Kazu Manabu | 人生を圧倒的に楽しむ７つの方法カズさんは考えました

IOT:加速度センサMPU-6050をラズパイ pythonで動かしてみる（２）

前回は、数値の出力まででしたので、今回はリアルタイムプロットに挑戦します。

グラフ付きスクリプト

# -*- coding: utf-8 -*-

import smbus
import math
from time import sleep
from time import perf_counter
import time
import matplotlib.pyplot as plt

#mpu6050のデバイスアドレス（決まっている）
DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b
ACCEL_YOUT = 0x3d
ACCEL_ZOUT = 0x3f
TEMP_OUT = 0x41
GYRO_XOUT = 0x43
GYRO_YOUT = 0x45
GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b
PWR_MGMT_2 = 0x6c   

# sudo i2cdetect 0 : Error: Could not open file `/dev/i2c-0' or `/dev/i2c/0'
# sudo i2cdetect 1 : I will probe file /dev/i2c-1
# エラーの出ない方がバス番号(0 か 1)
# コネクションオブジェクトを取得
bus = smbus.SMBus(1)

# write_byte_data(アドレス, コマンド, 1バイトの値)
# スリープを解除 多分（最初はスリープしている）
bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

# make plot
times = [0 for i in range(60)]
axs = [0 for i in range(60)]

time = 0
ax = 0

# initialize matplotlib
plt.ion()
plt.figure()
li_x, = plt.plot(times, axs) # need " , "
#li_y, = plt.plot(times, ays) # need " , "
#li_z, = plt.plot(times, azs) # need " , "

#plt.xlim(-1,1)
plt.ylim(-2,2)
plt.xlabel("time")
plt.ylabel("ax,ay,az")
plt.title("ax,ay,az real time plot")


def read_word(adr):
    
    high = bus.read_byte_data(DEV_ADDR, adr)
    low = bus.read_byte_data(DEV_ADDR, adr+1)
    val = (high << 8) + low
    return val

def read_word_sensor(adr):
    #２バイトデータから　１ワードデータへデコードする
    val = read_word(adr)
    if (val >= 0x8000):  return -((65535 - val) + 1)
    else:  return val

def get_temp():
    # 温度を算出する
    temp = read_word_sensor(TEMP_OUT)
    x = temp / 340 + 36.53      # data sheet(register map)記載の計算式.
    return x

def getGyro():
    # ３軸 角速度を算出する
    x = read_word_sensor(GYRO_XOUT)/ 131.0
    y = read_word_sensor(GYRO_YOUT)/ 131.0
    z = read_word_sensor(GYRO_ZOUT)/ 131.0
    return [x, y, z]

def getAccel():
    # ３軸 加速度を算出する
    x = read_word_sensor(ACCEL_XOUT)/ 16384.0
    y= read_word_sensor(ACCEL_YOUT)/ 16384.0
    z= read_word_sensor(ACCEL_ZOUT)/ 16384.0
    return [x, y, z]

# Define initial time
t_init = perf_counter()

while perf_counter() - t_init < 60.0 :
    t = perf_counter() - t_init
    # ３軸 加速度を算出し出力する
    ax, ay, az = getAccel()
    print ('{0:4.3f}, {1:4.3f}, {2:4.3f}, {3:4.3f}'
           .format(t, ax, ay, az))    

    #最新のデータを追加すると同時に最初のデータを削除する
    times.append(t)
    times.pop(0)
    axs.append(ax)
    axs.pop(0)
    #ays.append(ax)
    #ays.pop(0)    
    #azs.append(ax)
    #azs.pop(0)    
    
    
    # 区間プロットする
    li_x.set_xdata(times)
    li_x.set_ydata(axs)
    plt.xlim(min(times), max(times))
    plt.draw() # plt.ion()に対応 （plt.show()ではない）

    plt.pause(0.01)
    sleep(0.02)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

# -*- coding: utf-8 -*-

import smbus

import math

from time import sleep

from time import perf_counter

import time

import matplotlib.pyplot as plt

#mpu6050のデバイスアドレス（決まっている）

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b

ACCEL_YOUT = 0x3d

ACCEL_ZOUT = 0x3f

TEMP_OUT = 0x41

GYRO_XOUT = 0x43

GYRO_YOUT = 0x45

GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b

PWR_MGMT_2 = 0x6c

# sudo i2cdetect 0 : Error: Could not open file `/dev/i2c-0' or `/dev/i2c/0'

# sudo i2cdetect 1 : I will probe file /dev/i2c-1

# エラーの出ない方がバス番号(0 か 1)

# コネクションオブジェクトを取得

bus = smbus.SMBus(1)

# write_byte_data(アドレス, コマンド, 1バイトの値)

# スリープを解除多分（最初はスリープしている）

bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

# make plot

times = [0 for i in range(60)]

axs = [0 for i in range(60)]

time = 0

ax = 0

# initialize matplotlib

plt.ion()

plt.figure()

li_x, = plt.plot(times, axs) # need " , "

#li_y, = plt.plot(times, ays) # need " , "

#li_z, = plt.plot(times, azs) # need " , "

#plt.xlim(-1,1)

plt.ylim(-2,2)

plt.xlabel("time")

plt.ylabel("ax,ay,az")

plt.title("ax,ay,az real time plot")

def read_word(adr):

high = bus.read_byte_data(DEV_ADDR, adr)

low = bus.read_byte_data(DEV_ADDR, adr+1)

val = (high << 8) + low

return val

def read_word_sensor(adr):

#２バイトデータから　１ワードデータへデコードする

val = read_word(adr)

if (val >= 0x8000): return -((65535 - val) + 1)

else: return val

def get_temp():

# 温度を算出する

temp = read_word_sensor(TEMP_OUT)

x = temp / 340 + 36.53 # data sheet(register map)記載の計算式.

return x

def getGyro():

# ３軸角速度を算出する

x = read_word_sensor(GYRO_XOUT)/ 131.0

y = read_word_sensor(GYRO_YOUT)/ 131.0

z = read_word_sensor(GYRO_ZOUT)/ 131.0

return [x, y, z]

def getAccel():

# ３軸加速度を算出する

x = read_word_sensor(ACCEL_XOUT)/ 16384.0

y= read_word_sensor(ACCEL_YOUT)/ 16384.0

z= read_word_sensor(ACCEL_ZOUT)/ 16384.0

return [x, y, z]

# Define initial time

t_init = perf_counter()

while perf_counter() - t_init < 60.0 :

t = perf_counter() - t_init

# ３軸加速度を算出し出力する

ax, ay, az = getAccel()

print ('{0:4.3f}, {1:4.3f}, {2:4.3f}, {3:4.3f}'

.format(t, ax, ay, az))

#最新のデータを追加すると同時に最初のデータを削除する

times.append(t)

times.pop(0)

axs.append(ax)

axs.pop(0)

#ays.append(ax)

#ays.pop(0)

#azs.append(ax)

#azs.pop(0)

# 区間プロットする

li_x.set_xdata(times)

li_x.set_ydata(axs)

plt.xlim(min(times), max(times))

plt.draw() # plt.ion()に対応（plt.show()ではない）

plt.pause(0.01)

sleep(0.02)

リアルタイムプロット

できました！　以上です。

IOT:加速度センサMPU-6050をラズパイ pythonで動かしてみる（１）

こんにちは、加速度センサーのMPU-6050を買ったので、試運転してみます。

下記webを参考にさせていただきました。

まずは配線しましょう。

使用するピンは 1 , 3 , 5 , 6 です。

MPU-6050の電源電圧は 3.3[V] ですが、GY-521に3.3[V]のレギュレータICが載っていて、I2Cバスのプルアップ抵抗が 3.3[V] へ繋がっているので、5[V]電源の Arduino に直接つないで使うことが出来ます。

という記述を見つけましたが、おとなしく+3.3Vに接続します。

ラズパイをネットワークにつないでVNC接続します。

ラズパイの設定でSSH,VNC,I2C,SPIとか全部　有効にします。

ターミナルで >ifconfigして　アドレスを確認します。

192.168.10.xxx

ウィンドウズマシン上でVNC Viewerから新規コネクト作成で192.168.10.114します。

このとき、重要なのは　ユーザーネームは自分で設定したIDではなくて pi です！！で、パスワードは自分で設定したやつです。

非常に紛らわしいですね。毎回詰まります。

GPIOでI2Cが有効になっているか確認

$ gpio readall

すると、GPIOの一覧が確認できます。

 +-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+
 | BCM | wPi |   Name  | Mode | V | Physical | V | Mode | Name    | wPi | BCM |
 +-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+
 |     |     |    3.3v |      |   |  1 || 2  |   |      | 5v      |     |     |
 |   2 |   8 |   SDA.1 | ALT0 | 1 |  3 || 4  |   |      | 5v      |     |     |
 |   3 |   9 |   SCL.1 | ALT0 | 1 |  5 || 6  |   |      | 0v      |     |     |
 |   4 |   7 | GPIO. 7 |   IN | 0 |  7 || 8  | 1 | ALT5 | TxD     | 15  | 14  |
 |     |     |      0v |      |   |  9 || 10 | 1 | ALT5 | RxD     | 16  | 15  |
 |  17 |   0 | GPIO. 0 |   IN | 0 | 11 || 12 | 0 | IN   | GPIO. 1 | 1   | 18  |
 |  27 |   2 | GPIO. 2 |   IN | 0 | 13 || 14 |   |      | 0v      |     |     |
 |  22 |   3 | GPIO. 3 |   IN | 0 | 15 || 16 | 0 | IN   | GPIO. 4 | 4   | 23  |
 |     |     |    3.3v |      |   | 17 || 18 | 0 | IN   | GPIO. 5 | 5   | 24  |
 |  10 |  12 |    MOSI | ALT0 | 0 | 19 || 20 |   |      | 0v      |     |     |
 |   9 |  13 |    MISO | ALT0 | 0 | 21 || 22 | 0 | IN   | GPIO. 6 | 6   | 25  |
 |  11 |  14 |    SCLK | ALT0 | 0 | 23 || 24 | 1 | OUT  | CE0     | 10  | 8   |
 |     |     |      0v |      |   | 25 || 26 | 1 | OUT  | CE1     | 11  | 7   |
 |   0 |  30 |   SDA.0 |   IN | 1 | 27 || 28 | 1 | IN   | SCL.0   | 31  | 1   |
 |   5 |  21 | GPIO.21 |   IN | 1 | 29 || 30 |   |      | 0v      |     |     |
 |   6 |  22 | GPIO.22 |   IN | 1 | 31 || 32 | 0 | IN   | GPIO.26 | 26  | 12  |
 |  13 |  23 | GPIO.23 |   IN | 0 | 33 || 34 |   |      | 0v      |     |     |
 |  19 |  24 | GPIO.24 |   IN | 0 | 35 || 36 | 0 | IN   | GPIO.27 | 27  | 16  |
 |  26 |  25 | GPIO.25 |   IN | 0 | 37 || 38 | 0 | IN   | GPIO.28 | 28  | 20  |
 |     |     |      0v |      |   | 39 || 40 | 0 | IN   | GPIO.29 | 29  | 21  |
 +-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+
 | BCM | wPi |   Name  | Mode | V | Physical | V | Mode | Name    | wPi | BCM |
 +-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

+-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

| BCM | wPi | Name | Mode | V | Physical | V | Mode | Name | wPi | BCM |

+-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+

| | | 3.3v | | | 1 || 2 | | | 5v | | |

| 2 | 8 | SDA.1 | ALT0 | 1 | 3 || 4 | | | 5v | | |

| 3 | 9 | SCL.1 | ALT0 | 1 | 5 || 6 | | | 0v | | |

| 4 | 7 | GPIO. 7 | IN | 0 | 7 || 8 | 1 | ALT5 | TxD | 15 | 14 |

| | | 0v | | | 9 || 10 | 1 | ALT5 | RxD | 16 | 15 |

| 17 | 0 | GPIO. 0 | IN | 0 | 11 || 12 | 0 | IN | GPIO. 1 | 1 | 18 |

| 27 | 2 | GPIO. 2 | IN | 0 | 13 || 14 | | | 0v | | |

| 22 | 3 | GPIO. 3 | IN | 0 | 15 || 16 | 0 | IN | GPIO. 4 | 4 | 23 |

| | | 3.3v | | | 17 || 18 | 0 | IN | GPIO. 5 | 5 | 24 |

| 10 | 12 | MOSI | ALT0 | 0 | 19 || 20 | | | 0v | | |

| 9 | 13 | MISO | ALT0 | 0 | 21 || 22 | 0 | IN | GPIO. 6 | 6 | 25 |

| 11 | 14 | SCLK | ALT0 | 0 | 23 || 24 | 1 | OUT | CE0 | 10 | 8 |

| | | 0v | | | 25 || 26 | 1 | OUT | CE1 | 11 | 7 |

| 0 | 30 | SDA.0 | IN | 1 | 27 || 28 | 1 | IN | SCL.0 | 31 | 1 |

| 5 | 21 | GPIO.21 | IN | 1 | 29 || 30 | | | 0v | | |

| 6 | 22 | GPIO.22 | IN | 1 | 31 || 32 | 0 | IN | GPIO.26 | 26 | 12 |

| 13 | 23 | GPIO.23 | IN | 0 | 33 || 34 | | | 0v | | |

| 19 | 24 | GPIO.24 | IN | 0 | 35 || 36 | 0 | IN | GPIO.27 | 27 | 16 |

| 26 | 25 | GPIO.25 | IN | 0 | 37 || 38 | 0 | IN | GPIO.28 | 28 | 20 |

| | | 0v | | | 39 || 40 | 0 | IN | GPIO.29 | 29 | 21 |

+-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+

| BCM | wPi | Name | Mode | V | Physical | V | Mode | Name | wPi | BCM |

+-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

$ sudo i2cdetect -y 1

すると、I2Cが接続されているのが確認できます。

     0  1  2  3  4  5  6  7  8  9  a  b  c  d  e  f
00:          -- -- -- -- -- -- -- -- -- -- -- -- -- 
10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
20: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
40: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
60: -- -- -- -- -- -- -- -- 68 -- -- -- -- -- -- -- 
70: -- -- -- -- -- -- -- --

0 1 2 3 4 5 6 7 8 9 a b c d e f

00: -- -- -- -- -- -- -- -- -- -- -- -- --

10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

20: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

40: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

60: -- -- -- -- -- -- -- -- 68 -- -- -- -- -- -- --

70: -- -- -- -- -- -- -- --

実行スクリプト

では、加速度を取得してみましょう。ベタ貼りしてみました。

# -*- coding: utf-8 -*-

import smbus
import math
from time import sleep
import time

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b
ACCEL_YOUT = 0x3d
ACCEL_ZOUT = 0x3f
TEMP_OUT = 0x41
GYRO_XOUT = 0x43
GYRO_YOUT = 0x45
GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b
PWR_MGMT_2 = 0x6c   

bus = smbus.SMBus(1)
bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

def read_word(adr):
    high = bus.read_byte_data(DEV_ADDR, adr)
    low = bus.read_byte_data(DEV_ADDR, adr+1)
    val = (high << 8) + low
    return val

def read_word_sensor(adr):
    val = read_word(adr)
    if (val >= 0x8000):  return -((65535 - val) + 1)
    else:  return val

def get_temp():
    temp = read_word_sensor(TEMP_OUT)
    x = temp / 340 + 36.53      # data sheet(register map)記載の計算式.
    return x

def getGyro():
    x = read_word_sensor(GYRO_XOUT)/ 131.0
    y = read_word_sensor(GYRO_YOUT)/ 131.0
    z = read_word_sensor(GYRO_ZOUT)/ 131.0
    return [x, y, z]


def getAccel():
    x = read_word_sensor(ACCEL_XOUT)/ 16384.0
    y= read_word_sensor(ACCEL_YOUT)/ 16384.0
    z= read_word_sensor(ACCEL_ZOUT)/ 16384.0
    return [x, y, z]


while 1:
    ax, ay, az = getAccel()
    gx, gy, gz = getGyro()
    print ('{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},' .format(gx, gy, gz, ax, ay, az))

# -*- coding: utf-8 -*-

import smbus

import math

from time import sleep

import time

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b

ACCEL_YOUT = 0x3d

ACCEL_ZOUT = 0x3f

TEMP_OUT = 0x41

GYRO_XOUT = 0x43

GYRO_YOUT = 0x45

GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b

PWR_MGMT_2 = 0x6c

bus = smbus.SMBus(1)

bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

def read_word(adr):

high = bus.read_byte_data(DEV_ADDR, adr)

low = bus.read_byte_data(DEV_ADDR, adr+1)

val = (high << 8) + low

return val

def read_word_sensor(adr):

val = read_word(adr)

if (val >= 0x8000): return -((65535 - val) + 1)

else: return val

def get_temp():

temp = read_word_sensor(TEMP_OUT)

x = temp / 340 + 36.53 # data sheet(register map)記載の計算式.

return x

def getGyro():

x = read_word_sensor(GYRO_XOUT)/ 131.0

y = read_word_sensor(GYRO_YOUT)/ 131.0

z = read_word_sensor(GYRO_ZOUT)/ 131.0

return [x, y, z]

def getAccel():

x = read_word_sensor(ACCEL_XOUT)/ 16384.0

y= read_word_sensor(ACCEL_YOUT)/ 16384.0

z= read_word_sensor(ACCEL_ZOUT)/ 16384.0

return [x, y, z]

while 1:

ax, ay, az = getAccel()

gx, gy, gz = getGyro()

print ('{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},' .format(gx, gy, gz, ax, ay, az))

結果

ちゃんと動いていますね。

次回

数値データをグラフ化して見ましょう。

動的にmatplotlibを利用する必要がありますので、ちょっと考えなくてはなりません。

Python: 無名関数　lambda 式

こんにちは Keita_Nakamoriです。(´・ω・)


台風１9号が接近し、レベル４の避難命令が出ましたので最寄りの小学校へ避難しております。ひまです。
無名関数　lambda 式
無名関数を使うときはlambda（ラムダ）と書きます。
(lambda a, b : a * b) (5, 8)
lambda a, b :　の部分
def xxx(a, b): に相当します。
a*b　の部分
通常の関数で言うところの return a*b　に相当します。
(5, 8) 　の部分
xxx関数を定義したとして、xxx(5,8) のように引数を２つ渡すことに相当します。
以上より、通常の関数では


		
		
			
			
Python
			
			def xxx(a,b):
    return a*b

xxx(5,8)
			
				
					
				
					1
2
3
4
				
						def xxx(a,b):
    return a*b
 
xxx(5,8)
					
				
			
		


 
のところを
一行で (lambda a,b : a*b)(5,8)
と書けるのです。

書いているうちに台風が去っていきました。お家に帰りましょう。(´・ω・)

Web Application: 第１０回　HTMLでかっこよくする

前回までで　carbikeのindex画面とpredict画面を生成しました。

今回はhtmlを記述していってwebサイトをかっこよくしていきます。

htmlの雛形としてbase.htmlを作成しindex.htmlとpredict.htmlから共用しようという作戦です。

base.html　の作成

/myproject/car_motorbike/ の下に

/templates/carbike/base.html
/templates/carbike/index.html
/templates/carbike/predict.html

を新規作成して、まず初めにbase.htmlを書いていきます。

<!DOCTYPE html>
<html lang="ja">
<head>
    <meta charset="UTF-8">
    {% load bootstrap4 %}
    {% bootstrap_css%}
    <link rel='stylesheet' type="text/css" href="{% static 'carbike/css/style.css' %}">
    {% bootstrap_javascript jquery='full' %}
    <title>Image classification by TenorFlow | {% block title%}{% endblock %</title>
</head>

<body>
    <nav class="navbar navbar-expand-lg navbar-light bg-light">
        <a class="navber-brand" href="#">Image classification by TenorFlow</a>
    </nav>
    <div class="container">
        {% block content%}{% endblock %}
    </div>
</body>

</html>

<!DOCTYPE html>

<head>

{% load bootstrap4 %}

{% bootstrap_css%}

{% bootstrap_javascript jquery='full' %}

<title>Image classification by TenorFlow | {% block title%}{% endblock %</title>

</head>

<body>

<a class="navber-brand" href="#">Image classification by TenorFlow</a>

</nav>

{% block content%}{% endblock %}

</div>

</body>

</html>

解説

html5の決まりごととして<!DOCTYPE html>を書きます。

日本語を使用しますよ、という宣言のため<html lang=”ja”>を書きます。

django-bootstrap4 をインストール

pip install django-bootstrap4

django-bootstrap4-1.0.1　が入りました。

index.html　の作成

base.htmlを流用していきましょう。

{% extends 'carbike/base.html' %}
{% block title % }car bike classifier{% endblock %}

{% block content %}
<div>
    <h4 class="mt-4 mb-5 border-bottom">car bike classifier</h4>
    <p>select image file and click button</p>
    <form action="{% url 'carbike:predict' %}" method="post" class="form">
    {% csrf_token %}
    <div class="form-group">
        <div class="custom-file">
            {{ form.image }}
            <label class="custom-file-label" for="customFile">
                select file  which you want to classify.
            </label>
        </div>
    </div>
    <button type="submit" class="btn btn-primaty">run</button>
    </form>
</div>
{% endblock %}

{% extends 'carbike/base.html' %}

{% block title % }car bike classifier{% endblock %}

{% block content %}

<div>

<h4 class="mt-4 mb-5 border-bottom">car bike classifier</h4>

<p>select image file and click button</p>

{% csrf_token %}

select file which you want to classify.

</label>

</div>

</form>

</div>

{% endblock %}

forms.py　を作成する

myproject/car_motorbike/の下に forms.pyを新規作成します。

# フォームを生成するモジュール
from django import forms

class PhotoForm(forms.Form):
    image = forms.ImageField(widget=forms.FileInput(attrs={'clas':'custom-file-input'}))

# フォームを生成するモジュール

from django import forms

class PhotoForm(forms.Form):

image = forms.ImageField(widget=forms.FileInput(attrs={'clas':'custom-file-input'}))

views.py を編集する

index関数を hello worldをreturnするだけの状態から、formを表示する内容に変更します。

from django.shortcuts import render

# 追加モジュール
from django.http import HttpResponse
from django.template import loader #追加
from .form import PhotoForm #追加

def index(request):
    # webサイトのindex.html に相当する部分
    template = loader.get_template('carbike/') #追加
    context = {'form':PhotoForm()} # PhotoFormはモジュールをインポートすれば治る
    return HttpResponse(template.render(context, request)) 

def predict(request):
    # 仮のリターンを作っておく
    return HttpResponse('show predictions here')

from django.shortcuts import render

# 追加モジュール

from django.http import HttpResponse

from django.template import loader #追加

from .form import PhotoForm #追加

def index(request):

# webサイトのindex.html に相当する部分

template = loader.get_template('carbike/') #追加

context = {'form':PhotoForm()} # PhotoFormはモジュールをインポートすれば治る

return HttpResponse(template.render(context, request))

def predict(request):

# 仮のリターンを作っておく

return HttpResponse('show predictions here')

myproject/settings.py を編集する

‘car_mortorbike.apps.CarbikeConfig’ を追記します。

INSTALLED_APPS = [
    'car_mortorbike.apps.CarbikeConfig'
    'django.contrib.admin',
    'django.contrib.auth',
    'django.contrib.contenttypes',
    'django.contrib.sessions',
    'django.contrib.messages',
    'django.contrib.staticfiles',
]

INSTALLED_APPS = [

'car_mortorbike.apps.CarbikeConfig'

'django.contrib.admin',

'django.contrib.auth',

'django.contrib.contenttypes',

'django.contrib.sessions',

'django.contrib.messages',

'django.contrib.staticfiles',

]

ああ

DTL: Django Template Language

Web Application: 第９回　Djangoでページのルーティング設定をする

前回、myproject管理フォルダ内のurls.pyを編集しましたが、今回は

car_motorbikeアプリケーションフォルダ直下にurls.pyを新規作成して、下記スクリプトを書きます。

car_motorbike/urls.py　新規作成

使用するモジュールであるviews.py は　当該urls.pyと同層になるので

from . import views

という不思議なインポート記述になります。

そして、画像を入力したときにvvc16_predct.pyを走らせて予測結果を返す画面である predict画面を定義します。

from django.urls import path

# 追加モジュール 今回は同じ階層にある
# さらにアプリケーションと同じ階層(.)なので viewsは被らない。
# よって、基本構文で良い
# import car_motorbike.views as carbike
from . import views

# urlパターンをリストで作っておく
urlpatterns = [
    path('', views.index, name='index'),

    # predictアドレス　後ほどviewsにpredictメソドを定義するために
    # views.py　へ def predict(): を追加する
    path('predict/', views.predict, name='predict'),
]

from django.urls import path

# 追加モジュール今回は同じ階層にある

# さらにアプリケーションと同じ階層(.)なので viewsは被らない。

# よって、基本構文で良い

# import car_motorbike.views as carbike

from . import views

# urlパターンをリストで作っておく

urlpatterns = [

path('', views.index, name='index'),

# predictアドレス　後ほどviewsにpredictメソドを定義するために

# views.py　へ def predict(): を追加する

path('predict/', views.predict, name='predict'),

]

views.predictメソドはこれから作成しなければなりませんので、現時点ではエラーが出ます。

なお、このcar_motorbike/urls.pyスクリプトは myproject/urls.py から呼び出されるものなので、これから myproject/urls.py の方を改良していきます。

ルーティングというやつです。

myproject/urls.py　編集

ではここから　car_motorbike/urls.py　へつなげていきます。

/carbike/predict/ のようなurlツリー構造を構成して使っていきます。

include関数を新たにインポートして、先程作成した car_mortorbike/urls.pyを参照するようpath(‘carbike/’, include(‘car_motorbike.urls’))をリストに追加します。

from django.contrib import admin

# includeメソドを追加で読み込む
from django.urls import path, include

# 追加モジュール　不要になる
# import car_motorbike.views as carbike # 拡張子.pyは省略する


'''以下のようなインポートの仕方だとwebページの変数がすべてviewsになってしまい被る
from car_motorbike import views
'''

urlpatterns = [
    path('admin/', admin.site.urls),

    # 追加urlパターン carbikeというフォルダを見に来たら、carbike.indexを呼び出す
    # path('carbike/', carbike.index), 

    # 追加urlパターン carbikeというフォルダを見に来たら、
    # car_motorbike.urls.pyの中にあるルーティングを読みに行く
    path('carbike/', include('car_motorbike.urls')),
    ]

from django.contrib import admin

# includeメソドを追加で読み込む

from django.urls import path, include

# 追加モジュール　不要になる

# import car_motorbike.views as carbike # 拡張子.pyは省略する

'''以下のようなインポートの仕方だとwebページの変数がすべてviewsになってしまい被る

from car_motorbike import views

'''

urlpatterns = [

path('admin/', admin.site.urls),

# 追加urlパターン carbikeというフォルダを見に来たら、carbike.indexを呼び出す

# path('carbike/', carbike.index),

# 追加urlパターン carbikeというフォルダを見に来たら、

# car_motorbike.urls.pyの中にあるルーティングを読みに行く

path('carbike/', include('car_motorbike.urls')),

]

car_motorbike/views.py の編集

先程、car_motorbike/urls.py　内で　views.predictメソドを記述しましたが、それの実体をここで定義します。とりあえずルーティングが正しく行われて表示されるか確認したいので、実行内容としてはテキストを出力するだけにしておきます。

from django.shortcuts import render

# 追加モジュール
from django.http import HttpResponse

def index(request):
    # webサイトのindex.html に相当する部分
    return HttpResponse('hello_world')

def predict(request):
    # 仮のリターンを作っておく
    return HttpResponse('show predictions here')

from django.shortcuts import render

# 追加モジュール

from django.http import HttpResponse

def index(request):

# webサイトのindex.html に相当する部分

return HttpResponse('hello_world')

def predict(request):

# 仮のリターンを作っておく

return HttpResponse('show predictions here')

動作チェック

では python manage.py runserver して　ブラウザで動作チェックをしましょう。

http://127.0.0.1:8000/　を入力すると

＞[21/Sep/2019 15:53:08] “GET / HTTP/1.1” 404 2032

http://127.0.0.1:8000/carbike　を入力すると

＞[21/Sep/2019 15:53:17] “GET /carbike/ HTTP/1.1” 200 11

http://127.0.0.1:8000/carbike/predict

＞[21/Sep/2019 15:53:30] “GET /carbike/predict/ HTTP/1.1” 200 21

と 200が帰ってくるので正常に動作しています。

次回

Web Application: 第１０回　HTMLでかっこよくする

Web Application: 第８回　Djangoやります

こんにちは Keita_Nakamori(´・ω・)です。


さて、前回まででTensor Flow を使ったスクリプトを書いてきましたが、これをwebアプリとしてアクセスできるようにDjangoを組み込んでいきます。
django公式サイト
djangoインストール方法
$ pip install Django
django-2.2.5　が入りました
プロジェクトを作成する
djangoでは大項目としてプロジェクト名、小項目としてアプリケーション名があります。後々ひとつのプロジェクトの下に複数のアプリケーションを作っていくことになります。
では、myprojectというプロジェクトを作ります
djangoプロジェクトの生成
$ django-admin startproject myproject
これでmyprojectというプロジェクトフォルダが生成されました。
フォルダの下層にはmange.pyという管理用のpythonファイルと、プロジェクト名と同じ名称で設定用のmyproject設定フォルダが生成されます。
 

myproject/:プロジェクト全体のフォルダ

manage.py：管理用pythonスクリプト（サーバー起動　アプリフォルダの生成など）
myproject/：プロジェクト設定フォルダ

__init__.py：プロジェクト初期値スクリプト
settings.py：プロジェクト設定用スクリプト
urls.py：プロジェクトurlルーティング用スクリプト
wsgi.py：python：アプリ実行環境ウィズギーのスクリプト





用語　ウィズギーとは
Web Server Gateway Interface (WSGI; ウィズギー)
webサーバーとwebアプリ（またはwebフレームワーク）を接続するためのインターフェース定義。
WSGIはこれまでFastCGI, mod_python, CGIなど様々なインターフェース定義が乱立している中で最終的にpythonにおける最有力規格となったインターフェース定義。python webフレームワークで有力なFlaskとかBottletoとかDjangoが採用しているので、かなり盤石。
開発用の内蔵サーバーを起動する
管理スクリプトmanage.pyを使ってmyprojectプロジェクト全体フォルダから
$ python manage.py runserver
とランサーバー指令をコマンドプロンプトに打つと


		
		
			
			

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

System check identified no issues (0 silenced).

You have 17 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.
September 21, 2019 - 09:35:13
Django version 2.2.5, using settings 'myproject.settings'
Starting development server at http://127.0.0.1:8000/
Quit the server with CTRL-BREAK.
			
				
					
				
					1
2
3
4
5
6
7
8
9
10
11
				
						Watching for file changes with StatReloader
Performing system checks...
 
System check identified no issues (0 silenced).
 
You have 17 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.
September 21, 2019 - 09:35:13
Django version 2.2.5, using settings 'myproject.settings'
Starting development server at http://127.0.0.1:8000/
Quit the server with CTRL-BREAK.
					
				
			
		


と出るので、http://127.0.0.1:8000/がサーバーとして動き出します。
実際にブラウザのURLバーにこれをコピペすると、インストールが完了しましたとお祝いの言葉を頂戴できます。
強制終了は　CTRL-BREAKと書いてありますが、control+c のことです。

簡単なwebアプリケーションを作ってみる
hello worldと表示するwebアプリケーションを作ってみましょう。
runserverしっぱなしの場合はctl+cで一旦止めておきます。
myproject プロジェクトフォルダに戻ってみたら、db.sqlite3　というデータベースが生成されていました。まだカラのようで容量は0KBです。
つづきまして、アプリケーションのフォルダを作りましょう。
スタートアップですがstartup ではなくて startappなので要注意です。
＄myproject>python manage.py startapp car_motorbike
これでmyprojectプロジェクトフォルダ直下に car_motorbikeアプリケーションフォルダが生成されました。
現在のフォルダ構成をおさらいすると、

myproject：プロジェクト全体フォルダ

 car_motorbike：アプリケーションフォルダ
db.sqlite3：データベースファイル
manage.py：プロジェクト管理フォルダ
myproject：プロジェクト設定フォルダ



そして、car_bikeアプリケーションフォルダの中には、各種pythonスクリプトが新しく生成されました。今後はここを弄っていくことになります。

car_motorbikeアプリケーションフォルダ

admin.py
apps.py
migrations/
models.py ：データベースにアクセスしてデータを取得するスクリプト
tests.py
views.py：ブラウザ表示内容（テンプレート）を呼び出すスクリプト
__init__.py



VScodoで構造を見てみると、まだ何も弄ってないのにこれだけのファイル数になります。ではviews.pyを開いて編集していきましょう。


views.py　を編集する
オリジナルは下記のような２行のコードです。



		
		
			
			
Python
			
			from django.shortcuts import render
# Create your views here.
			
				
					
				
					1
2
				
						from django.shortcuts import render
# Create your views here.
					
				
			
		


これを編集してHTMLのindex.htmlに相当する部分を作っていきます。
アクセスが来たときに hello_worldとレスポンスを返すためのHttpRespose関数をインポートして使用します。





		
		
			
			
Python
			
			from django.shortcuts import render

# 追加モジュール
from django.http import HttpResponse

def index(request):
    # webサイトのindex.html に相当する部分
    return HttpResponse('hello_world')
			
				
					
				
					1
2
3
4
5
6
7
8
				
						from django.shortcuts import render
 
# 追加モジュール
from django.http import HttpResponse
 
def index(request):
    # webサイトのindex.html に相当する部分
    return HttpResponse('hello_world')
					
				
			
		




これはまだ、呼び出されたときの挙動を定義しただけですので、このindex(request)関数を呼び出すためのスクリプトが別途必要です。
urls.py　を編集する

次に、views.pyを実行できるようにurl.pyでURLと表示内容（views.py）を関連付けます。
オリジナルは下記のようなコードです。
コメントアウトされた使い方の部分とURLパターンを定義するリストが存在するだけです。




		
		
			
			
Python
			
			"""myproject URL Configuration

The `urlpatterns` list routes URLs to views. For more information please see:
    https://docs.djangoproject.com/en/2.2/topics/http/urls/
Examples:
Function views
    1. Add an import:  from my_app import views
    2. Add a URL to urlpatterns:  path('', views.home, name='home')
Class-based views
    1. Add an import:  from other_app.views import Home
    2. Add a URL to urlpatterns:  path('', Home.as_view(), name='home')
Including another URLconf
    1. Import the include() function: from django.urls import include, path
    2. Add a URL to urlpatterns:  path('blog/', include('blog.urls'))
"""
from django.contrib import admin
from django.urls import path


urlpatterns = [
    path('admin/', admin.site.urls),
]
			
				
					
				
					1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
				
						"""myproject URL Configuration
 
The `urlpatterns` list routes URLs to views. For more information please see:
    https://docs.djangoproject.com/en/2.2/topics/http/urls/
Examples:
Function views
    1. Add an import:  from my_app import views
    2. Add a URL to urlpatterns:  path('', views.home, name='home')
Class-based views
    1. Add an import:  from other_app.views import Home
    2. Add a URL to urlpatterns:  path('', Home.as_view(), name='home')
Including another URLconf
    1. Import the include() function: from django.urls import include, path
    2. Add a URL to urlpatterns:  path('blog/', include('blog.urls'))
"""
from django.contrib import admin
from django.urls import path
 
 
urlpatterns = [
    path('admin/', admin.site.urls),
]
					
				
			
		



コメントアウトの部分を読んでみましょう。
（google翻訳すると　スクリプト部分まで和訳されて意味不明でした。）
myproject URL設定

urlpatternsリストはURLをビューにルーティングします。詳細については、以下を参照してください。 https://docs.djangoproject.com/en/2.2/topics/http/urls/例：


機能ビュー
1.インポートの追加：
from my_app import views
2. urlpatternsにURLを追加します：

 path('', views.home, name='home')

クラスベースのビュー
1.インポートを追加します：

from other_app.views import Home

2. URLをurlpatternsに追加します：

path('', Home.as_view(), name='home')

別のURLconfを含める
1. include（）関数をインポートします：

from django.urls import include, path

2. urlpatternsにURLを追加

path('blog/', include('blog.urls'))


イメージが全然わきませんね。

urls.py　を編集する
機能ビューの

インポートの追加：
 URLをurlpatternsに追加します：

をやってみます。
公式サイトに従ってインポートをfrom car_motorbike import views　としてしまうとあとあとcar_motorbike以外のアプリを作成して時に form xxx import viewsというようにかぶってしまうので、ここではimport car_motorbike.views as carbike　として被らないようにします。



		
		
			
			
Python
			
			# 追加モジュール
import car_motorbike.views as carbike # 拡張子.pyは省略する

'''以下のようなインポートの仕方だとwebページの変数がすべてviewsになってしまい被る
from car_motorbike import views
'''

urlpatterns = [
    path('admin/', admin.site.urls),

    # 追加urlパターン carbikeというフォルダを見に来たら、carbike.indexを呼び出す
    path('carbike/', carbike.index), 
    ]
			
				
					
				
					1
2
3
4
5
6
7
8
9
10
11
12
13
				
						# 追加モジュール
import car_motorbike.views as carbike # 拡張子.pyは省略する
 
'''以下のようなインポートの仕方だとwebページの変数がすべてviewsになってしまい被る
from car_motorbike import views
'''
 
urlpatterns = [
    path('admin/', admin.site.urls),
 
    # 追加urlパターン carbikeというフォルダを見に来たら、carbike.indexを呼び出す
    path('carbike/', carbike.index), 
    ]
					
				
			
		


では開発用サーバーを起動してみましょう。

>python manage.py runserver

http://127.0.0.1:8000/

not foundの404エラーが出ていますが、作ってないので当然出ます。問題ありません。

そして、先程作ったcarbikeのページを見てみましょう。
http://127.0.0.1:8000/carbike/
 というように、ちゃんと機能しています。

今一度思い起こすと、このhttp://127.0.0.1:8000/carbike/ こそが　carbikeというwebアプリケーションのトップページなわけです。（アプリフォルダ名としてははcar_motorbikeです。一緒にすればよかったか・・・(´・ω・

)）

おさらいすると、mayproject/urls.py が http://127.0.0.1:8000/carbike/ というurl のインプットによって car_motorbike/views.py を参照した形になります。

次回

今後はこのページを改造していってインタラクティブな機能を強化していきます。

Web Application: 第９回　Djangoでページのルーティング設定をする

Web Application: 第７回　VGG16を使った転移学習

Keita_Nakamoriです。TensorFlowに疲れてきました。

早くwebアプリの部分にいきたい・・・。

今回は、転移学習を試してみます。学習済みのCNNであるVGG16を使って、その後ろに中間層と全結合層をマニュアルで挿入して最終的にsoftmax関数を通して結果を出力します。

中間層は256node、全結合層は2クラスしかないので2nodeです。

スクリプト：VGG16_trans.py

前回まで、import keras をして kerasを使用していましたが、今どきはTensorFlowのクラスとして存在しているので使ってみます。

というのもfrom keras.models import Modelでエラーが出てしまいどうしようもないので調べていたら見つけました。

import numpy as np
import matplotlib.pyplot as plt

# keras は　tensorflowのクラスとして存在する
from tensorflow import keras

from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.optimizers import SGD, Adam

from tensorflow.python.keras.utils import np_utils
from tensorflow.python.keras.applications import VGG16

# 出力結果のクラスを定義
classes = ["car", "motorbike"]
num_classes = len(classes) # クラス数を定義

# 画像サイズを定義（VGG16に合うように）
image_size = 224

# npyデータを読み込み、訓練用・検証用データに分割する
X_train, X_test, y_train, y_test = np.load(
    "./image_files_224.npy",
    allow_pickle=True
    )

# one hot エンコーディング
y_train = np_utils.to_categorical(y_train, num_classes)
y_test = np_utils.to_categorical(y_test, num_classes)

# ここで入力データの正規化を行う
X_train = X_train.astype("float") / 255.0
X_test = X_test.astype("float") / 255.0

# VGG16モデルを定義する
model = VGG16(weights='imagenet', include_top=False, input_shape=(image_size,image_size,3))

# 以降のニューラルネットワーク層を定義する。top_model
# VGG16の出力がSequentialで出てくるので、追加する全結合層もシーケンシャルで作成しておく。
top_model = Sequential()
top_model.add(Flatten(input_shape=model.output_shape[1:]))
top_model.add(Dense(256, activation='relu'))
top_model.add(Dropout(0.5))
top_model.add(Dense(num_classes, activation='softmax'))

# VGG16と追加層を結合する
# VGG16の出力を追加層の入力に入れる。
model = Model(inputs=model.input, outputs=top_model(model.output))

# モデルのサマリーを確認する
model.summary()

# トレーニングしないようにパラメータをフリーズ（固定化）する
# 必ずcompileの前に入れる
for layer in model.layers[:15]:
    layer.trainable = False

# オプティマイザーを定義する
opt = Adam(lr=0.0001)
model.compile(loss='categorical_crossentropy', optimizer=opt,metrics=['accuracy'])

# 訓練をする
history = model.fit(X_train, y_train, batch_size=32, epochs=17)

# 評価する
score = model.evaluate(X_test, y_test, batch_size=32)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

# モデルを保存する
model.save("./vgg16_trans.h5")

# 可視化する
loss     = history.history['loss']

nb_epoch = len(loss)
plt.plot(range(nb_epoch), loss, marker='.', label='loss')

plt.legend(loc='best', fontsize=10)
plt.grid()
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

import numpy as np

import matplotlib.pyplot as plt

# keras は　tensorflowのクラスとして存在する

from tensorflow import keras

from tensorflow.keras.models import Sequential, Model

from tensorflow.keras.layers import Dense, Dropout, Flatten

from tensorflow.keras.layers import Conv2D, MaxPooling2D

from tensorflow.keras.optimizers import SGD, Adam

from tensorflow.python.keras.utils import np_utils

from tensorflow.python.keras.applications import VGG16

# 出力結果のクラスを定義

classes = ["car", "motorbike"]

num_classes = len(classes) # クラス数を定義

# 画像サイズを定義（VGG16に合うように）

image_size = 224

# npyデータを読み込み、訓練用・検証用データに分割する

X_train, X_test, y_train, y_test = np.load(

"./image_files_224.npy",

allow_pickle=True

)

# one hot エンコーディング

y_train = np_utils.to_categorical(y_train, num_classes)

y_test = np_utils.to_categorical(y_test, num_classes)

# ここで入力データの正規化を行う

X_train = X_train.astype("float") / 255.0

X_test = X_test.astype("float") / 255.0

# VGG16モデルを定義する

model = VGG16(weights='imagenet', include_top=False, input_shape=(image_size,image_size,3))

# 以降のニューラルネットワーク層を定義する。top_model

# VGG16の出力がSequentialで出てくるので、追加する全結合層もシーケンシャルで作成しておく。

top_model = Sequential()

top_model.add(Flatten(input_shape=model.output_shape[1:]))

top_model.add(Dense(256, activation='relu'))

top_model.add(Dropout(0.5))

top_model.add(Dense(num_classes, activation='softmax'))

# VGG16と追加層を結合する

# VGG16の出力を追加層の入力に入れる。

model = Model(inputs=model.input, outputs=top_model(model.output))

# モデルのサマリーを確認する

model.summary()

# トレーニングしないようにパラメータをフリーズ（固定化）する

# 必ずcompileの前に入れる

for layer in model.layers[:15]:

layer.trainable = False

# オプティマイザーを定義する

opt = Adam(lr=0.0001)

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

# 訓練をする

history = model.fit(X_train, y_train, batch_size=32, epochs=17)

# 評価する

score = model.evaluate(X_test, y_test, batch_size=32)

print('Test loss:', score[0])

print('Test accuracy:', score[1])

# モデルを保存する

model.save("./vgg16_trans.h5")

# 可視化する

loss = history.history['loss']

nb_epoch = len(loss)

plt.plot(range(nb_epoch), loss, marker='.', label='loss')

plt.legend(loc='best', fontsize=10)

plt.grid()

plt.xlabel('epoch')

plt.ylabel('loss')

plt.show()

構造

スクリプト内の# モデルのサマリーを確認する model.summary()　までを実行するとニューラルネットワークの構造が確認できます。

最後に、sequential (Sequential) (None, 2)　が新しく生成されました。

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
input_1 (InputLayer)         [(None, 224, 224, 3)]     0
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0
_________________________________________________________________
block2_conv1 (Conv2D)        (None, 112, 112, 128)     73856
_________________________________________________________________
block2_conv2 (Conv2D)        (None, 112, 112, 128)     147584
_________________________________________________________________
block2_pool (MaxPooling2D)   (None, 56, 56, 128)       0
_________________________________________________________________
block3_conv1 (Conv2D)        (None, 56, 56, 256)       295168
_________________________________________________________________
block3_conv2 (Conv2D)        (None, 56, 56, 256)       590080
_________________________________________________________________
block3_conv3 (Conv2D)        (None, 56, 56, 256)       590080
_________________________________________________________________
block3_pool (MaxPooling2D)   (None, 28, 28, 256)       0
_________________________________________________________________
block4_conv1 (Conv2D)        (None, 28, 28, 512)       1180160
_________________________________________________________________
block4_conv2 (Conv2D)        (None, 28, 28, 512)       2359808
_________________________________________________________________
block4_conv3 (Conv2D)        (None, 28, 28, 512)       2359808
_________________________________________________________________
block4_pool (MaxPooling2D)   (None, 14, 14, 512)       0
_________________________________________________________________
block5_conv1 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_conv2 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 7, 7, 512)         0
_________________________________________________________________
sequential (Sequential)      (None, 2)                 6423298
=================================================================
Total params: 21,137,986
Trainable params: 21,137,986
Non-trainable params: 0
_________________________________________________________________

Model: "model"

_________________________________________________________________

Layer (type) Output Shape Param #

=================================================================

input_1 (InputLayer) [(None, 224, 224, 3)] 0

_________________________________________________________________

block1_conv1 (Conv2D) (None, 224, 224, 64) 1792

_________________________________________________________________

block1_conv2 (Conv2D) (None, 224, 224, 64) 36928

_________________________________________________________________

block1_pool (MaxPooling2D) (None, 112, 112, 64) 0

_________________________________________________________________

block2_conv1 (Conv2D) (None, 112, 112, 128) 73856

_________________________________________________________________

block2_conv2 (Conv2D) (None, 112, 112, 128) 147584

_________________________________________________________________

block2_pool (MaxPooling2D) (None, 56, 56, 128) 0

_________________________________________________________________

block3_conv1 (Conv2D) (None, 56, 56, 256) 295168

_________________________________________________________________

block3_conv2 (Conv2D) (None, 56, 56, 256) 590080

_________________________________________________________________

block3_conv3 (Conv2D) (None, 56, 56, 256) 590080

_________________________________________________________________

block3_pool (MaxPooling2D) (None, 28, 28, 256) 0

_________________________________________________________________

block4_conv1 (Conv2D) (None, 28, 28, 512) 1180160

_________________________________________________________________

block4_conv2 (Conv2D) (None, 28, 28, 512) 2359808

_________________________________________________________________

block4_conv3 (Conv2D) (None, 28, 28, 512) 2359808

_________________________________________________________________

block4_pool (MaxPooling2D) (None, 14, 14, 512) 0

_________________________________________________________________

block5_conv1 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_conv2 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_conv3 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_pool (MaxPooling2D) (None, 7, 7, 512) 0

_________________________________________________________________

sequential (Sequential) (None, 2) 6423298

=================================================================

Total params: 21,137,986

Trainable params: 21,137,986

Non-trainable params: 0

_________________________________________________________________

結果

VGG１６層　全結合２層　17エポックまでやってみましたが、数十分かかってしまいました。流石のディープさです。

しかし、結果は素晴らしいい。トレーニング１００％　テスト９９％の精度。

そして、モデルファイルである192MB のvgg16_trans.h5 ファイルも上手く生成できていました。

600/600 [==============================] - 226s 376ms/sample - loss: 0.2884 - acc: 0.8750
Epoch 2/17
600/600 [==============================] - 241s 402ms/sample - loss: 0.0544 - acc: 0.9833
Epoch 3/17
600/600 [==============================] - 1048s 2s/sample - loss: 0.0109 - acc: 0.9983
Epoch 4/17
600/600 [==============================] - 235s 392ms/sample - loss: 0.0085 - acc: 0.9967
Epoch 5/17
600/600 [==============================] - 252s 421ms/sample - loss: 0.0012 - acc: 1.0000
Epoch 6/17
600/600 [==============================] - 242s 403ms/sample - loss: 4.5241e-04 - acc: 1.0000
Epoch 7/17
600/600 [==============================] - 235s 391ms/sample - loss: 3.2469e-04 - acc: 1.0000
Epoch 8/17
600/600 [==============================] - 235s 391ms/sample - loss: 1.6192e-04 - acc: 1.0000
Epoch 9/17
600/600 [==============================] - 227s 378ms/sample - loss: 1.1878e-04 - acc: 1.0000
Epoch 10/17
600/600 [==============================] - 228s 380ms/sample - loss: 4.5246e-05 - acc: 1.0000
Epoch 11/17
600/600 [==============================] - 228s 381ms/sample - loss: 1.3106e-04 - acc: 1.0000
Epoch 12/17
600/600 [==============================] - 234s 390ms/sample - loss: 6.3007e-05 - acc: 1.0000
Epoch 13/17
600/600 [==============================] - 229s 382ms/sample - loss: 2.4614e-05 - acc: 1.0000
Epoch 14/17
600/600 [==============================] - 230s 383ms/sample - loss: 3.7191e-05 - acc: 1.0000
Epoch 15/17
600/600 [==============================] - 229s 381ms/sample - loss: 3.3313e-05 - acc: 1.0000
Epoch 16/17
600/600 [==============================] - 235s 392ms/sample - loss: 3.7981e-05 - acc: 1.0000
Epoch 17/17
600/600 [==============================] - 230s 383ms/sample - loss: 7.3269e-06 - acc: 1.0000
200/200 [==============================] - 67s 333ms/sample - loss: 0.0636 - acc: 0.9900

600/600 [==============================] - 226s 376ms/sample - loss: 0.2884 - acc: 0.8750

Epoch 2/17

600/600 [==============================] - 241s 402ms/sample - loss: 0.0544 - acc: 0.9833

Epoch 3/17

600/600 [==============================] - 1048s 2s/sample - loss: 0.0109 - acc: 0.9983

Epoch 4/17

600/600 [==============================] - 235s 392ms/sample - loss: 0.0085 - acc: 0.9967

Epoch 5/17

600/600 [==============================] - 252s 421ms/sample - loss: 0.0012 - acc: 1.0000

Epoch 6/17

600/600 [==============================] - 242s 403ms/sample - loss: 4.5241e-04 - acc: 1.0000

Epoch 7/17

600/600 [==============================] - 235s 391ms/sample - loss: 3.2469e-04 - acc: 1.0000

Epoch 8/17

600/600 [==============================] - 235s 391ms/sample - loss: 1.6192e-04 - acc: 1.0000

Epoch 9/17

600/600 [==============================] - 227s 378ms/sample - loss: 1.1878e-04 - acc: 1.0000

Epoch 10/17

600/600 [==============================] - 228s 380ms/sample - loss: 4.5246e-05 - acc: 1.0000

Epoch 11/17

600/600 [==============================] - 228s 381ms/sample - loss: 1.3106e-04 - acc: 1.0000

Epoch 12/17

600/600 [==============================] - 234s 390ms/sample - loss: 6.3007e-05 - acc: 1.0000

Epoch 13/17

600/600 [==============================] - 229s 382ms/sample - loss: 2.4614e-05 - acc: 1.0000

Epoch 14/17

600/600 [==============================] - 230s 383ms/sample - loss: 3.7191e-05 - acc: 1.0000

Epoch 15/17

600/600 [==============================] - 229s 381ms/sample - loss: 3.3313e-05 - acc: 1.0000

Epoch 16/17

600/600 [==============================] - 235s 392ms/sample - loss: 3.7981e-05 - acc: 1.0000

Epoch 17/17

600/600 [==============================] - 230s 383ms/sample - loss: 7.3269e-06 - acc: 1.0000

200/200 [==============================] - 67s 333ms/sample - loss: 0.0636 - acc: 0.9900

スクリプト：vgg16_predict.py

では、転移学習済みのvgg16_trans.h5モデルをロードして、Anacondaプロンプトからサンプル画像を入力することによってcar なのか motorbikeなのか予測してみましょう。

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import sys

# keras は　tensorflowのクラスとして存在する
from tensorflow import keras
from tensorflow.keras.models import load_model

'''トレーニング済みなので　不要

from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.optimizers import SGD, Adam

from tensorflow.python.keras.utils import np_utils
from tensorflow.python.keras.applications import VGG16
'''

# 出力結果のクラスを定義
classes = ["car", "motorbike"]
num_classes = len(classes) # クラス数を定義

# 画像サイズを定義（VGG16に合うように）
image_size = 224

# 画像ファイルをコマンドラインの第２引数から開く
image = Image.open(sys.argv[1])

# 画像ファイルをRGBに変換する
image = image.convert('RGB')

# 画像を同じサイズに揃える
image = image.resize((image_size, image_size))

# RGB値をnumpy配列に変換する 
data = np.asarray(image)

# データを正規化する
data = data / 255.0

# リストにappendしてnumpy配列にする
X = []
X.append(data)
X = np.array(X)

# VGG16_transモデルをロードする
model = load_model('./vgg16_trans.h5')

# VGG16_transモデルにデータを入れて予測結果を返す
# スコアが配列で帰ってくるので[0]番目をつける
result = model.predict([X])[0]

# 最も大きい数字を採用する
predicted = result.argmax()
percentage = int(result[predicted] * 100)

# プリントする
print(classes[predicted], percentage)
print('==== script is done ====')

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image

import sys

# keras は　tensorflowのクラスとして存在する

from tensorflow import keras

from tensorflow.keras.models import load_model

'''トレーニング済みなので　不要

from tensorflow.keras.layers import Dense, Dropout, Flatten

from tensorflow.keras.layers import Conv2D, MaxPooling2D

from tensorflow.keras.optimizers import SGD, Adam

from tensorflow.python.keras.utils import np_utils

from tensorflow.python.keras.applications import VGG16

'''

# 出力結果のクラスを定義

classes = ["car", "motorbike"]

num_classes = len(classes) # クラス数を定義

# 画像サイズを定義（VGG16に合うように）

image_size = 224

# 画像ファイルをコマンドラインの第２引数から開く

image = Image.open(sys.argv[1])

# 画像ファイルをRGBに変換する

image = image.convert('RGB')

# 画像を同じサイズに揃える

image = image.resize((image_size, image_size))

# RGB値をnumpy配列に変換する

data = np.asarray(image)

# データを正規化する

data = data / 255.0

# リストにappendしてnumpy配列にする

X = []

X.append(data)

X = np.array(X)

# VGG16_transモデルをロードする

model = load_model('./vgg16_trans.h5')

# VGG16_transモデルにデータを入れて予測結果を返す

# スコアが配列で帰ってくるので[0]番目をつける

result = model.predict([X])[0]

# 最も大きい数字を採用する

predicted = result.argmax()

percentage = int(result[predicted] * 100)

# プリントする

print(classes[predicted], percentage)

print('==== script is done ====')

予測

１．車の画像データの一つをcar1.jpgにリネームしてdjangoaiフォルダ直下に移動します。

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python vgg16_predict.py car1.jpg

結果：car 100

２．次にバイクの画像データの一つをbike1.jpgにリネームしてdjangoaiフォルダ直下に移動します。

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python vgg16_predict.py motorbike1.jpg

結果：motorbike 100

３．試しにビキニ画像データを入力してみましたが・・・バイク100%になりました。（笑）

次回

Web Application: 第８回　はじめてのwebアプリ

Web Application: 第６回　VGG16を構築する

VGG16をやってみます。

オックスフォード大学のVisual Geometry Groupが作った、畳み込み13層＋全結合３層の　合計16層のニューラルネットワークです。

VGG16用の入力データを作成

VGG16の入力データの画像サイズは 224 x 224 である必要がありますので　generate_inputdata.pyを改造して224×224のnpyデータを生成するgenerate_inputdata_224.pyを作りましょう。

また、それだと元々150角サイズが224角サイズになるわけですから、容量が増えてしまいます。（実際に600MBから1300MBに増えました。）

そこで、このスクリプトでは正規化するのをやめて、浮動小数点が発生するのを防ぎ容量を落とします。

代わりに、VGG16をやる直前に正規化を行う方針でいきます。

スクリプト：generate_inputdata_224.py

変更した部分は

入力サイズ変更：image_size = 224
保存名を変更：np.save(‘./image_files_224.npy’, xy)
標準化中止　：data = data / 255.0 の行をコメントアウト

from PIL import Image # image operation
import os             # get file list
import glob           # image treatment
import numpy as np    # culculation
from sklearn.model_selection import train_test_split # split data

# initialize parameters
classes = ['car', 'motorbike'] # define 2 classses 
num_classes = len(classes)     # the number of classes
image_size = 224               # pixels of width or height

# read images and cnvert numpy array
X = [] # ready to make list
Y = [] # ready to make list

# numbering and 
for index, class_label in enumerate(classes):
    
    # create class_label directories (car or motorbike)
    photos_dir ='./' + class_label

    # search jpeg fileb and create files object
    files = glob.glob(photos_dir + '/*.jpg')

    for i, file in enumerate(files):

        # open image files as instance
        image = Image.open(file)

        # convert image into RGB value data
        image = image.convert('RGB')

        # align to the same size (just in case)
        image = image.resize((image_size, image_size))

        # convert RGB value into numpy array 
        data = np.asarray(image)

        # do not normalize
        # so, data object nees to be normalize other script later 
        #data = data / 255.0

        # append value to list
        X.append(data)
        Y.append(index)

# convert list into numpy array
X = np.array(X)
Y = np.array(Y)

# split data (training and test)
X_train, X_test, y_train, y_test = train_test_split(X, Y)

# replace 1 variable
xy =(X_train, X_test, y_train, y_test)

# save values as npy file 
np.save('./image_files_224.npy', xy)

from PIL import Image # image operation

import os # get file list

import glob # image treatment

import numpy as np # culculation

from sklearn.model_selection import train_test_split # split data

# initialize parameters

classes = ['car', 'motorbike'] # define 2 classses

num_classes = len(classes) # the number of classes

image_size = 224 # pixels of width or height

# read images and cnvert numpy array

X = [] # ready to make list

Y = [] # ready to make list

# numbering and

for index, class_label in enumerate(classes):

# create class_label directories (car or motorbike)

photos_dir ='./' + class_label

# search jpeg fileb and create files object

files = glob.glob(photos_dir + '/*.jpg')

for i, file in enumerate(files):

# open image files as instance

image = Image.open(file)

# convert image into RGB value data

image = image.convert('RGB')

# align to the same size (just in case)

image = image.resize((image_size, image_size))

# convert RGB value into numpy array

data = np.asarray(image)

# do not normalize

# so, data object nees to be normalize other script later

#data = data / 255.0

# append value to list

X.append(data)

Y.append(index)

# convert list into numpy array

X = np.array(X)

Y = np.array(Y)

# split data (training and test)

X_train, X_test, y_train, y_test = train_test_split(X, Y)

# replace 1 variable

xy =(X_train, X_test, y_train, y_test)

# save values as npy file

np.save('./image_files_224.npy', xy)

転移学習のモデル作成

では、データができたところでVGG16モデルを作成しましょう。

モジュール追加：from keras.applications import VGG16

ロードデータ名変更；

X_train, X_test, y_train, y_test = np.load(‘./image_files_224.npy’, allow_pickle=True)

正規化操作の追加：

X_train = X_train.astype(‘float’) / 255.0
X_test = X_train.astype(‘float’) / 255.0

モデル定義の変更

model = VGG16( weights=’imagenet’, include_top=False, input_shape=(image_size,image_size, 3) )
print(‘Model loaded’)
model.summary()

import numpy as np
import tensorflow as tf
import keras
import matplotlib.pyplot as plt

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D

from keras.optimizers import SGD, Adam
from keras.utils import np_utils

from keras.applications import VGG16

# initialize parameters
classes = ['car', 'motorbike'] # define 2 classses 
num_classes = len(classes)     # the number of classes
image_size = 224               # pixels of width or height

# load npy file
# need 'allow_pickle=True'
X_train, X_test, y_train, y_test = np.load('./image_files_224.npy', allow_pickle=True)

# one hot encording
y_train = np_utils.to_categorical(y_train, num_classes)
y_test = np_utils.to_categorical(y_test, num_classes)

# normalize
X_train = X_train.astype('float') / 255.0
X_test = X_train.astype('float') / 255.0

# define model
model = VGG16(
    weights='imagenet', include_top=False,
    input_shape=(image_size,image_size, 3)
    )
print('Model loaded')
model.summary()

import numpy as np

import tensorflow as tf

import keras

import matplotlib.pyplot as plt

from keras.models import Sequential

from keras.layers import Dense, Dropout, Flatten

from keras.layers import Conv2D, MaxPooling2D

from keras.optimizers import SGD, Adam

from keras.utils import np_utils

from keras.applications import VGG16

# initialize parameters

classes = ['car', 'motorbike'] # define 2 classses

num_classes = len(classes) # the number of classes

image_size = 224 # pixels of width or height

# load npy file

# need 'allow_pickle=True'

X_train, X_test, y_train, y_test = np.load('./image_files_224.npy', allow_pickle=True)

# one hot encording

y_train = np_utils.to_categorical(y_train, num_classes)

y_test = np_utils.to_categorical(y_test, num_classes)

# normalize

X_train = X_train.astype('float') / 255.0

X_test = X_train.astype('float') / 255.0

# define model

model = VGG16(

weights='imagenet', include_top=False,

input_shape=(image_size,image_size, 3)

)

print('Model loaded')

model.summary()

結果

input_1 (InputLayer) (None, 224, 224, 3)について

１枚の224 x 224 サイズの画像データにつき、 RGBの３枚に分解されたデータが入力データとし入ります。

まだ何枚のデータが入ってくるかわかりませんのでNoneになっています。

畳み込み２回　プーリング１回　畳み込み２回　プーリング１回　畳み込み３回・・・、で　１６層あるのだそうですがどういう数え方をしたら１６になるかは理解できていません・・・。

Model loaded
Model: "vgg16"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
input_1 (InputLayer)         (None, 224, 224, 3)       0
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0
_________________________________________________________________
block2_conv1 (Conv2D)        (None, 112, 112, 128)     73856
_________________________________________________________________
block2_conv2 (Conv2D)        (None, 112, 112, 128)     147584
_________________________________________________________________
block2_pool (MaxPooling2D)   (None, 56, 56, 128)       0
_________________________________________________________________
block3_conv1 (Conv2D)        (None, 56, 56, 256)       295168
_________________________________________________________________
block3_conv2 (Conv2D)        (None, 56, 56, 256)       590080
_________________________________________________________________
block3_conv3 (Conv2D)        (None, 56, 56, 256)       590080
_________________________________________________________________
block3_pool (MaxPooling2D)   (None, 28, 28, 256)       0
_________________________________________________________________
block4_conv1 (Conv2D)        (None, 28, 28, 512)       1180160
_________________________________________________________________
block4_conv2 (Conv2D)        (None, 28, 28, 512)       2359808
_________________________________________________________________
block4_conv3 (Conv2D)        (None, 28, 28, 512)       2359808
_________________________________________________________________
block4_pool (MaxPooling2D)   (None, 14, 14, 512)       0
_________________________________________________________________
block5_conv1 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_conv2 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 14, 14, 512)       2359808
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 7, 7, 512)         0
=================================================================
Total params: 14,714,688
Trainable params: 14,714,688
Non-trainable params: 0
_________________________________________________________________

Model loaded

Model: "vgg16"

_________________________________________________________________

Layer (type) Output Shape Param #

=================================================================

input_1 (InputLayer) (None, 224, 224, 3) 0

_________________________________________________________________

block1_conv1 (Conv2D) (None, 224, 224, 64) 1792

_________________________________________________________________

block1_conv2 (Conv2D) (None, 224, 224, 64) 36928

_________________________________________________________________

block1_pool (MaxPooling2D) (None, 112, 112, 64) 0

_________________________________________________________________

block2_conv1 (Conv2D) (None, 112, 112, 128) 73856

_________________________________________________________________

block2_conv2 (Conv2D) (None, 112, 112, 128) 147584

_________________________________________________________________

block2_pool (MaxPooling2D) (None, 56, 56, 128) 0

_________________________________________________________________

block3_conv1 (Conv2D) (None, 56, 56, 256) 295168

_________________________________________________________________

block3_conv2 (Conv2D) (None, 56, 56, 256) 590080

_________________________________________________________________

block3_conv3 (Conv2D) (None, 56, 56, 256) 590080

_________________________________________________________________

block3_pool (MaxPooling2D) (None, 28, 28, 256) 0

_________________________________________________________________

block4_conv1 (Conv2D) (None, 28, 28, 512) 1180160

_________________________________________________________________

block4_conv2 (Conv2D) (None, 28, 28, 512) 2359808

_________________________________________________________________

block4_conv3 (Conv2D) (None, 28, 28, 512) 2359808

_________________________________________________________________

block4_pool (MaxPooling2D) (None, 14, 14, 512) 0

_________________________________________________________________

block5_conv1 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_conv2 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_conv3 (Conv2D) (None, 14, 14, 512) 2359808

_________________________________________________________________

block5_pool (MaxPooling2D) (None, 7, 7, 512) 0

=================================================================

Total params: 14,714,688

Trainable params: 14,714,688

Non-trainable params: 0

_________________________________________________________________

ひとまず、できていました。このあと、全結合層を後ろに追加していくことになります。それは次回！

次回

Web Application: 第７回　VGG16を使った転移学習

Web Application: 第５回　npyデータからCNN

こんにちは Keita_Nakamori(´・ω・`)です。

前回はTensor Flowにインプットするnpyデータを作成しました。

今回はTensorflowとKerasで畳み込みニューラルネットワークを構築して、訓練・評価してみます。

keras公式ページのSequential-model-guideを参考にします。

スクリプト：cnn_test.py

VGG-likeなconvnet　を参考に動作を確認していきます。

import numpy as np
import tensorflow as tf
import keras

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D

from keras.optimizers import SGD, Adam
from keras.utils import np_utils


# initialize parameters
classes = ['car', 'motorbike'] # define 2 classses 
num_classes = len(classes)     # the number of classes
image_size = 150               # pixels of width or height

# load npy file
# need 'allow_pickle=True'
X_train, X_test, y_train, y_test = np.load('./image_files.npy', allow_pickle=True)

# one hot encording
y_train = np_utils.to_categorical(y_train, num_classes)
y_test = np_utils.to_categorical(y_test, num_classes)

# define model
model = Sequential()

model.add(Conv2D(32,(3, 3), activation='relu', input_shape=(image_size, image_size, 3)))
model.add(Conv2D(32,(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25)) # 25%のデータは捨てる

model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# define optimiser
opt = SGD(lr=0.01) # rmsprop, adam etc...
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

# trainning start
history = model.fit(X_train, y_train, batch_size=32, epochs=30)

# evaluation
score = model.evaluate(X_test, y_test, batch_size=32)
print()
print('Test loss:', score[0])
print('Test accuracy:', score[1])

import numpy as np

import tensorflow as tf

import keras

from keras.models import Sequential

from keras.layers import Dense, Dropout, Flatten

from keras.layers import Conv2D, MaxPooling2D

from keras.optimizers import SGD, Adam

from keras.utils import np_utils

# initialize parameters

classes = ['car', 'motorbike'] # define 2 classses

num_classes = len(classes) # the number of classes

image_size = 150 # pixels of width or height

# load npy file

# need 'allow_pickle=True'

X_train, X_test, y_train, y_test = np.load('./image_files.npy', allow_pickle=True)

# one hot encording

y_train = np_utils.to_categorical(y_train, num_classes)

y_test = np_utils.to_categorical(y_test, num_classes)

# define model

model = Sequential()

model.add(Conv2D(32,(3, 3), activation='relu', input_shape=(image_size, image_size, 3)))

model.add(Conv2D(32,(3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Dropout(0.25)) # 25%のデータは捨てる

model.add(Flatten())

model.add(Dense(256, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(num_classes, activation='softmax'))

# define optimiser

opt = SGD(lr=0.01) # rmsprop, adam etc...

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

# trainning start

history = model.fit(X_train, y_train, batch_size=32, epochs=30)

# evaluation

score = model.evaluate(X_test, y_test, batch_size=32)

print()

print('Test loss:', score[0])

print('Test accuracy:', score[1])

実行

では　Anacondaプロンプトから　$ conda info -e で仮想環境リストを確認して

(base) C:\Users\keita>conda info -e
# conda environments:
#
base * C:\Users\keita\Anaconda3
djangoai C:\Users\keita\Anaconda3\envs\djangoai

(base) C:\Users\keita>conda info -e

# conda environments:

base * C:\Users\keita\Anaconda3

djangoai C:\Users\keita\Anaconda3\envs\djangoai

djangoaiが存在することを確認したら、$ conda activate djangoai　して仮想環境に入ります。

(base) C:\Users\keita>conda activate djangoai

(djangoai) C:\Users\keita>

(base) C:\Users\keita>conda activate djangoai

(djangoai) C:\Users\keita>

カレントディレクトリをcnn_test.pyがある場所まで移動して、実行します。

(djangoai) C:\Users\keita>cd anaconda_projects
(djangoai) C:\Users\keita\anaconda_projects>cd djangoai
(djangoai) C:\Users\keita\anaconda_projects\djangoai>python cnn_test.py

(djangoai) C:\Users\keita>cd anaconda_projects

(djangoai) C:\Users\keita\anaconda_projects>cd djangoai

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python cnn_test.py

結果

エポック数３０回やった結果、精度はacc: 0.99まで向上しましたが、検証データではTest accuracy:0.81までしか出ていません。おそらく過学習になっていると思われます。まだまだ改善の余地ありです。

Epoch 5/30
600/600 [==============================] - 13s 22ms/step - loss: 0.5880 - acc: 0.7017
Epoch 10/30
600/600 [==============================] - 13s 22ms/step - loss: 0.4863 - acc: 0.7850
Epoch 15/30
600/600 [==============================] - 14s 23ms/step - loss: 0.3483 - acc: 0.8617
Epoch 20/30
600/600 [==============================] - 13s 22ms/step - loss: 0.2374 - acc: 0.9150
Epoch 25/30
600/600 [==============================] - 13s 22ms/step - loss: 0.1508 - acc: 0.9633
600/600 [==============================] - 14s 23ms/step - loss: 0.0626 - acc: 0.9900
200/200 [==============================] - 2s 8ms/step

Test loss: 0.37387794256210327
Test accuracy: 0.81

Epoch 5/30

600/600 [==============================] - 13s 22ms/step - loss: 0.5880 - acc: 0.7017

Epoch 10/30

600/600 [==============================] - 13s 22ms/step - loss: 0.4863 - acc: 0.7850

Epoch 15/30

600/600 [==============================] - 14s 23ms/step - loss: 0.3483 - acc: 0.8617

Epoch 20/30

600/600 [==============================] - 13s 22ms/step - loss: 0.2374 - acc: 0.9150

Epoch 25/30

600/600 [==============================] - 13s 22ms/step - loss: 0.1508 - acc: 0.9633

600/600 [==============================] - 14s 23ms/step - loss: 0.0626 - acc: 0.9900

200/200 [==============================] - 2s 8ms/step

Test loss: 0.37387794256210327

Test accuracy: 0.81

オプティマイザーを変更

SGDからAdamに切り替えてみました。大きく悪化しました。（笑）

Epoch 10/30
600/600 [==============================] - 19s 32ms/step - loss: 8.0859 - acc: 0.4983

Epoch 20/30
600/600 [==============================] - 17s 28ms/step - loss: 8.0859 - acc: 0.4983

Epoch 30/30
600/600 [==============================] - 17s 29ms/step - loss: 8.0859 - acc: 0.4983
200/200 [==============================] - 1s 7ms/step

Test loss: 7.978457450866699
Test accuracy: 0.505

Epoch 10/30

600/600 [==============================] - 19s 32ms/step - loss: 8.0859 - acc: 0.4983

Epoch 20/30

600/600 [==============================] - 17s 28ms/step - loss: 8.0859 - acc: 0.4983

Epoch 30/30

600/600 [==============================] - 17s 29ms/step - loss: 8.0859 - acc: 0.4983

200/200 [==============================] - 1s 7ms/step

Test loss: 7.978457450866699

Test accuracy: 0.505

可視化にチャレンジ

djangoai仮想環境内で$pip install matplotlib　します。

matplotlib-3.1.1　が入りました。

下記コードを最後に追加しました。オプティマイザーはSGDに戻しました。

import&nbsp;matplotlib.pyplot&nbsp;as&nbsp;plt

# visualizer
loss     = history.history['loss']

nb_epoch = len(loss)
plt.plot(range(nb_epoch), loss, marker='.', label='loss')

plt.legend(loc='best', fontsize=10)
plt.grid()
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

import matplotlib.pyplot as plt

# visualizer

loss = history.history['loss']

nb_epoch = len(loss)

plt.plot(range(nb_epoch), loss, marker='.', label='loss')

plt.legend(loc='best', fontsize=10)

plt.grid()

plt.xlabel('epoch')

plt.ylabel('loss')

plt.show()

横軸にエポック数　縦軸に損失です。　きれいな右肩下がりです。

次回

Web Application: 第６回　はじめてのwebアプリ

Web Application: 第４回　画像データをnpyデータに変換

こんにちはKeita_Nakamori(´・ω・`)です。

前回flickrから取得した画像データをTensor Flowが読めるように数値データに変換していきます。

必要なモジュールをインストール

pip install Pillow :
pip install scikit-learn :

Pillow-6.1.0とscikit-learn-0.21.3が入りました

スクリプト：generate_inputdata.py

from PIL import Image # image operation
import os             # get file list
import glob           # image treatment
import numpy as np    # culculation
from sklearn.model_selection import train_test_split # split data

# initialize parameters
classes = ['car', 'motorbike'] # define 2 classses 
num_classes = len(classes)     # the number of classes
image_size = 150               # pixels of width or height

# read images and cnvert numpy array
X = [] # ready to make list
Y = [] # ready to make list

# numbering and 
for index, class_label in enumerate(classes):
    
    # create class_label directories (car or motorbike)
    photos_dir ='./' + class_label

    # search jpeg fileb and create files object
    files = glob.glob(photos_dir + '/*.jpg')

    for i, file in enumerate(files):

        # open image files as instance
        image = Image.open(file)

        # convert image into RGB value data
        image = image.convert('RGB')

        # align to the same size (just in case)
        image = image.resize((image_size, image_size))

        # convert RGB value into numpy array 
        data = np.asarray(image)

        # normalize
        data = data / 255.0

        # append value to list
        X.append(data)
        Y.append(index)

# convert list into numpy array
X = np.array(X)
Y = np.array(Y)

# split data (training and test)
X_train, X_test, y_train, y_test = train_test_split(X, Y)

# replace 1 variable
xy =(X_train, X_test, y_train, y_test)

# save values as npy file 
np.save('./image_files.npy', xy)

from PIL import Image # image operation

import os # get file list

import glob # image treatment

import numpy as np # culculation

from sklearn.model_selection import train_test_split # split data

# initialize parameters

classes = ['car', 'motorbike'] # define 2 classses

num_classes = len(classes) # the number of classes

image_size = 150 # pixels of width or height

# read images and cnvert numpy array

X = [] # ready to make list

Y = [] # ready to make list

# numbering and

for index, class_label in enumerate(classes):

# create class_label directories (car or motorbike)

photos_dir ='./' + class_label

# search jpeg fileb and create files object

files = glob.glob(photos_dir + '/*.jpg')

for i, file in enumerate(files):

# open image files as instance

image = Image.open(file)

# convert image into RGB value data

image = image.convert('RGB')

# align to the same size (just in case)

image = image.resize((image_size, image_size))

# convert RGB value into numpy array

data = np.asarray(image)

# normalize

data = data / 255.0

# append value to list

X.append(data)

Y.append(index)

# convert list into numpy array

X = np.array(X)

Y = np.array(Y)

# split data (training and test)

X_train, X_test, y_train, y_test = train_test_split(X, Y)

# replace 1 variable

xy =(X_train, X_test, y_train, y_test)

# save values as npy file

np.save('./image_files.npy', xy)

実行しましょう

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python generate_inputdata.py

フォルダを見ると新しく「image_files.npy」　　609,516,317 （６０９MB？）のデータが生成されました。

次回

Web Application: 第５回　はじめてのwebアプリ

2019年10月
月	火	水	木	金	土	日
« 9月
	1	2	3	4	5	6
7	8	9	10	11	12	13
14	15	16	17	18	19	20
21	22	23	24	25	26	27
28	29	30	31

グラフ付きスクリプト

リアルタイムプロット

下記webを参考にさせていただきました。

まずは配線しましょう。

ラズパイをネットワークにつないでVNC接続します。

GPIOでI2Cが有効になっているか確認

実行スクリプト

結果

次回

無名関数 lambda 式

(lambda a, b : a * b) (5, 8)

lambda a, b : の部分

a*b の部分

(5, 8) の部分

base.html の作成

解説

django-bootstrap4 をインストール

index.html の作成

views.py を編集する

car_motorbike/urls.py 新規作成

myproject/urls.py 編集

car_motorbike/views.py の編集

動作チェック

次回

プロジェクトを作成する

djangoプロジェクトの生成

用語 ウィズギーとは

開発用の内蔵サーバーを起動する

簡単なwebアプリケーションを作ってみる

views.py を編集する

urls.py を編集する

コメントアウトの部分を読んでみましょう。

機能ビュー

クラスベースのビュー

別のURLconfを含める

urls.py を編集する

次回

スクリプト：VGG16_trans.py

構造

結果

スクリプト：vgg16_predict.py

予測

次回

VGG16をやってみます。

VGG16用の入力データを作成

スクリプト：generate_inputdata_224.py

転移学習のモデル作成

結果

次回

スクリプト：cnn_test.py

実行

結果

オプティマイザーを変更

可視化にチャレンジ

次回

必要なモジュールをインストール

スクリプト：generate_inputdata.py

実行しましょう

次回

無名関数　lambda 式

lambda a, b :　の部分

a*b　の部分

(5, 8) 　の部分

base.html　の作成

index.html　の作成

car_motorbike/urls.py　新規作成

myproject/urls.py　編集

用語　ウィズギーとは

views.py　を編集する

urls.py　を編集する

urls.py　を編集する