2018年11月12日月曜日
2018年9月9日日曜日
2018年9月8日土曜日
2018年7月27日金曜日
2018年7月16日月曜日
2018年6月29日金曜日
2018年6月4日月曜日
2018年5月20日日曜日
2018年5月17日木曜日
ディオンのエンジンオイル交換
オートバックスでディオンのエンジンオイル交換（走行距離8万km）。フィルター交換なしだと、エンジンオイル(10-30W)を3.8L程使った。あと、燃料タンクに水抜き剤をいれた。
2018年4月29日日曜日
2018年4月10日火曜日
2018年3月3日土曜日
2018年2月9日金曜日
Anacondaで初期フォルダを変更する
Anacondaスタートメニューから「Anaconda Prompt」をクリックするとプロンプトが立ち上がるので、
jupyter notebook --generate-configと打つ。
次にスタートメニューのJupyterNotebookを右クリックして、そのメニューから「ファイルの場所を開く」をクリック。
そうすると「/ユーザー/自分の名前/.jupyter」に「jupyter_notebook_config.py」ができているので、エディタで開いて202行目を見ると
#c.NotebookApp.notebook_dir = ''
となっているので、行頭の#をとって''の間に作業したいフォルダ名を書く。（例 D:/jupyter）
次に、スタートメニューの「Jupyter Notebook」を右クリックして、プロパティを開けて、作業フォルダーの名前も変更する。また、「リンク先」の最後に「%USERPROFILE%」の記述がある場合は、その部分を削除する。
参考リンク先
PYTHON Jupyter Notebookを開くいてでてくるフォルダ一覧について
Python：Jupyter Notebookの初期ディレクトリが変わらない時の対処方法
jupyter notebook --generate-configと打つ。
次にスタートメニューのJupyterNotebookを右クリックして、そのメニューから「ファイルの場所を開く」をクリック。
そうすると「/ユーザー/自分の名前/.jupyter」に「jupyter_notebook_config.py」ができているので、エディタで開いて202行目を見ると
#c.NotebookApp.notebook_dir = ''
となっているので、行頭の#をとって''の間に作業したいフォルダ名を書く。（例 D:/jupyter）
次に、スタートメニューの「Jupyter Notebook」を右クリックして、プロパティを開けて、作業フォルダーの名前も変更する。また、「リンク先」の最後に「%USERPROFILE%」の記述がある場合は、その部分を削除する。
参考リンク先
PYTHON Jupyter Notebookを開くいてでてくるフォルダ一覧について
Python：Jupyter Notebookの初期ディレクトリが変わらない時の対処方法
2018年1月15日月曜日
画像認識プログラム(Tensorflow, Keras使用)
#! /usr/bin/python3
import os
os.environ[ 'TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.utils import np_utils
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.preprocessing.image import array_to_img, img_to_array, list_pictures, load_img
from sklearn.model_selection import train_test_split
from PIL import Image
X = []
Y = []
# サンプル入力
for picture in list_pictures('./samle'):
img = img_to_array(load_img(picture, grayscale=True, target_size=(200,200)))
X.append(img)
Y.append(0)
# 参考情報入力
for picture in list_pictures('./reference'):
img = img_to_array(load_img(picture, grayscale=True, target_size=(200,200)))
X.append(img)
Y.append(1)
X = np.asarray(X)
Y = np.asarray(Y)
X = X.astype('float32')
X = X / 255.0
Y = np_utils.to_categorical(Y, 2)
indices = np.array(range(X.shape[0]))
# 学習用データとテストデータ
X_train, X_test, Y_train, Y_test, indices_train, indices_test = train_test_split(X, Y, indices, test_size=0.2, random_state=111)
print('X shape:', X.shape)
print('Y shape:', Y.shape)
print(X.shape[0], 'all samples') # すべてのサンプル数
print('X_train shape:', X_train.shape)
print('X_test shape:', X_test.shape)
print('Y_train shape:', Y_train.shape)
print('Y_test shape:', Y_test.shape)
print(X_train.shape[0], 'train samples') # 訓練サンプル数
print(X_test.shape[0], 'test samples') # テストサンプル数
#----------------------------------------------------------------------------------------------------------------------------------
#plt.imshow(X[100]) # 入力画像の例を表示
#plt.imshow(X_test[100].reshape([40, 40])) # 入力画像の例を表示
#plt.gray()
#print(X_train[100])
#print(X_test[100])
#print(Y_train[100])
#print(Y_test[100])
#---------------------------------------------------------------------------------------------------------------------------------
# CNNのモデルの作成
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(Dropout(0.5))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(2, activation='softmax'))
model.summary() # モデル情報の表示
#-------------------------------------------------------------------------------------------------------------------------------------
batch_size = 128 # バッチサイズ
nb_epoch = 10 # 繰り返し回数
#--------------------------------------------------------------------------------------------------------------------------------------
# 学習パラメータの設定
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
# モデルの学習
history = model.fit(X_train, Y_train,
batch_size=batch_size, epochs=nb_epoch,
validation_data=(X_test, Y_test))
# 学習結果の評価
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
import os
os.environ[ 'TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.utils import np_utils
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.preprocessing.image import array_to_img, img_to_array, list_pictures, load_img
from sklearn.model_selection import train_test_split
from PIL import Image
X = []
Y = []
# サンプル入力
for picture in list_pictures('./samle'):
img = img_to_array(load_img(picture, grayscale=True, target_size=(200,200)))
X.append(img)
Y.append(0)
# 参考情報入力
for picture in list_pictures('./reference'):
img = img_to_array(load_img(picture, grayscale=True, target_size=(200,200)))
X.append(img)
Y.append(1)
X = np.asarray(X)
Y = np.asarray(Y)
X = X.astype('float32')
X = X / 255.0
Y = np_utils.to_categorical(Y, 2)
indices = np.array(range(X.shape[0]))
# 学習用データとテストデータ
X_train, X_test, Y_train, Y_test, indices_train, indices_test = train_test_split(X, Y, indices, test_size=0.2, random_state=111)
print('X shape:', X.shape)
print('Y shape:', Y.shape)
print(X.shape[0], 'all samples') # すべてのサンプル数
print('X_train shape:', X_train.shape)
print('X_test shape:', X_test.shape)
print('Y_train shape:', Y_train.shape)
print('Y_test shape:', Y_test.shape)
print(X_train.shape[0], 'train samples') # 訓練サンプル数
print(X_test.shape[0], 'test samples') # テストサンプル数
#----------------------------------------------------------------------------------------------------------------------------------
#plt.imshow(X[100]) # 入力画像の例を表示
#plt.imshow(X_test[100].reshape([40, 40])) # 入力画像の例を表示
#plt.gray()
#print(X_train[100])
#print(X_test[100])
#print(Y_train[100])
#print(Y_test[100])
#---------------------------------------------------------------------------------------------------------------------------------
# CNNのモデルの作成
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(Dropout(0.5))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(2, activation='softmax'))
model.summary() # モデル情報の表示
#-------------------------------------------------------------------------------------------------------------------------------------
batch_size = 128 # バッチサイズ
nb_epoch = 10 # 繰り返し回数
#--------------------------------------------------------------------------------------------------------------------------------------
# 学習パラメータの設定
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
# モデルの学習
history = model.fit(X_train, Y_train,
batch_size=batch_size, epochs=nb_epoch,
validation_data=(X_test, Y_test))
# 学習結果の評価
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
登録:
投稿 (Atom)