インストール
KerasとTensorflowのインストールを行います。pip install keras pip install tensorflow
OpenCLバックエンド用にPlaidMLを入れます。
pip install plaidml-keras plaidml-setup
サンプルの実行
MNISTのサンプルコードをダウンロードします。keras/examples/mnist_cnn.py
import kerasの前にバックエンドを選択します。
import plaidml.keras plaidml.keras.install_backend()
実行します。
python mnist_cnn.py
学習が行われます。
python mnist_cnn.py x_train shape: (60000, 28, 28, 1) 60000 train samples 10000 test samples INFO:plaidml:Opening device "amd_radeon_hd_-_firepro_d300_compute_engine.1" Train on 60000 samples, validate on 10000 samples Epoch 1/12 INFO:plaidml:Analyzing Ops: 85 of 285 operations complete 59904/60000 [============================>.] - ETA: 0s - loss: 0.3243 - acc: 0.9024INFO:plaidml:Analyzing Ops: 85 of 285 operations complete 60000/60000 [==============================] - 43s - loss: 0.3241 - acc: 0.9025 - val_loss: 0.0758 - val_acc: 0.9751 Epoch 2/12 60000/60000 [==============================] - 34s - loss: 0.1109 - acc: 0.9673 - val_loss: 0.0546 - val_acc: 0.9831 Epoch 3/12 60000/60000 [==============================] - 34s - loss: 0.0847 - acc: 0.9753 - val_loss: 0.0444 - val_acc: 0.9847 Epoch 4/12 60000/60000 [==============================] - 34s - loss: 0.0723 - acc: 0.9789 - val_loss: 0.0377 - val_acc: 0.9873 Epoch 5/12 60000/60000 [==============================] - 34s - loss: 0.0622 - acc: 0.9813 - val_loss: 0.0350 - val_acc: 0.9882 Epoch 6/12 60000/60000 [==============================] - 34s - loss: 0.0563 - acc: 0.9839 - val_loss: 0.0326 - val_acc: 0.9890 Epoch 7/12 60000/60000 [==============================] - 34s - loss: 0.0525 - acc: 0.9839 - val_loss: 0.0314 - val_acc: 0.9888 Epoch 8/12 60000/60000 [==============================] - 34s - loss: 0.0474 - acc: 0.9857 - val_loss: 0.0302 - val_acc: 0.9892 Epoch 9/12 60000/60000 [==============================] - 34s - loss: 0.0446 - acc: 0.9868 - val_loss: 0.0312 - val_acc: 0.9896 Epoch 10/12 60000/60000 [==============================] - 34s - loss: 0.0418 - acc: 0.9878 - val_loss: 0.0304 - val_acc: 0.9897 Epoch 11/12 60000/60000 [==============================] - 34s - loss: 0.0379 - acc: 0.9886 - val_loss: 0.0294 - val_acc: 0.9906 Epoch 12/12 60000/60000 [==============================] - 34s - loss: 0.0377 - acc: 0.9890 - val_loss: 0.0295 - val_acc: 0.9901 Test loss: 0.0294891050935 Test accuracy: 0.9901
重み保存と変換
重み保存と読み込みをするには、以下のコマンドを使用します。Keras FAQ: Kerasに関するよくある質問
json_string = model.to_json()
model.save_weights('my_model_weights.h5')
from keras.models import model_from_json
model = model_from_json(json_string)
model.load_weights('my_model_weights.h5')
重み変換をするには、以下のスクリプトを使用します。
keras2caffe (MIT license)
import keras2caffe keras2caffe.convert(model,"my_model.prototxt","my_model.caffemodel")
尚、重み変換をする場合はInputLayerが存在しないとエラーになります。また、activationは分離して記載する必要があります。KerasのSequentialモデルでInputLayerを明示的に追加するを参考に以下のようにInputLayerの追加と、activationの分離を行います。
model = Sequential()
model.add(InputLayer(input_shape=input_shape))
model.add(Conv2D(32, kernel_size=(3, 3)))
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))
Fine Tuning
少ない画像から画像分類を学習させる方法（kerasで転移学習：fine tuning）Kerasではtrainフォルダとvalidationフォルダにカテゴリ別のフォルダを作成し、画像を入れておくと、カテゴリ識別を学習させることができます。例えば、AnimeFace Character Datasetのthumbを適当なスクリプトでtrainとvalidationに分解します。また、その他のカテゴリを学習させるには、Bing Search APIが教師データ作成に便利です。
Yolo
basic-yolo-kerasを使用してYoloの係数を学習することができます。実際の学習を走らせる時はconfig.jsonのwarmup_epochsを0にします。ただし、plaidmlのバックエンドだと動作しないため、実用的な速度で動かすにはCUDAが必要です。python train.py -c config.json python predict.py -c config.json -w full_yolo_raccoon.h5 -i raccoon_dataset/images/raccoon-1.jpg
