ใช้ Tensorflow จำแนกข้อมูลด้วยเทคนิค Neural network
ก่อนอื่นต้องบอกเลยว่าผมเป็น web developer มีความรู้เรื่อง Machine learning (ML) เบื้องต้นเท่านั้น แต่เนื่องจากมีความจำเป็นต้องใช้ ML ในการแข่ง hackathon รายการนึง ผมเลยเข้ามาทำความรู้จักกับ Tensorflow …
ในบทความนี้เป็นภาพรวมของการใช้ Tensoflow จำแนกข้อมูลชุดแต่งกาย โดยเราจะมีการสร้างสร้างโมเดล และใช้โมเดลที่สร้างจำแนกข้อมูลเสื้อผ้า รองเท้า ถ้าเปรียบเทียบกับการเขียนโปรแกรม นี่เปรียบเสมือนเพียงการเขียน Hello world
ข้อมูลจะใช้ dataset Fashion MNIST โดยจะมี 70000 รูป และแบ่งเป็น 10 ประเภท แต่ละรูปมีความละเอียด 28x28 pixels
ข้อมูลทั้งหมดจาก 70,000 เราจะแบ่งข้อมูลสำหรับใช้ train โมเดล 60000 รูป และใช้ test (ทดสอบความถูกต้องของโมเดล) 10,000 รูป
Fashion MNIST เราสามารถนำมาใช้งานได้ผ่าน tensorflow เลยด้วย เพราะชุดข้อมูลนี้เป็นชุดข้อมูลเริ่มต้นที่เอาไว้สำหรับให้เรามาลองเล่นกับอัลกอริทึมของเรา และเอาไว้สำหรับให้เราเริ่มต้นทดลองทำ ไว้เทส และดีบัคโค้ด
ต่อไปเราจะทำการเตรียมข้อมูลกันนะครับ โดยชุดโค้ดข้างล่างนี้จะแบ่งออกเป็น 3 เรื่องคือ 1 import libs 2 โหลดข้อมูล และ 3 สำรวจข้อมูล
# 1 Import
import tensorflow as tf
from tensorflow import keras# Helper libraries
import numpy as np
import matplotlib.pyplot as plt# 2 Download data
fashion_mnist = keras.datasets.fashion_mnist(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()# 3 Explore the data
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.gca().grid(False)plt.figure()
plt.imshow(train_images[26])
plt.colorbar()
plt.gca().grid(False)
จากรูปจะเราจะเห็นว่าค่าของ pixel จะอยู่ในช่วง 0–255 เราจะทำการแปลงข้อมูล pixel ให้อยู่ในช่วง 0–1 ทั้งข้อมูลสำหรับ train และ test
train_images = train_images / 255.0
test_images = test_images / 255.0จากนั้นลองสำรวจรูปดูอีกครั้ง
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.gca().grid(False)
ขั้นตอนต่อมาเราจะ map แต่ละ label ให้เป็นชื่อตามรูปที่แสดง ละรูปจะมีได้ 1 label โดยที่มีทั้งหมด 10 label มีค่าคือ 0–9 ดังนั้นเราจะกำหนดชื่อให้แต่ละ label ด้วยการสร้าง class_names ไว้ map กับ label ของข้อมูล
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']ต่อมาเราจะลองดูว่าที่เรา map label ให้เป็นชื่อนั้น ผลเป็นอย่างไร เราจะลองแสดงรูปจำนวนนึงพร้อมชื่อ (map label)
import matplotlib.pyplot as plt
%matplotlib inlineplt.figure(figsize=(12,12))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
จบขั้นตอนนี้เป็นเพียงส่วนของการเตรียมและตรวจสอบข้อมูล ขั้นตอนต่อไปเราจะทำการสร้าง model
การสร้างโมเดล neural network
เราจะใช้เทคนิค neural network ซึ่งเราจะต้องทำการตั้งค่า layers และการ compile โมเดล
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])หลังจากตั้งค่าให้ model แล้วเราจะใช้ .fit เพื่อเป็นการ train ตัว model ซึ่งจะต้องส่งชุด train_images, train_labels และ epochs
model.fit(train_images, train_labels, epochs=10)# output
# Epoch 1/10
# 60000/60000 [==============================] - 3s 43us/step - loss: 0.5000 - acc: 0.8246
# Epoch 2/10
# 60000/60000 [==============================] - 2s 40us/step - loss: 0.3776 - acc: 0.8632
# Epoch 3/10
# 60000/60000 [==============================] - 2s 40us/step - loss: 0.3402 - acc: 0.8769
# Epoch 4/10
# 60000/60000 [==============================] - 2s 41us/step - loss: 0.3132 - acc: 0.8850
# Epoch 5/10
# 60000/60000 [==============================] - 2s 40us/step - loss: 0.2937 - acc: 0.8929
# Epoch 6/10
# 60000/60000 [==============================] - 2s 41us/step - loss: 0.2801 - acc: 0.8957
# Epoch 7/10
# 60000/60000 [==============================] - 3s 43us/step - loss: 0.2700 - acc: 0.8993
# Epoch 8/10
# 60000/60000 [==============================] - 2s 39us/step - loss: 0.2571 - acc: 0.9037
# Epoch 9/10
# 60000/60000 [==============================] - 2s 38us/step - loss: 0.2461 - acc: 0.9077
# Epoch 10/10
# 60000/60000 [==============================] - 2s 39us/step - loss: 0.2375 - acc: 0.9108
As the model trains, the loss and accuracy metrics are displayed. This model reaches an accuracy of about 0.88 (or 88%) on the training data.
ในการ trains จะมีผลแสดงความผิดพลาด (loss) และความถูกต้อง (accuracy) จากการเทรนตามตัวอย่างนี้ แสดงรอบสุดท้ายเราได้ความถูกต้อง 0.91 หรือ 91%
จากเทรนโมเดลเสร็จแล้ว เราจะนำชุดข้อมูล 10,000 รูป ที่เตรียมไว้สำหรับ test ตัวโมเดล จะใช้ .evaluate เพื่อทดสอบผลกับข้อมูล test
test_loss, test_acc = model.evaluate(test_images, test_labels)print('Test accuracy:', test_acc)# output
# 10000/10000 [==============================] - 0s 21us/step
# ('Test accuracy:', 0.8899)
ผลจากการ test โมเดล เราได้ค่าความถูกต้อง 88%
หลังจาก trains โมเดลและ test โมเดลแล้ว เราสามารถลองทดสอบโมเดลกับแต่ละรูปได้ จากโค้ดข้างล่างเราจะลองดูผล predict ของโมเดลที่ 100 (index 99) จากโค้ดตามนี้
predictions = model.predict(test_images)
predicted = (predictions[99])
plt.figure()
plt.imshow(test_images[99])class_names[np.argmax(predicted)]# output
# 'Pullover'
หรือเราจะแสดงผลการ predict หลายๆรูปเลย ตามนี้
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid('off')
plt.imshow(test_images[i], cmap=plt.cm.binary)
predicted_label = np.argmax(predictions[i])
true_label = test_labels[i]
if predicted_label == true_label:
color = 'green'
else:
color = 'red'
plt.xlabel("{} ({})".format(class_names[predicted_label],
class_names[true_label]),
color=color)
Output ตามรูปข้างบน รูปที่เป็นสีแดง คือรูปที่ predict ผิดพลาด ซึ่งผลลัพธ์ที่ถูกต้องจะอยู่ในวงเล็บครับ
Credit https://www.tensorflow.org/tutorials/keras/basic_classification
จากการศึกษา tensorflow วันแรกของผม ก็ยังไม่สามารถลงรายละเอียดบางส่วนได้ สามารถอธิบายได้แต่ภาพรวมการใช้งาน tensorflow แต่ผมจะหาเวลารีบทำความเข้าใจในเร็วๆนี้ ถ้ามีคำถามอะไรสามารถถามได้เลยครับ
