Sponsored Link

(27) cuda-convnet2で二値分類器の結果を見る

(26) cuda-convnet2で二値分類器を作ってみる の続き…

(10) cuda-convnetのレポート表示 と同じ手順でレポート表示できる。


(1) loss curveを表示

SAVEDATA=ConvNet__2014-09-15_10.58.02
python shownet.py --load-file $SAVEDATA --show-cost=dce

20140915_losscurve


(2) error curveを表示

SAVEDATA=ConvNet__2014-09-15_10.58.02
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=1

20140915_errorrate


(3) accuracy curveを表示

SAVEDATA=ConvNet__2014-09-15_10.58.02
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=2    # unit#1 precision
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=3    # unit#1 recall
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=4    # unit#2 precision
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=5    # unit#2 recall
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=6    # unit#3 precision
python shownet.py --load-file $SAVEDATA --show-cost=dce --cost-idx=7    # unit#3 recall

20140915_acc2


(4) 全テストデータの出力層出力値を取得

手順1: 学習を実行する。
(26) cuda-convnet2で二値分類器を作ってみる を参照のこと。

手順2: 学習済みデータを指定して test-only で cuda-convnet2を実行する。

BASEPATH=/home/user/cuda/cuda-convnet2
SAVEDATA=$BASEPATH/save/ConvNet__2014-09-15_10.58.02
FEATPATH=$BASEPATH/tmp
TRGLAYER=fcOut
TEST_RANGE=7
python convnet.py --load-file ${SAVEDATA} \
                  --test-only 1 \
                  --test-range $TEST_RANGE \
                  --write-features $TRGLAYER \
                  --feature-path $FEATPATH

手順3: 出力されたデータファイルの中身を見る。

$ls
batches.meta  data_batch_7

pythonでシリアライズしたデータなので、pythonでデシリアイズして中身を見る。

$ python

[‘labels’] には正解値が、[‘data’] には出力値が格納されている。
どちらも 10,000データ x 3ユニット = 30,000個のデータを持つ。

>>> import numpy as np
>>> import cPickle as cp
>>>
>>> da = cp.load(open('data_batch_7'))
>>> da.keys()
['labels', 'data']
>>> data_raw = da['data']     # raw output
>>> data_lbl = da['labels']   # true label
>>> data_raw = np.asarray(data_raw)
>>> data_lbl = np.asarray(data_lbl)
>>> data_raw.shape
(10000, 3)
>>> data_lbl.shape
(3, 10000)
>>> data_lbl = data_lbl.T
>>> data_lbl.shape
(10000, 3)

取得した正解値 data_lbl と出力値 data_raw の先頭10個だけを参照してみる。

>>> data_lbl[0:10,:]
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  1.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  1.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  1.]], dtype=float32)
>>> data_raw[0:10,:]
array([[  9.98521745e-01,   1.49850443e-03,   4.11541946e-03],
       [  1.20352823e-02,   9.88052726e-01,   3.22542548e-01],
       [  9.94093001e-01,   5.99678187e-03,   7.45591475e-03],
       [  2.92361937e-02,   9.71927702e-01,   9.64868903e-01],
       [  2.93485690e-02,   9.70762134e-01,   6.91684261e-02],
       [  9.99665618e-01,   3.34766519e-04,   2.66197207e-03],
       [  1.03651799e-01,   8.95208240e-01,   1.80083804e-03],
       [  9.62865233e-01,   3.65868807e-02,   8.87887657e-01],
       [  2.12325543e-01,   8.14015448e-01,   7.86685292e-03],
       [  9.76591468e-01,   2.24058982e-02,   8.57828259e-01]], dtype=float32)

出力値を 閾値0.5で 2値化した結果を data_rth に取得し、これも先頭から10個だけを参照してみる。
そこそこ学習が進んでいるので上記の正解値 data_lbl とほぼ同じ値だ。(1個だけ間違いあり)

>>> data_rth = (data_raw >= 0.5)*1.0
>>> data_rth[0:10,:]
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  1.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  1.],
       [ 0.,  1.,  0.],
       [ 1.,  0.,  1.]])

ここから一気にトータルのエラー率を算出してみる。
出力ユニットNo.1,2,3の順に不正解数は 289, 293, 537個
出力値の総数は 3ユニット x 10,000データで30,000個だ。

>>> out1_raw = data_raw[:,0]
>>> out2_raw = data_raw[:,1]
>>> out3_raw = data_raw[:,2]
>>>
>>> out1_lbl = data_lbl[:,0]
>>> out2_lbl = data_lbl[:,1]
>>> out3_lbl = data_lbl[:,2]
>>>
>>> out1_rth = (out1_raw >= 0.5) * 1
>>> out2_rth = (out2_raw >= 0.5) * 1
>>> out3_rth = (out3_raw >= 0.5) * 1
>>>
>>> out1_lbl = (out1_lbl >= 0.5) * 1
>>> out2_lbl = (out2_lbl >= 0.5) * 1
>>> out3_lbl = (out3_lbl >= 0.5) * 1
>>>
>>> out1_diff = np.where(out1_rth != out1_lbl)
>>> out2_diff = np.where(out2_rth != out2_lbl)
>>> out3_diff = np.where(out3_rth != out3_lbl)
>>>
>>> diff1 = len(out1_diff[0])
>>> diff2 = len(out2_diff[0])
>>> diff3 = len(out3_diff[0])
>>> diff1
289
>>> diff2
293
>>> diff3
537
>>>
>>> errorRate = float((diff1 + diff2 + diff3)) / (len(out1_lbl) + len(out2_lbl) + len(out3_lbl))
>>> errorRate
0.0373

ここまでの作業で 「生出力値から計算したエラー率」=「学習時に表示されたエラー率」 であることが確認できた。

======================Test output======================
dce:  (crossent) 0.319596, (err) 0.037300, (Godd) 0.965015, 0.978518, (Geven) 0.977137, 0.963053, (Gtri) 0.925373, 0.940106

Leave a Comment


NOTE - You can use these HTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

*