【ディープラーニング】kerasでmnistデータの数字分類

今更ながら、単純なmnistの数値分類問題をkerasでやってみようと思います

前提
1. keras
  1. install方法
2. mnistデータセット
実験
最後に
参考文献

前提

keras

keras はニューラルネットを非常に簡単に構築可能なライブラリです。

install方法

シンプルに以下のコマンドでインストールできる

pip install keras

mnistデータセット

手書き文字の認識用データセットです。

0〜9までの手書きの数字の画像が、学習用、テスト用でそれぞれ60000枚、10000枚用意されています。

特別ダウンロードする必要はありません。

下のサンプルコードを実行すれば、自動的にダウンロードされます。

実験

mnistの手書きの文字をうまく分類できるように、ニューラルネットに学習させたいと思います。

kerasのexampleに格納されているサンプルコードを用いて、学習と評価を行ってみます。

ソースコード

kerasのexampleのソースコードに少し変更を加えたコード。

基本的には、参考文献のページを参照してもらえば、以下のコードは理解できると思います。

import numpy as np
import json
np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD, Adam, RMSprop
from keras.utils import np_utils

batch_size = 128
nb_classes = 10 # クラス数。今回は0〜9の10クラスなので、10
nb_epoch = 20

# mnistデータセットの取得
(X_train, y_train), (X_test, y_test) = mnist.load_data()

X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# 数値をone-hotの形に変更　例） 5 => array([ 0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.])
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()
model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dropout(0.2))

model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))

model.add(Dense(10))
model.add(Activation('softmax'))

model.summary()

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

history = model.fit(X_train, Y_train,
                    batch_size=batch_size, nb_epoch=nb_epoch,
                    verbose=1,validation_split=0.2)
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])

# 学習historyを保存
with open("history.json", "w") as f:↲
    json.dump(history.history, f)↲