深層学習のデータセット

Image from Gyazo

データセットの紹介

TorchvisionにはCIFAR-10以外にも様々なデータセットが用意されています. ここでは,MNISTFashion-MNISTKMNISTCOCOCityscapes を取り上げて紹介します.

import torchvision
import matplotlib.pyplot as plt

MNIST

MNIST手書きの数字文字 のデータセットです. グレースケール画像で,サイズは$28 \times 28$です.

dataset = torchvision.datasets.MNIST(root="./data", download=True)
image, label = dataset[0]
plt.imshow(image)

Image from Gyazo

Fashion-MNIST

Fashion-MNISTは 衣服などの ファッション のデータセットです. グレースケール画像で,サイズは$28 \times 28$です.

dataset = torchvision.datasets.FashionMNIST(root="./data", download=True)
image, label = dataset[0]
plt.imshow(image, cmap="gray")

Image from Gyazo

KMNIST

KMNISTくずし字(ひらがなや漢字) のデータセットです. グレースケール画像で,サイズは$28 \times 28$です.

dataset = torchvision.datasets.KMNIST(root="./data", download=True)
image, label = dataset[0]
plt.imshow(image, cmap="gray")

Image from Gyazo

COCO

COCOは物体検出やセグメンテーションなどに利用されるデータセットです. 33万枚以上の画像で構成され,80種類のラベルが存在します. 画像のアノテーションはJSON形式で配布されています.

Cityscapes

Cityscapesは,人や車両のセグメンテーションなどに利用されるデータセットです. 50の市街における5000枚の高精度なアノテーション付きの画像と,20000枚の粗いアノテーション付きの画像が提供されます.

課題

Google ColaboratoryでMNISTの手書き数字文字のデータセットを, 畳み込みニューラルネットワークで学習し,学習データに対する正解率を算出してください. ただし,手書き数字文字は「0」,「1」,「2」の3種類のみを対象とすること.

# データセットの読込(Tensor)
dataset = torchvision.datasets.MNIST(root="./data", transform=transforms.ToTensor())

# 0,1,2のみを対象とする
my_dataset = []
for image, label in dataset:
    if label == 0 or label == 1 or label == 2:
        my_dataset.append((image, label))

手書き数字画像はグレースケール(1次元)であり,そのサイズは$28 \times 28$であることに注意してください. 畳み込みニューラルネットワークは次のように定義すると良いです(最初の畳み込み層の入力チャネルが$1$,全結合層の入力数は$16 \times 4 \times 4=256$).

# 画像はグレースケール(1次元)
# 画像サイズ 28x28 -> 24x24 ->12x12 -> 8x8 -> 4x4
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, (5, 5)) #入力チャネル,出力チャネル,フィルタサイズ
        self.conv2 = nn.Conv2d(6, 16, (5, 5)) #入力チャネル,出力チャネル,フィルタサイズ
        self.fc1 = nn.Linear(16 * 4 * 4, 64) #入力数,出力数
        self.fc2 = nn.Linear(64, 3) #入力数,出力数

    def forward(self, x):
        x = F.max_pool2d(F.relu(self.conv1(x)), 2) #2x2でMAXプーリング
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) #2x2でMAXプーリング
        x = x.view(-1, 16 * 4 * 4) #1次元に整形
        x = F.relu(self.fc1(x))
        x = F.softmax(self.fc2(x), dim=1)
        return x

network = Net()
print(network)

ノートブックのタイトルをchapter7.ipynb として保存し, 共有用のリンクノートブック(.ipynb) をダウンロードして提出してください. 提出の前に必ず下記の設定を行ってください.

参考書籍

愛知県名古屋市にある椙山女学園大学 文化情報学部 向研究室の公式サイトです. 専門は情報科学であり,人工知能やデータベースなどの技術要素を指導しています. この公式サイトでは,授業で使用している教材を公開すると共に, ベールに包まれた女子大教員のミステリアスな日常を4コマ漫画でお伝えしていきます. サイトに関するご意見やご質問はFacebookまたはTwitterでお問い合わせください.