読者です 読者をやめる 読者になる 読者になる

みらいテックラボ

音声・画像認識や機械学習など, 管理人が興味のある技術の紹介や実際にトライしてみた様子などメモしていく.

TensorFlow はじめの一歩(6)

TensorFlowで学習を行っていると, 学習の収束状況を確認するために, lossやaccuracyが学習とともにどのように変化していくか, 視覚化したくなることがある.

そこで, 今回はスカラ値を視覚化する方法についてまとめておく.

基本的な流れ[1]
 ⅰ) SummaryWriterのインスタンス取得
    writer = tf.train.SummaryWriter(logdir, graph_def)
 ⅱ) 出力したいスカラ値の指定
    tf.scalar_summary(name, loss)
 ⅲ) すべてのSummaryを結合
    merged = tf.merge_all_summaries()
 ⅳ) Summaryの評価
    summary_str = sess.run(merged)
 ⅴ) 評価結果をSummaryWriterに渡す
    writer.add_summery(summary_str, step)

Deep MNIST for Expertsを例に, サンプルコードを載せておく.
[コード]

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

import os
import sys
import numpy as np
import tensorflow as tf

# MNISTデータセットの読み込み
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

class Option:
    def __init__(self):
        self.mode = 'LT'
        self.model = '';

# 引数チェック
def options(argv):
    opt = Option()
    i = 0
    while i < len(argv):
        if argv[i] == '-mdl':
            opt.model = argv[i+1]
            i+=2
        elif argv[i] == '-mode':
            if argv[i+1] == 'T' or argv[i+1] == 'L' or argv[i+1] == 'LT':
                opt.mode = argv[i+1]
                i+=2
            else:
                return False, opt
        else:
            return False, opt
    return True, opt

# 重み & バイアス初期化
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)
 
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

# 畳み込み & プーリング
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1], 
                          strides=[1,2,2,1], padding='SAME')

def main(opt):
    # 特徴ベクトルx[][784] ← 784次元(28x28dot)
    x = tf.placeholder(tf.float32, shape=[None, 784])
    # 目標
    y_ = tf.placeholder(tf.float32, shape=[None, 10])

    # 4次元tensorに変換
    x_image = tf.reshape(x, [-1,28,28,1])

    # 1層畳み込み層
    W_conv1 = weight_variable([5,5,1,32])
    b_conv1 = bias_variable([32])

    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

    # 2層畳み込み層
    W_conv2 = weight_variable([5,5,32,64])
    b_conv2 = bias_variable([64])

    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
    h_pool2 = max_pool_2x2(h_conv2)

    # 密に結合された層
    W_fc1 = weight_variable([7*7*64, 1024])
    b_fc1 = bias_variable([1024])

    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

    # ドロップアウト
    keep_prob = tf.placeholder(tf.float32)
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    # 読み出し層
    W_fc2 = weight_variable([1024, 10])
    b_fc2 = bias_variable([10])

    y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
    ce_summary = tf.scalar_summary('cross_entropy', cross_entropy)

    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    acc_summary = tf.scalar_summary('accuracy', accuracy)

    # Saver
    saver = tf.train.Saver()

    # セッション
    sess = tf.Session()
    # ログ出力準備
    merged = tf.merge_all_summaries()
    summ_writer = tf.train.SummaryWriter('./log/mnist', sess.graph)
    # 初期化
    sess.run(tf.initialize_all_variables())

    # 学習パラメータの復元
    if opt.model != '':
        if opt.model == 'auto':
            if tf.train.get_checkpoint_state('./'):
                ckpt = tf.train.get_checkpoint_state('./')
                last_model = ckpt.model_checkpoint_path
                saver.restore(sess, last_model)
        elif os.path.isfile(opt.model):
            saver.restore(sess, opt.model)

    if opt.mode == 'L' or opt.mode == 'LT' or opt.model == '':
        for i in range(20000):
            # ミニバッチのデータ 50個
            batch = mnist.train.next_batch(50)
            # small batch
            if i%100 == 0:
                summary, train_acc = sess.run([merged, accuracy], feed_dict={
                     x: batch[0], y_: batch[1], keep_prob: 1.0})
                summ_writer.add_summary(summary, i)
                print "step %d, training accuracy %g"%(i, train_acc)
            sess.run(train_step, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
            # 途中の学習パラメータ保存
            if (i + 1) % 100 == 0 and opt.model != '':
                saver.save(sess, opt.model, global_step=i+1)
    
    # 評価
    if opt.mode == 'T' or opt.mode == 'LT':
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})
        print 'test accuracy %g'% acc
    # セッションクローズ
    sess.close()

if __name__ == '__main__':
    ret, opt = options(sys.argv[1:])
    if ret == False:
        sys.exit("Usage: %s <-mode L/T/LT> <-mdl model>" %sys.argv[0])
    main(opt)

[評価結果表示]
 1) tensorboard --logdir='./log/mnist'
 2) ブラウザで, "http://localhost:6006"を開く

f:id:moonlight-aska:20160530211145p:plain

----
参照URL:
[1] TensorBoard: Visualizing Learning




言語処理のための機械学習入門 (自然言語処理シリーズ)

言語処理のための機械学習入門 (自然言語処理シリーズ)


データサイエンティスト養成読本 機械学習入門編 (Software Design plus)

データサイエンティスト養成読本 機械学習入門編 (Software Design plus)


実践 機械学習システム

実践 機械学習システム


東京大学工学教程 情報工学 機械学習

東京大学工学教程 情報工学 機械学習