こんにちは、Keita_Nakamori(´・ω・`)です。

webアプリというものを少し作ってみたいと思います。

言語：Python
機械学習：TensorFlow
フレームワーク：Django
データベース : MySQL
サーバー：Xserver

あたりを使っていきます。

Contents

Anacondaのインストール

Anaconda 2019.07 for Windows Installerをインストールしました。

PathとRegister 両方ともチェックをいれました。

仮想環境djangoaiを作って、ついでにtensorflowを入れます。

Anaconda プロンプトを開いて、

(base) C:\Users\keita>conda create -n djangoai tensorflow

-nってなんでしょう。

# To activate this environment, use
#
# $ conda activate djangoai
#
# To deactivate an active environment, use
#
# $ conda deactivate

ということなので、

$ conda activate djangoai

して使ってみます。モジュール群を確認してみましょう。

(djangoai) C:\Users\keita>pip list

Package Version
——————– ———
absl-py 0.7.1
astor 0.8.0
certifi 2019.6.16
gast 0.2.2
grpcio 1.16.1
h5py 2.9.0
Keras-Applications 1.0.8
Keras-Preprocessing 1.1.0
Markdown 3.1.1
mkl-fft 1.0.14
mkl-random 1.0.2
mkl-service 2.3.0
numpy 1.16.5
pip 19.2.2
protobuf 3.8.0
pyreadline 2.1
scipy 1.3.1
setuptools 41.0.1
six 1.12.0
tensorboard 1.14.0
tensorflow 1.14.0
tensorflow-estimator 1.14.0
termcolor 1.1.0
Werkzeug 0.15.5
wheel 0.33.4
wincertstore 0.2
wrapt 1.11.2

確かにtensorflow 1.14.0が入っていますね。OKです。

Kerasも自動的に入ってきていますね。

仮想環境を抜けましょう。

(djangoai) C:\Users\keita>conda deactivate

(base) C:\Users\keita>

頭の(djangoai)が(base)に切り替わり仮想環境を抜けたことがわかります。

Anaconda Navigator

次に、Anaconda Navigatorを使ってみます。

Anaconda Navigatorを立ち上げて、Application on (base)にの部分をdjangoaiに切り替えます。このときまだJupyter NotebookはインストールされていませんのでInstallボタンを押します。完了したらLaunchにボタンが変わりますのでLaunchします。

これでいつものJupyter Notebookが起動しますが。

今回作っていくdjangoaiアプリはユーザーフォルダkeitaの下にanaconda_projectフォルダを作って、その下djangoaiフォルダを作って、その中にスクリプトを入れていきます。

では、Jupyter Notebookを起動したらanaconda_project > djangoフォルダに移動して新規にNewボタン > Python3 しましょう。

TensorFlowの試運転

初心者向けのテストスクリプトがありましたので、実行してみます。

サンプルデータを取得します。

import tensorflow as tf

# サンプルデータとしてmnistのデータをダウンロード
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()

# 入力データの形を確認する
print(x_train.shape) # (60000, 28, 28)
'''
60000データあってそれぞれが
(28行x28列)の数字画像データ
'''
# １つのデータを見てみる
print(x_train[0].shape) # (28, 28)
print(x_train[0])       # 0から255までの数字が入っている。

# 正解データの形を確認する
print(y_train.shape) # (60000,) 60000個の１次元データ
print(y_train) # [5 0 4 ... 5 6 8]

import tensorflow as tf

# サンプルデータとしてmnistのデータをダウンロード

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()

# 入力データの形を確認する

print(x_train.shape) # (60000, 28, 28)

'''

60000データあってそれぞれが

(28行x28列)の数字画像データ

'''

# １つのデータを見てみる

print(x_train[0].shape) # (28, 28)

print(x_train[0]) # 0から255までの数字が入っている。

# 正解データの形を確認する

print(y_train.shape) # (60000,) 60000個の１次元データ

print(y_train) # [5 0 4 ... 5 6 8]

訓練しやすいようにデータを加工します

# 入力データの数値 0-255 を255で割り算して0-1 に正規化する
x_train, x_test = x_train / 255.0, x_test / 255.0

1 2	# 入力データの数値 0-255 を255で割り算して0-1 に正規化する x_train, x_test = x_train / 255.0, x_test / 255.0

機械学習モデルと訓練と評価

# ニューラルネットワークモデルを作成する
model = tf.keras.models.Sequential([
    # 入力層の定義：入力データの形を教えて１行にフラット化
  tf.keras.layers.Flatten(input_shape=(28, 28)),

    # 中間層の定義：128ノード　活性化関数はrelu
  tf.keras.layers.Dense(128, activation='relu'),

    # データに偏りが発生しないように20%を捨てる
  tf.keras.layers.Dropout(0.2),

    # 出力層の定義：0-9の数字を判定したいので10ノード用意する。
    # 活性化関数はsoftmax
  tf.keras.layers.Dense(10, activation='softmax')
])

# 機械学習モデルのコンパイル
model.compile(optimizer='adam',
              #損失関数の定義：最適化（今回は最小化）する対象を定義
              loss='sparse_categorical_crossentropy',
              
              metrics=['accuracy'])

# 訓練する エポック数=5
model.fit(x_train, y_train, epochs=5)
'''
Epoch 1/5
60000/60000 [==============================] - 4s 68us/sample - loss: 0.2970 - acc: 0.9146
Epoch 2/5
60000/60000 [==============================] - 4s 65us/sample - loss: 0.1440 - acc: 0.9567
Epoch 3/5
60000/60000 [==============================] - 4s 75us/sample - loss: 0.1077 - acc: 0.9667
Epoch 4/5
60000/60000 [==============================] - 5s 84us/sample - loss: 0.0884 - acc: 0.9731
Epoch 5/5
60000/60000 [==============================] - 4s 74us/sample - loss: 0.0747 - acc: 0.9768
10000/10000 [==============================] - 0s 41us/sample - loss: 0.0709 - acc: 0.9780
'''

# 評価する
model.evaluate(x_test, y_test) 
'''
損失と精度
[0.07094512566379271, 0.978]
'''

# ニューラルネットワークモデルを作成する

model = tf.keras.models.Sequential([

# 入力層の定義：入力データの形を教えて１行にフラット化

tf.keras.layers.Flatten(input_shape=(28, 28)),

# 中間層の定義：128ノード　活性化関数はrelu

tf.keras.layers.Dense(128, activation='relu'),

# データに偏りが発生しないように20%を捨てる

tf.keras.layers.Dropout(0.2),

# 出力層の定義：0-9の数字を判定したいので10ノード用意する。

# 活性化関数はsoftmax

tf.keras.layers.Dense(10, activation='softmax')

])

# 機械学習モデルのコンパイル

model.compile(optimizer='adam',

#損失関数の定義：最適化（今回は最小化）する対象を定義

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

# 訓練するエポック数=5

model.fit(x_train, y_train, epochs=5)

'''

Epoch 1/5

60000/60000 [==============================] - 4s 68us/sample - loss: 0.2970 - acc: 0.9146

Epoch 2/5

60000/60000 [==============================] - 4s 65us/sample - loss: 0.1440 - acc: 0.9567

Epoch 3/5

60000/60000 [==============================] - 4s 75us/sample - loss: 0.1077 - acc: 0.9667

Epoch 4/5

60000/60000 [==============================] - 5s 84us/sample - loss: 0.0884 - acc: 0.9731

Epoch 5/5

60000/60000 [==============================] - 4s 74us/sample - loss: 0.0747 - acc: 0.9768

10000/10000 [==============================] - 0s 41us/sample - loss: 0.0709 - acc: 0.9780

'''

# 評価する

model.evaluate(x_test, y_test)

'''

損失と精度

[0.07094512566379271, 0.978]

'''

はい、ちゃんと動きました。

次回予告

Web Application: 第２回　はじめてのwebアプリ

この記事を書いた人
最新の記事

月	火	水	木	金	土	日
				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

Web Application: 第１回　Anaconda3のインストールと仮想環境構築