詳しいことはよくわからなかったけど、層をたくさん経由すると「deep」になるとのこと。
だから、前回のはディープラーニングではないようです。
とはいっても、根本的な意味はよくわかっていないので、今後の課題とします。
ざっくりとした理解だけれども、今回の教師あり学習に関して言えば、画像から分布を作って（学習）、その分布に当てはめて近い値が出たらそれが答えだ！的な感じっぽい。
ディープの部分は写経なんだけれども、学習データ保存して、読込して、カメラから画像取得して読み込んだ学習データに照らし合わせてリアルタイムに数字認識するプログラムを書いてみた。
参考にしたサイトのリンク貼っておきます。
http://blog.brainpad.co.jp/entry/2016/02/25/153000
https://qiita.com/JUN_NETWORKS/items/6514e017e89b9adbfb8d
https://qiita.com/tsutof/items/2d2248ec098c1b8d3e32
ソース見たほうが早いかな。
import tensorflow as tf
import numpy as np
import os,sys
import cv2
from PIL import Image, ImageEnhance,ImageDraw
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
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)
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')
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
# 画像をリシェイプ 第2引数は画像数(-1は元サイズを保存するように自動計算)、縦x横、チャネル
x_image = tf.reshape(x, [-1, 28, 28, 1])
print(x_image)
### 1層目 畳み込み層
# 畳み込み層のフィルタ重み、引数はパッチサイズ縦、パッチサイズ横、入力チャネル数、出力チャネル数
# 5x5フィルタで32チャネルを出力（入力は白黒画像なので1チャンネル）
W_conv1 = weight_variable([5, 5, 1, 32])
# 畳み込み層のバイアス
b_conv1 = bias_variable([32])
# 活性化関数ReLUでの畳み込み層を構築
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
### 2層目 プーリング層
# 2x2のマックスプーリング層を構築
h_pool1 = max_pool_2x2(h_conv1)
### 3層目 畳み込み層
# パッチサイズ縦、パッチサイズ横、入力チャネル、出力チャネル
# 5x5フィルタで64チャネルを出力
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)
### 4層目 プーリング層
h_pool2 = max_pool_2x2(h_conv2)
### 5層目 全結合層
# オリジナル画像が28x28で、今回畳み込みでpadding='SAME'を指定しているため
# プーリングでのみ画像サイズが変わる。2x2プーリングで2x2でストライドも2x2なので
# 縦横ともに各層で半減する。そのため、28 / 2 / 2 = 7が現在の画像サイズ
# 全結合層にするために、1階テンソルに変形。画像サイズ縦と画像サイズ横とチャネル数の積の次元
# 出力は1024（この辺は決めです） あとはSoftmax Regressionと同じ
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)
# ドロップアウトを指定
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
### 6層目 Softmax Regression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)
### 訓練 ###
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
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))
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
config.gpu_options.visible_device_list="0"
with tf.Session(config=config) as sess:
sess.run(tf.initialize_all_variables())
os.makedirs("./model_2",exist_ok=True)
ckpt = tf.train.get_checkpoint_state('./model_2')
if ckpt:
saver.restore(sess, ckpt.model_checkpoint_path)
else:
for i in range(1500):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1],keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
saver.save(sess, "./model_2/model.ckpt")
num_test = len(mnist.test.labels)
sum_accuracy = 0
for i in range(0, num_test, 50):
sum_accuracy = sum_accuracy + accuracy.eval(feed_dict={x: mnist.test.images[i:i+50], y_: mnist.test.labels[i:i+50], keep_prob: 1.0})
print("test accuracy:", sum_accuracy/(num_test/50))
GST_STR = 'nvarguscamerasrc \
! video/x-raw(memory:NVMM), width=320, height=240, format=(string)NV12, framerate=(fraction)10/1 \
! nvvidconv ! video/x-raw, width=(int)320, height=(int)240, format=(string)BGRx \
! videoconvert \
! appsink'
WINDOW_NAME = 'Camera Test'
cap = cv2.VideoCapture(GST_STR, cv2.CAP_GSTREAMER)
while True:
ret, img = cap.read()
if ret != True:
break
pilImg = Image.fromarray(np.uint8(img))
#print(pilImg.format, pilImg.size, pilImg.mode)
img_width, img_height = pilImg.size
draw = ImageDraw.Draw(pilImg)
draw.rectangle(((img_width - 150) // 2,
(img_height - 150) // 2,
(img_width + 150) // 2,
(img_height + 150) // 2), outline=(255, 255, 255))
mnistImg = Image.fromarray(np.uint8(img))
mnistImg = mnistImg.crop(((img_width - 150) // 2,
(img_height - 150) // 2,
(img_width + 150) // 2,
(img_height + 150) // 2))
mnistImg = mnistImg.convert("L")
color = ImageEnhance.Color(mnistImg)
mnistImg = color.enhance(1.5)
contrast = ImageEnhance.Contrast(mnistImg)
mnistImg = contrast.enhance(1.5)
brightness = ImageEnhance.Brightness(mnistImg)
mnistImg = brightness.enhance(1.5)
sharpness = ImageEnhance.Sharpness(mnistImg)
mnistImg = sharpness.enhance(1.5)
mnistImg = mnistImg.resize((28, 28), Image.LANCZOS)
#print(mnistImg)
mnistImg = map(lambda x: 255 - x, mnistImg.getdata())
mnistImg = np.fromiter(mnistImg, dtype=np.uint8)
mnistImg = mnistImg.reshape(1, 784)
mnistImg = mnistImg.astype(np.float32)
mnistImg = np.multiply(mnistImg, 1.0 / 255.0)
# print(mnistImg)
for i in range(len(mnistImg[0])):
num=mnistImg[0][i]
if num<0.4:
print(' ', end="")
else:
print('%03d ' % (num*1000), end="")
if i % 28 == 0:
print('\n')
#学習データと読み込んだ数値との比較を行う
pred = sess.run(y_conv, feed_dict={x:mnistImg, y_: [[0.0] * 10], keep_prob: 1.0})[0]
# print(pred)
if not np.max(pred) < 0.5 :
print(np.argmax(pred) ,np.max(pred))
draw.text((10,10),f'{np.argmax(pred)} {round(np.max(pred)*100,2)}%')
imgArray = np.asarray(pilImg)
cv2.imshow(WINDOW_NAME, imgArray)
key = cv2.waitKey(10)
if key == 27: # ESC
break
起動すると、ウインドウが開いてカメラの画像が出ます。真ん中の白枠に手書きの文字を入れると、上に値が出るってわけ。
認識率悪くて、コントラスト上げたり、明度あげたり、色々やってみてる。
コンソールに、プログラムからみたテンソルを表示しています。
色々やってて思ったのが、Jetson Nanoだと、何するにしてもメモリ不足で死にます。
これは、僕の書き方の問題なのかもしれないけど、いろいろシンドかった。
学習するにしても、バッチサイズ減らしてやらないと落ちるし、学習データの読み込みでも、ブラウザは落としておかないと死ぬ。
こういったあたりも、今後調べていきたい。
次は、自分で教師データ作って学ばせてあげたい。
できるかな?
