UNISIA-SE Tech Blog

1. 前提条件

▼ 下記ページを理解していること。
[Python] [5] MNISTのダウンロード方法 (手書き数字画像セットを取込む) [Python] [6] MNISTを使ったニューラルネットワークの推論処理と実装サンプル

▼ Python3.6、NumPyがインストールされていること。
このページでは、venvの仮想環境(Python3.6)上にNumPyをインストールした環境で、Python対話モード(Pythonインタプリタ)にて実装サンプルを記載している。

※ Python対話モード、NumPyについては下記を参考。
Python対話モード：[Python] 対話モード (インタプリタ) の使用方法
NumPy：[Python] [NumPy] インストールとnumpy.ndarrayの使用方法

2. 推論バッチ処理の実行準備

import sys, os
sys.path.append(os.pardir) # 親ディレクトリのファイルをインポートするための設定
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax

def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test

def init_network():
    with open("sample_weight.pkl", 'rb') as f:
    network = pickle.load(f)
    return network

def predict(network, x):
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']
    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = softmax(a3)
    return y

x, t = get_data()
network = init_network()

batch_size = 100    # … 追記
accuracy_cnt = 0

for i in range(0, len(x), batch_size):    # … 書き換え
    x_batch = x[i:i+batch_size]     # … 書き換え
    y_batch = predict(network, x_batch)     # … 書き換え
    p = np.argmax(y_batch, axis=1)    # … 書き換え
    accuracy_cnt += np.sum(p == t[i:i+batch_size])    # … 書き換え

print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

3. 推論バッチ処理の実行

$ cd gitlocalrep
$ cd deep-learning-from-scratch/ch03
$ source /var/www/vops/bin/activate
$ python neuralnet_mnist_batch.py
 Accuracy:0.9352

4. 推論バッチ処理の解説

x, t = get_data()
network = init_network()

batch_size = 100    # … (1)
accuracy_cnt = 0

for i in range(0, len(x), batch_size):    # … (2)
    x_batch = x[i:i+batch_size]     # … (3)
    y_batch = predict(network, x_batch)     # … (4)
    p = np.argmax(y_batch, axis=1)    # … (5)
    accuracy_cnt += np.sum(p == t[i:i+batch_size])    # … (6)

print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

$ python
 >>> list(range(0, 10))   # 0 ～ 10 までの配列
 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
 >>> list(range(5, 10))    # 5 ～ 10 までの配列
 [5, 6, 7, 8, 9]
 >>> list(range(1, 27, 3))    # 1 ～ 27 までのインデックスを 3 ずつ増加
 [1, 4, 7, 10, 13, 16, 19, 22, 25]

※ predict(network, x_batch)のsigmoid, softmaxについては、下記を参考。
[Python] [3] ニューラルネットワークの活性化関数と実装サンプル
[Python] [4] 活性化関数の実装サンプルまとめ(ステップ / シグモイド / ReLU / 恒等関数 /ソフトマックス関数)

$ python
 >>> import numpy as np
 >>> x = np.array([[0.1, 0.3, 0.2, 0.9, 0.5], [0.3, 0.9, 0.1, 0.4, 0.8], [0.9, 0.2, 0.1, 0.6, 0.5]])
 >>> y = np.argmax(x, axis=1)
 >>> print(y)
 [3 1 0]
>>>

$ python
 >>> import numpy as np
 >>> x = np.array([[0.1, 0.3, 0.2, 0.9, 0.5], [0.3, 0.9, 0.1, 0.4, 0.8], [0.9, 0.2, 0.1, 0.6, 0.5]])
 >>> y = np.argmax(x, axis=0)
 >>> print(y)
 [2 1 0 0 1]
 >>>

$ python
 >>> import numpy as np
 >>> p = np.array([0.1, 0.3, 0.2, 0.9, 0.5, 0.3, 0.9, 0.1, 0.4, 0.8])
 >>> t = np.array([0.1, 0.4, 0.2, 0.9, 0.5, 0.4, 0.9, 0.2, 0.5, 0.9])
 >>> print(p==t)
 [ True False  True  True  True False  True False False False]
 >>> np.sum(p==t)
 5
 >>>