惑星探査育英会・第十二回実習会

Transcript

1. %FFQ
   -FBSOJOHͰ ը૾ࣝผ 2020/03/09 CPS 探査データ実習会@会津大学 The University of Aizu, Graduate School of Computer Science and Engineering. Graduate Department of Computer and Information Systems. ARC-Space
2. %FFQ
   MFBSOJOHͱ͸ʁ
3. %FFQ
   -FBSOJOHͱ͸ 機械学習 深層学習 Deep Learning • %FFQ
   -FBSOJOHͱ͸ػցֶशͷҰछͰ χϡʔϥϧωοτͱݺ͹ΕΔɺ ੜ෺ͷਆܦܥͷڍಈΛ໛ֶͨ͠शΛߦ͏ɻ Hierarchical clustering, K-means, Fuzzy
4. %FFQ
   -FBSOJOHͱ͸ 機械学習 深層学習 Deep Learning • ద༻ൣғ͸ͱͯ΋޿͘ɺ ࠷ۙ࿩୊ͷғޟ"*΍ࣗಈӡసٕज़ɺ Ի੠ɺը૾ೝࣝʹԠ༻͞Ε͍ͯΔɻ
5. %FFQ
   -FBSOJOHͰը૾ೝࣝ • Deep Learningの中にも幾つか種類がある。 現代の画像識別において必ず導入されるのが、 Convolutional Neural Network(CNN) 機械学習 深層学習 CNN
6. $//Λ༻͍ͨը૾ೝࣝྫ https://ai.googleblog.com/2017/06/supercharge-your-computer-vision-models.html http://yann.lecun.com/exdb/mnist/ • 手書き文字の認識 • 画像内のオブジェクト認識
7. $//Λ༻͍ͨը૾ೝࣝྫ http://yann.lecun.com/exdb/mnist/ • 強化学習を用いたSegmentationや画像生成 https://github.com/affinelayer/pix2pix-tensorflow/blob/master/docs/examples.jpg
8. ࣮शձͰͷ໨ඪ •ػցֶशख๏ͷαʔϕΠ •ػցֶशπʔϧͷशಘ •Option: –LOCAL環境での機械学習環境構築&実践
9. ࣮शձͰͷ໨ඪ •実習会で扱わない項目: –機械学習の原理
10. ࣮शձͰѻ͏πʔϧ •クラウド機械学習環境 –Kaggle Notebook –Google Colaboratory
11. ࣮शձͰѻ͏πʔϧ • クラウド機械学習環境 – 初学者に最適！ – Webブラウザ上で動作する – 環境構築不要 – 制限はあるが、 無料でGPU環境を用意できる。
12. ࣮शձͰѻ͏πʔϧ •仮想環境 –Docker –NVIDIA Docker (nvidia-container- toolkit)
13. ࣮शձͰѻ͏πʔϧ • 仮想環境 – ローカルでの 機械学習環境構築に便利。 – GPU利用する場合は、 nvidia-dockerがオススメ https://github.com/NVIDIA/nvidia-docker
14. ࣮शձͰѻ͏ݴޠɾϥΠϒϥϦ • 言語 – Python • ライブラリ – Tensorflow – Keras – PyTorch OpenCV etc…
15. 4JNQMF
    JNBHF
    $MBTTJGJFS αϯϓϧίʔυͷղઆ
16. Data Preparation Phase %BUB
    GMPX l4JNQMF
    JNBHF
    $MBTTJGJFSz
    B A Original data A&B Train data A&B Test data Divide Train and Test (into 8 : 2)
17. Testing Phase Learning Phase %BUB
    GMPX l4JNQMF
    JNBHF
    $MBTTJGJFSz
    Learning Model (CNN) A&B Training data input Identification Model output input Output Image predictions A&B Training data Image_001 is A Image_002 is A Image_003 is B ….. Identification Model
18. • サンプルコード Simple image ClassifierのCNNの構成は VGG16を参考にしている。 • 構成やパラメータによって識別率は変化する。 • 扱うデータに合わせて構成、 パラメータを変更。 -FBSOJOH
    .PEFM $// ͷத਎ • Convolution (32,(3,3)) • Activation (relu) • Max_pooling (2,2) • Convolution (32,(3,3)) • Activation (relu) • Max_pooling (2,2) • Convolution (32,(3,3)) • Activation (relu) • Flatten • Dense (64) • Activation (relu) • Dense (class_num) • Activation (softmax) Learning Model (CNN)
19. $//ͷࣝผਫ਼౓ධՁ • サンプルコードは作成した識別モデルを 学習曲線によって評価できる。 • 学習精度向上の為の指標となる。 val_accを上げ、val_lossを下げる 事が重要
20. 4JNQMF
    JNBHF
    $MBTTJGJFS -0$"-୺຤Ͱͷαϯϓϧίʔυͷ࣮ߦྫ
21. σʔληοτ഑ஔ ‘data/’ 直下にデータセットを置く ディレクトリ名が画像のラベルとして処理される
22. ֶशɺࣝผͷ࣮ߦ $ python train.py 学習と識別が同時に行われる 処理が終わると、 学習曲線と識別モデル が得られる
23. ࣝผͷ࣮ߦ $ python test.py --model <作成した識別モデル> train.pyで作成した識別モデルを検証できる。 識別の再実行や、別のTestDataを用いる場合などに利用する。
24. αϯϓϧίʔυͷൃలྫ
25. σʔλΦʔάϝϯςʔγϣϯ • 学習画像の母数を増やす為に、画像に回転や変形を加える https://qiita.com/takurooo/items/c06365dd43914c253240
26. ࣝผʹࣦഊͨ͠ը૾Λݟ͚ͭΔ • [test.py]に追記して、予測が外れた画像をリストアップする Ccfs/68.png Mf/1139.png
27. ࠞಉߦྻΛͭ͘Δ • [train.py] や [test.py]に追記して、 混同行列を作成する • 識別が不得意なラベルが可視化される Cchfh Ccfs Ccp Mf Mp Shadow
28. 5IBOL
    ZPV
    GPS
    MJTUFOJOH