10,1))

plt.legend()

plt.show()

print('total_reward : ', total_reward)

plt.plot(total_rewards, label='total_reward')

plt.legend()

plt.show()

print('final_rate : ', rates[-1])

plt.plot(rates, label='rates')

plt.legend()

plt.show()

結果

モデルを２００回繰り返した平均結果

# 定常バンディット問題をruns = 200回ランダムに解いて平均を見る
#np.random.seed(0)
runs = 200    # モデル数
steps = 1_000 # 学習の更新ステップ数

actions = 10  # 選択可能な「行動」の数
epsilon = 0.1 # 貪欲率
alpha = 0.8   # 学習率

# 勝率の結果を保存するテーブルを生成する
all_rates = np.zeros((runs, steps)) # 試行NO. x １試行の中での強化ステップNO. ※引数はタプル型


for run in range(runs): 
    # バンディットとエージェントのインスタンスを生成する
    bandit = Bandit(arms=actions)
    agent = AlphaAgent(epsilon=epsilon, alpha=alpha, actions=actions)
    
    # 報酬の初期化
    total_reward = 0
    total_rewards = []
    rates = []
    
    for step in range(steps):
        action = agent.get_action() #　行動を選択
        reward = bandit.play(action)# 行動し報酬を得る
        agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

        total_reward += reward
        total_rewards.append(total_reward) 
        rates.append(total_reward / (step + 1))
    
    all_rates[run] = rates # 勝率の結果を保存する

# 定常バンディット問題をruns = 200回ランダムに解いて平均を見る

#np.random.seed(0)

runs = 200 # モデル数

steps = 1_000 # 学習の更新ステップ数

actions = 10 # 選択可能な「行動」の数

epsilon = 0.1 # 貪欲率

alpha = 0.8 # 学習率

# 勝率の結果を保存するテーブルを生成する

all_rates = np.zeros((runs, steps)) # 試行NO. x １試行の中での強化ステップNO. ※引数はタプル型

for run in range(runs):

# バンディットとエージェントのインスタンスを生成する

bandit = Bandit(arms=actions)

agent = AlphaAgent(epsilon=epsilon, alpha=alpha, actions=actions)

# 報酬の初期化

total_reward = 0

total_rewards = []

rates = []

for step in range(steps):

action = agent.get_action() #　行動を選択

reward = bandit.play(action)# 行動し報酬を得る

agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

total_reward += reward

total_rewards.append(total_reward)

rates.append(total_reward / (step + 1))

all_rates[run] = rates # 勝率の結果を保存する

# 200モデル分
for run in range(runs):
    plt.plot(all_rates[run])
plt.show()

# 200モデル分の平均
average_rates = all_rates.mean(axis=0)
plt.plot(average_rates)
plt.show()

# 200モデル分

for run in range(runs):

plt.plot(all_rates[run])

plt.show()

# 200モデル分の平均

average_rates = all_rates.mean(axis=0)

plt.plot(average_rates)

plt.show()

バンディットとエージェントで学習　非定常問題

# 非定常バンディット問題を解いてみる
np.random.seed(0)
bandit = NonStatBandit(arms=10)

agent = AlphaAgent(epsilon=0.1, alpha=0.8, actions=10)
steps = 1_000

total_reward = 0
total_rewards = []
rates =[]

for step in range(steps):
    action = agent.get_action() #　行動を選択
    reward = bandit.play(action)# 行動し報酬を得る
    agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。
    
    total_reward += reward
    total_rewards.append(total_reward) 
    rates.append(total_reward / (step + 1))
    
plt.bar(np.arange(0,10,1),bandit.rates, color='red', width=0.3, label='rates', align="center")
plt.bar(np.arange(0,10,1) + 0.3, agent.Qs, color='blue', width=0.3, label='Qs', align="center")
plt.xticks(np.arange(0,10,1))
plt.xticks(np.arange(0,10,1))
plt.legend()
plt.show()

print('total_reward : ', total_reward)
plt.plot(total_rewards, label='total_reward')
plt.legend()
plt.show()

print('final_rate : ', rates[-1])
plt.plot(rates, label='rates')
plt.legend()
plt.show()

# 非定常バンディット問題を解いてみる

np.random.seed(0)

bandit = NonStatBandit(arms=10)

agent = AlphaAgent(epsilon=0.1, alpha=0.8, actions=10)

steps = 1_000

total_reward = 0

total_rewards = []

rates =[]

for step in range(steps):

action = agent.get_action() #　行動を選択

reward = bandit.play(action)# 行動し報酬を得る

agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

total_reward += reward

total_rewards.append(total_reward)

rates.append(total_reward / (step + 1))

plt.bar(np.arange(0,10,1),bandit.rates, color='red', width=0.3, label='rates', align="center")

plt.bar(np.arange(0,10,1) + 0.3, agent.Qs, color='blue', width=0.3, label='Qs', align="center")

plt.xticks(np.arange(0,10,1))

plt.legend()

plt.show()

print('total_reward : ', total_reward)

plt.plot(total_rewards, label='total_reward')

plt.legend()

plt.show()

print('final_rate : ', rates[-1])

plt.plot(rates, label='rates')

plt.legend()

plt.show()

結果

モデルを２００回繰り返した平均結果

# 非定常バンディット問題をruns = 200回ランダムに解いて平均を見る
#np.random.seed(0)
runs = 200    # モデル数
steps = 1_000 # 学習の更新ステップ数

actions = 10  # 選択可能な「行動」の数
epsilon = 0.1 # 貪欲率
alpha = 0.8   # 学習率

# 勝率の結果を保存するテーブルを生成する
all_rates = np.zeros((runs, steps)) # 試行NO. x １試行の中での強化ステップNO. ※引数はタプル型

for run in range(runs): 
    # バンディットとエージェントのインスタンスを生成する
    bandit = NonStatBandit(arms=actions)
    agent = AlphaAgent(epsilon=epsilon, alpha=alpha, actions=actions)
    
    # 報酬の初期化
    total_reward = 0
    total_rewards = []
    rates = []
    
    for step in range(steps):
        action = agent.get_action() #　行動を選択
        reward = bandit.play(action)# 行動し報酬を得る
        agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

        total_reward += reward
        total_rewards.append(total_reward) 
        rates.append(total_reward / (step + 1))
    
    all_rates[run] = rates # 勝率の結果を保存する

# 非定常バンディット問題をruns = 200回ランダムに解いて平均を見る

#np.random.seed(0)

runs = 200 # モデル数

steps = 1_000 # 学習の更新ステップ数

actions = 10 # 選択可能な「行動」の数

epsilon = 0.1 # 貪欲率

alpha = 0.8 # 学習率

# 勝率の結果を保存するテーブルを生成する

all_rates = np.zeros((runs, steps)) # 試行NO. x １試行の中での強化ステップNO. ※引数はタプル型

for run in range(runs):

# バンディットとエージェントのインスタンスを生成する

bandit = NonStatBandit(arms=actions)

agent = AlphaAgent(epsilon=epsilon, alpha=alpha, actions=actions)

# 報酬の初期化

total_reward = 0

total_rewards = []

rates = []

for step in range(steps):

action = agent.get_action() #　行動を選択

reward = bandit.play(action)# 行動し報酬を得る

agent.update(action=action, reward=reward) # 選択した行動と得た報酬から行動価値を更新する。

total_reward += reward

total_rewards.append(total_reward)

rates.append(total_reward / (step + 1))

all_rates[run] = rates # 勝率の結果を保存する

# 200モデル分
for run in range(runs):
    plt.plot(all_rates[run])
plt.show()

# 200モデル分の平均
average_rates = all_rates.mean(axis=0)
plt.plot(average_rates)
plt.show()

# 200モデル分

for run in range(runs):

plt.plot(all_rates[run])

plt.show()

# 200モデル分の平均

average_rates = all_rates.mean(axis=0)

plt.plot(average_rates)

plt.show()

PySimpleGUIを使ってみる

基本的な最小構成のスクリプト

キーワード

layout = [[sg.Text()]]
sg.Window()
while True
event, values
window.read()
event == None
window.close()

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('テキスト')]
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したとき
    if event == None:
        break

# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('テキスト')]

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したとき

if event == None:

break

# ウィンドウを閉じる

window.close()

表示を増やしてみる

キーワード

sg.Input()
sg.Multiline()
size=( 20,1 )
font=(‘Meiryo UI’, 18)

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('テキスト１'), sg.Text('テキスト２'), sg.Text('テキスト３')],
    [sg.Text('テキスト４', size=(20, 1), font=('Meiryo UI', 18))],
    [sg.Input(default_text='インプット　デフォルトテキスト')],
    [sg.Multiline(default_text='マルチライン　デフォルトテキスト')],
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したときループから抜ける
    if event == None:
        break

# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('テキスト１'), sg.Text('テキスト２'), sg.Text('テキスト３')],

[sg.Text('テキスト４', size=(20, 1), font=('Meiryo UI', 18))],

[sg.Input(default_text='インプット　デフォルトテキスト')],

[sg.Multiline(default_text='マルチライン　デフォルトテキスト')],

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したときループから抜ける

if event == None:

break

# ウィンドウを閉じる

window.close()

ボタンとポップアップ

キーワード

sg.Button(key=’button’)
sg.Button(image_filename =’ファイルパス’,key=’button’)
result = sg.PopupYesNo()
if result == ‘Yes’
sg.Popup()

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('テキスト１'), sg.Text('テキスト２'), sg.Text('テキスト３')],
    [sg.Text('テキスト４', size=(20, 1), font=('Meiryo UI', 18))],
    [sg.Input(default_text='インプット　デフォルトテキスト')],
    [sg.Multiline(default_text='マルチライン　デフォルトテキスト')],

    [sg.Button('ボタン１', key='button1')],
    [sg.Button(image_filename='sample.png',image_size=(80,80))]
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したときループから抜ける
    if event == None:
        break

    if event == 'button1':
        result = sg.PopupYesNo('処理を行いますか？')
        if result == 'Yes':
            sg.Popup('処理が完了しました。')
        else:
            pass

# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('テキスト１'), sg.Text('テキスト２'), sg.Text('テキスト３')],

[sg.Text('テキスト４', size=(20, 1), font=('Meiryo UI', 18))],

[sg.Input(default_text='インプット　デフォルトテキスト')],

[sg.Multiline(default_text='マルチライン　デフォルトテキスト')],

[sg.Button('ボタン１', key='button1')],

[sg.Button(image_filename='sample.png',image_size=(80,80))]

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したときループから抜ける

if event == None:

break

if event == 'button1':

result = sg.PopupYesNo('処理を行いますか？')

if result == 'Yes':

sg.Popup('処理が完了しました。')

else:

pass

# ウィンドウを閉じる

window.close()

インプットを取得して処理、出力する

キーワード

sg.Output()
print()

注意：インプットは文字列になるので、計算するときはint,floatで数値に変換してからやること。

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('２つの数字を足し算します')],
    [sg.Input(default_text='3',key='input1'), sg.Input(default_text='5',key='input2')],
    [sg.Button('計算する', key='culc_button')],
    [sg.Output()]
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したときループから抜ける
    if event == None:
        break

    if event == 'culc_button':
        summation = int(values['input1']) + int(values['input2'])
        print(summation)
        
# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('２つの数字を足し算します')],

[sg.Input(default_text='3',key='input1'), sg.Input(default_text='5',key='input2')],

[sg.Button('計算する', key='culc_button')],

[sg.Output()]

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したときループから抜ける

if event == None:

break

if event == 'culc_button':

summation = int(values['input1']) + int(values['input2'])

print(summation)

# ウィンドウを閉じる

window.close()

チェックボックスを付ける

キーワード

[sg.Checkbox(‘入力１’,key=’checkbox1′,default=True), sg.Input(default_text=’3′,key=’input1′)]
if values[‘checkbox1’] == True: summation += i1

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('足し算します')],
    [sg.Checkbox('入力１',key='checkbox1',default=True), sg.Input(default_text='3',key='input1')],
    [sg.Checkbox('入力２',key='checkbox2',default=True), sg.Input(default_text='5',key='input2')],
    [sg.Checkbox('入力３',key='checkbox3',default=True), sg.Input(default_text='7',key='input3')],

    [sg.Button('計算する', key='culc_button')],
    [sg.Output()]
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したときループから抜ける
    if event == None:
        break

    if event == 'culc_button':
        i1 = int(values['input1'])
        i2 = int(values['input2'])
        i3 = int(values['input3'])
        summation = 0 # 初期化
        
        if values['checkbox1'] == True:
            summation += i1
        if values['checkbox2'] == True:
            summation += i2
        if values['checkbox3'] == True:
            summation += i3
        print(summation)
        
# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('足し算します')],

[sg.Checkbox('入力１',key='checkbox1',default=True), sg.Input(default_text='3',key='input1')],

[sg.Checkbox('入力２',key='checkbox2',default=True), sg.Input(default_text='5',key='input2')],

[sg.Checkbox('入力３',key='checkbox3',default=True), sg.Input(default_text='7',key='input3')],

[sg.Button('計算する', key='culc_button')],

[sg.Output()]

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したときループから抜ける

if event == None:

break

if event == 'culc_button':

i1 = int(values['input1'])

i2 = int(values['input2'])

i3 = int(values['input3'])

summation = 0 # 初期化

if values['checkbox1'] == True:

summation += i1

if values['checkbox2'] == True:

summation += i2

if values['checkbox3'] == True:

summation += i3

print(summation)

# ウィンドウを閉じる

window.close()

ラジオボタンを使ってみる

キーワード

[sg.Radio(‘足し算’,key=’radio_add’, group_id=’radio1′,default=True), sg.Radio(‘掛け算’, key=’radio_multiply’,group_id=’radio1′)],
if values[‘radio_multiply’] == True: if values[‘checkbox1’] == True: multiple *= i1

import PySimpleGUI as sg

# レイアウト定義
layout = [
    [sg.Text('足し算　か　掛け算か　を選択してください。')],
    [sg.Radio('足し算',key='radio_add', group_id='radio1',default=True), sg.Radio('掛け算', key='radio_multiply',group_id='radio1')],

    [sg.Checkbox('入力１',key='checkbox1',default=True), sg.Input(default_text='3',key='input1')],
    [sg.Checkbox('入力２',key='checkbox2',default=True), sg.Input(default_text='5',key='input2')],
    [sg.Checkbox('入力３',key='checkbox3',default=True), sg.Input(default_text='7',key='input3')],

    [sg.Button('計算する', key='culc_button')],
    [sg.Output()]
]

# ウィンドウのインスタンスを生成
window = sg.Window('タイトル', layout)

# 表示ループ
while True:
    # ウィンドウを表示　および　イベントとバリューの取得
    event, values = window.read()

    # ウィンドウ右上の閉じるボタンを押したときループから抜ける
    if event == None:
        break

    if event == 'culc_button':
        i1 = int(values['input1'])
        i2 = int(values['input2'])
        i3 = int(values['input3'])
        summation = 0 # 初期化
        multiple = 1 #初期化
    
    if values['radio_add'] == True:
        if values['checkbox1'] == True:
            summation += i1
        if values['checkbox2'] == True:
            summation += i2
        if values['checkbox3'] == True:
            summation += i3
        print(summation)

    if values['radio_multiply'] == True:
        if values['checkbox1'] == True:
            multiple *= i1
        if values['checkbox2'] == True:
            multiple *= i2
        if values['checkbox3'] == True:
            multiple *= i3
        print(multiple)
        
# ウィンドウを閉じる
window.close()

import PySimpleGUI as sg

# レイアウト定義

layout = [

[sg.Text('足し算　か　掛け算か　を選択してください。')],

[sg.Radio('足し算',key='radio_add', group_id='radio1',default=True), sg.Radio('掛け算', key='radio_multiply',group_id='radio1')],

[sg.Checkbox('入力１',key='checkbox1',default=True), sg.Input(default_text='3',key='input1')],

[sg.Checkbox('入力２',key='checkbox2',default=True), sg.Input(default_text='5',key='input2')],

[sg.Checkbox('入力３',key='checkbox3',default=True), sg.Input(default_text='7',key='input3')],

[sg.Button('計算する', key='culc_button')],

[sg.Output()]

]

# ウィンドウのインスタンスを生成

window = sg.Window('タイトル', layout)

# 表示ループ

while True:

# ウィンドウを表示　および　イベントとバリューの取得

event, values = window.read()

# ウィンドウ右上の閉じるボタンを押したときループから抜ける

if event == None:

break

if event == 'culc_button':

i1 = int(values['input1'])

i2 = int(values['input2'])

i3 = int(values['input3'])

summation = 0 # 初期化

multiple = 1 #初期化

if values['radio_add'] == True:

if values['checkbox1'] == True:

summation += i1

if values['checkbox2'] == True:

summation += i2

if values['checkbox3'] == True:

summation += i3

print(summation)

if values['radio_multiply'] == True:

if values['checkbox1'] == True:

multiple *= i1

if values['checkbox2'] == True:

multiple *= i2

if values['checkbox3'] == True:

multiple *= i3

print(multiple)

# ウィンドウを閉じる

window.close()

参考

django#1 仮想環境 pepenvしてdjangoを準備する

最新のpythonをインストールします。3.10ですね。

https://www.python.org/downloads/release/python-3100/

Windows installer (64-bit)

開発用のフォルダを新規作成します。ここではproject_aとしましょう。

project_aに移動して、

$pip isntall pipenv

$pipenv shell

するとproject_aの中に仮想環境が出来上がっていてさPipfileというファイルが一つ出来上がっています。

$pip listすると最低限のものしかないので、モジュールを入れてみます。

pip ではなくてpipenvなので注意です。

$pipenv install django

開発のときだけ仕様するモジュールは –devを入れます

$pipenv install –dev flake8 autopep8

すると Pipfileファイルは下記のようになります。

[[source]]
url = "https://pypi.org/simple"
verify_ssl = true
name = "pypi"

[packages]
django = "*"

[dev-packages]
flake8 = "*"
autopep8 = "*"

[requires]
python_version = "3.10"

[[source]]

url = "https://pypi.org/simple"

verify_ssl = true

name = "pypi"

[packages]

django = "*"

[dev-packages]

flake8 = "*"

autopep8 = "*"

[requires]

python_version = "3.10"

djangoのプロジェクトを立ち上げましょう

https://docs.djangoproject.com/ja/3.2/intro/tutorial01/ には

$ django-admin startproject mysite

と書いてありますが、

$django-admin startproject config .

と、今後コンフィグに関するフォルダ、例えばsettings.pyの場所がわかりやすくなります。

今後、configのほかにusersとかフォルダが増えていきます。

ランサーバーして動くかどうか見てみましょう

$python manage.py runserver

Watching for file changes with StatReloader
Performing system checks...

System check identified no issues (0 silenced).

You have 18 unapplied migration(s). Your project may not work properly until you apply the migrations for app(s): admin, auth, contenttypes, sessions.
Run 'python manage.py migrate' to apply them.
October 09, 2021 - 17:13:14
Django version 3.2.8, using settings 'config.settings'
Starting development server at http://127.0.0.1:8000/
Quit the server with CTRL-BREAK.な

Watching for file changes with StatReloader

Performing system checks...

System check identified no issues (0 silenced).

You have 18 unapplied migration(s). Your project may not work properly until you apply the migrations for app(s): admin, auth, contenttypes, sessions.

Run 'python manage.py migrate' to apply them.

October 09, 2021 - 17:13:14

Django version 3.2.8, using settings 'config.settings'

Starting development server at http://127.0.0.1:8000/

Quit the server with CTRL-BREAK.な

なんか警告出ていますが無視。

chromeからhttp://127.0.0.1:8000/でdjangoの初期画面（ロケットが飛んでいるやつ）が表示されたらOKです。

終わるときはCTRL-BREAK　と書いていますが。

ctrl+c でした。（windows10)

この記事は下記の動画を参考にさせていただきました。ありがとうございます。

condaで仮想環境をつくる

anacondaをインストールしておきます。

anaconda promptで

$conda create -n kaso-kankyo python=3.8

ここでyを押して続行。

仮想環境が出来上がっているか確認する

$conda env list

仮想環境をアクティベートする

$conda activate kaso-kankyo

$pip list でモジュールを調べてみると

Package Version
------------ ---------
certifi 2021.5.30
matplotlib 3.4.3
numpy 1.21.2
pandas 1.3.3
pip 21.2.4
setuptools 58.0.4
wheel 0.37.0
wincertstore 0.2

Package Version

------------ ---------

certifi 2021.5.30

matplotlib 3.4.3

numpy 1.21.2

pandas 1.3.3

pip 21.2.4

setuptools 58.0.4

wheel 0.37.0

wincertstore 0.2

で、最小構成だった。pip numpy pandas matplotlibが入っている。

抜けるときは

$conda deactivate

でOK

仮想環境を削除するときは

$conda remove -n kaso-kankyo –all

でOK.

試しに、flaskをインストールしてみると

$conda install flask

Package            Version
------------------ ---------
certifi            2021.5.30
click              8.0.1
Flask              2.0.1
importlib-metadata 4.8.1
itsdangerous       2.0.1
Jinja2             3.0.1
MarkupSafe         2.0.1
matplotlib         3.4.3
numpy              1.21.2
pandas             1.3.3
pip                21.2.4
setuptools         58.0.4
Werkzeug           2.0.1
wheel              0.37.0
wincertstore       0.2
zipp               3.5.0

Package Version

------------------ ---------

certifi 2021.5.30

click 8.0.1

Flask 2.0.1

importlib-metadata 4.8.1

itsdangerous 2.0.1

Jinja2 3.0.1

MarkupSafe 2.0.1

matplotlib 3.4.3

numpy 1.21.2

pandas 1.3.3

pip 21.2.4

setuptools 58.0.4

Werkzeug 2.0.1

wheel 0.37.0

wincertstore 0.2

zipp 3.5.0

jinda2 が自動的にインストールされる。

ディープラーニングのライブラリを入れてみる

$conda install pytorch

ついでに行っておくと、インポートするときはimport torchになるので注意。pyはいらない。

The following NEW packages will be INSTALLED:

  _pytorch_select    pkgs/main/win-64::_pytorch_select-0.1-cpu_0
  blas               pkgs/main/win-64::blas-1.0-mkl
  cffi               pkgs/main/win-64::cffi-1.14.6-py38h2bbff1b_0
  intel-openmp       pkgs/main/win-64::intel-openmp-2019.4-245
  libmklml           pkgs/main/win-64::libmklml-2019.0.5-haa95532_0
  mkl                pkgs/main/win-64::mkl-2019.4-245
  mkl-service        pkgs/main/win-64::mkl-service-2.3.0-py38h196d8e1_0
  mkl_fft            pkgs/main/win-64::mkl_fft-1.3.0-py38h46781fe_0
  mkl_random         pkgs/main/win-64::mkl_random-1.1.0-py38hf9181ef_0
  ninja              pkgs/main/win-64::ninja-1.10.2-h6d14046_1
  numpy              pkgs/main/win-64::numpy-1.19.2-py38hadc3359_0
  numpy-base         pkgs/main/win-64::numpy-base-1.19.2-py38ha3acd2a_0
  pycparser          pkgs/main/noarch::pycparser-2.20-py_2
  pytorch            pkgs/main/win-64::pytorch-1.6.0-cpu_py38h538a6d7_0
  six                pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_0

The following NEW packages will be INSTALLED:

_pytorch_select pkgs/main/win-64::_pytorch_select-0.1-cpu_0

blas pkgs/main/win-64::blas-1.0-mkl

cffi pkgs/main/win-64::cffi-1.14.6-py38h2bbff1b_0

intel-openmp pkgs/main/win-64::intel-openmp-2019.4-245

libmklml pkgs/main/win-64::libmklml-2019.0.5-haa95532_0

mkl pkgs/main/win-64::mkl-2019.4-245

mkl-service pkgs/main/win-64::mkl-service-2.3.0-py38h196d8e1_0

mkl_fft pkgs/main/win-64::mkl_fft-1.3.0-py38h46781fe_0

mkl_random pkgs/main/win-64::mkl_random-1.1.0-py38hf9181ef_0

ninja pkgs/main/win-64::ninja-1.10.2-h6d14046_1

numpy pkgs/main/win-64::numpy-1.19.2-py38hadc3359_0

numpy-base pkgs/main/win-64::numpy-base-1.19.2-py38ha3acd2a_0

pycparser pkgs/main/noarch::pycparser-2.20-py_2

pytorch pkgs/main/win-64::pytorch-1.6.0-cpu_py38h538a6d7_0

six pkgs/main/noarch::six-1.16.0-pyhd3eb1b0_0

色々ついでにはいってきたがtorchvisionは入っていない

$conda install torchvision では入らない

$conda isntall pytorch torchvision -c pytorch

とすると入る。なぜ？結構時間がかかるので慌てて強制終了しないこと。３分位だったかな。

Package            Version
------------------ ---------
certifi            2021.5.30
cffi               1.14.6
click              8.0.1
Flask              2.0.1
importlib-metadata 4.8.1
itsdangerous       2.0.1
Jinja2             3.0.1
MarkupSafe         2.0.1
matplotlib         3.4.3
mkl-fft            1.3.0
mkl-random         1.1.0
mkl-service        2.3.0
numpy              1.21.2
olefile            0.46
pandas             1.3.3
Pillow             8.3.1
pip                21.2.4
pycparser          2.20
setuptools         58.0.4
six                1.16.0
torch              1.8.1
torchvision        0.9.1
typing-extensions  3.10.0.2
Werkzeug           2.0.1
wheel              0.37.0
wincertstore       0.2
zipp               3.5.0

Package Version

------------------ ---------

certifi 2021.5.30

cffi 1.14.6

click 8.0.1

Flask 2.0.1

importlib-metadata 4.8.1

itsdangerous 2.0.1

Jinja2 3.0.1

MarkupSafe 2.0.1

matplotlib 3.4.3

mkl-fft 1.3.0

mkl-random 1.1.0

mkl-service 2.3.0

numpy 1.21.2

olefile 0.46

pandas 1.3.3

Pillow 8.3.1

pip 21.2.4

pycparser 2.20

setuptools 58.0.4

six 1.16.0

torch 1.8.1

torchvision 0.9.1

typing-extensions 3.10.0.2

Werkzeug 2.0.1

wheel 0.37.0

wincertstore 0.2

zipp 3.5.0

だいぶいろんなものが入ってきた。

次は画像処理系行きましょう。

$conda install opencv

    package                    |            build
    ---------------------------|-----------------
    libopencv-4.0.1            |       hbb9e17c_0        28.6 MB
    opencv-4.0.1               |   py38h2a7c758_0          22 KB
    py-opencv-4.0.1            |   py38he44ac1e_0         1.5 MB
    ------------------------------------------------------------
                                           Total:        30.1 MB

package | build

---------------------------|-----------------

libopencv-4.0.1 | hbb9e17c_0 28.6 MB

opencv-4.0.1 | py38h2a7c758_0 22 KB

py-opencv-4.0.1 | py38he44ac1e_0 1.5 MB

------------------------------------------------------------

Total: 30.1 MB

なんとopencvバージョンが4までいってました。

で、Jupyternotebookを使うとき、どうやってこの環境でやっていくのでしょうか。

Flaskを使ってみる

まずはwebアプリフレームワークであるFlaskをインストール

$pip install Flask

2.0.1 が入りました.

次にjinja2もインストールします。

HTMLにpythonを埋め込むテンプレートエンジンというものらしい。

$pip install jinja2

3.0.1 が入っていました。入れた記憶がないが、Flaskをインストールすると勝手にはいるのかな？

構成は

flaskr>templates>index.html, xxx.html

flaskr>__init__.py, main.py, yyy.py

の２系統ある感じする。templatesは決まりなのでフォルダ名を変えてはいけない。

フォルダ構成を作ったらindex.htmlを書いていきましょう。vs code を使っているなら　!　を打つだけで、下のコードが自動的に生成されて便利です。langはenからjaに変えておきます。

<!DOCTYPE html>
<html lang="ja">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<body>
    
</body>
</html>

<!DOCTYPE html>

<head>

<title>Document</title>

</head>

<body>

</body>

</html>

ボディには下記のようなのを入れておきました。

<body>
    <h1>Flaskの使い方</h1>
    <h2>最新情報</h2>
    <p>まだ記事はありません。</p>
</body>

<body>

<h1>Flaskの使い方</h1>

<p>まだ記事はありません。</p>

</body>

次、__initi__.pyです。

意味わからないけど、下記のような呪文を書きます。

インポートするのはflaskモジュールではなくて自分で作ったflaskrです。

from flask import Flask

app = Flask(__name__)

from flask import Flask

app = Flask(__name__)

appはFlaskアプリケーションオブジェクト　というらしいです。

つぎに、main.pyです。今作ったFlaskアプリケーションオブジェクトをインポートします。

トップページ(‘/’)にアクセスしたときに実行する関数を定義します。

# さっき __init__.pyで作ったFlaskインスタンス appをインポートする
# なんでオブジェクトがインポートの対象になるのかは不明
from flaskr import app

# ルーティングという呪文。Flaskの決まりごと。
@app.route('/') # / はルートで、トップURLを表す。
def index():
    # トップ画面にアクセスしたときに実行される
    pass # とりあえずパス

# さっき __init__.pyで作ったFlaskインスタンス appをインポートする

# なんでオブジェクトがインポートの対象になるのかは不明

from flaskr import app

# ルーティングという呪文。Flaskの決まりごと。

@app.route('/') # / はルートで、トップURLを表す。

def index():

# トップ画面にアクセスしたときに実行される

pass # とりあえずパス

トップページにアクセスしたときに、render_templateメソドを使って、index.htmlが表示するようにしましょう。

from flaskr import app

# レンターテンプレートをインポートする
from flask import render_template

@app.route('/')
def index():
    # トップ画面にアクセスしたときに実行される
    return render_template('index.html')

from flaskr import app

# レンターテンプレートをインポートする

from flask import render_template

@app.route('/')

def index():

# トップ画面にアクセスしたときに実行される

return render_template('index.html')

最後に__init__.pyの方にこのmain.pyを呼び出せるようにしておく。

from flask import Flask

app = Flask(__name__)
print(app)

# main.pyをインポートする
import flaskr.main

from flask import Flask

app = Flask(__name__)

print(app)

# main.pyをインポートする

import flaskr.main

さて実行しよう

Flaskアプリの起動方法

CMDの場合

flaskrが入っているフォルダへcd で移動する

set FLASK_APP=flaskr

set FLASK_ENV=development

ここまではできた

flask run　でエラー

powershellの場合

flaskrが入っているフォルダへcd で移動する

env:FLASK_APP=”flaskr”　ですでにエラー

どうしようもない。ﾀﾞﾚｶﾀｽｹﾃ

で、結局どうしたかというと、flask runができないので、直接python main.py　して動かせるようにした。

そうすると、flaskrフォルダの上位へ移動する必要なくなる。

そもそも__init__.pyのimport flaskr.mainも意味わからんし、やめた。

もともと__init__.pyに入れていた app=Flask(__name__)もmain.pyに移動した。

で、最後にapp.run()を入れると、python main.py　で実行できたから、ひとまずは良しとしよう。

from flask import Flask
from flask import render_template

app = Flask(__name__)

# ルーティングという呪文。Flaskの決まりごと。
@app.route('/') # / はルートで、トップURLを表す。
def index():
    # トップ画面にアクセスしたときに実行される
    return render_template('index.html')

app.run()

from flask import Flask

from flask import render_template

app = Flask(__name__)

# ルーティングという呪文。Flaskの決まりごと。

@app.route('/') # / はルートで、トップURLを表す。

def index():

# トップ画面にアクセスしたときに実行される

return render_template('index.html')

app.run()

python MNIST問題

コード　貼っておきます。

neural_network_basic