aiura/

EMNIST でやっていく

2017-03-08 (Wed.)

日記

INDEX

あらまし

EMNIST は MNIST の拡張で、digit (0-9) に加えて、大小英字が加わっている. 従って合計で、 \(10+26+26=62\) のクラスが在ることになる.

とは言え、MNIST と比較して文字あたりの画像枚数は多くない. 具体的な内訳は https://arxiv.org/pdf/1702.05373.pdf の Fig.2 にある. 枚数を稼ぐために、幾つかの文字については、大小文字を同一視している. "c" と "C" のように、見た目が似てるものだけについてこのマージを行っており、この場合は合計で 47 クラスがある.

参考

レポジトリ

各小題の後ろにあるファイル名はこのレポジトリの中のファイル.

データセットの利用

EMNIST | Western Sydney University から "The database in original MNIST format" をダウンロードし、解凍できるだけ解凍をすると、

desktop.ini
emnist-balanced-mapping.txt
emnist-balanced-test-images-idx3-ubyte
emnist-balanced-test-labels-idx1-ubyte
emnist-balanced-train-images-idx3-ubyte
emnist-balanced-train-labels-idx1-ubyte
emnist-byclass-mapping.txt
emnist-byclass-test-images-idx3-ubyte
emnist-byclass-test-labels-idx1-ubyte
emnist-byclass-train-images-idx3-ubyte
emnist-byclass-train-labels-idx1-ubyte
emnist-bymerge-mapping.txt
emnist-bymerge-test-images-idx3-ubyte
emnist-bymerge-test-labels-idx1-ubyte
emnist-bymerge-train-images-idx3-ubyte
emnist-bymerge-train-labels-idx1-ubyte
emnist-digits-mapping.txt
emnist-digits-test-images-idx3-ubyte
emnist-digits-test-labels-idx1-ubyte
emnist-digits-train-images-idx3-ubyte
emnist-digits-train-labels-idx1-ubyte
emnist-letters-mapping.txt
emnist-letters-test-images-idx3-ubyte
emnist-letters-test-labels-idx1-ubyte
emnist-letters-train-images-idx3-ubyte
emnist-letters-train-labels-idx1-ubyte
emnist-mnist-mapping.txt
emnist-mnist-test-images-idx3-ubyte
emnist-mnist-test-labels-idx1-ubyte
emnist-mnist-train-images-idx3-ubyte
emnist-mnist-train-labels-idx1-ubyte

を得る. マージを行っていてかつ、文字ごとの枚数を均一化されたデータである emnist-balanced-*-*-*-ubyte を今回は利用する.

この (バイナリ)ファイルを Python プログラムから直接読もうと思ったけど上手く行かなかったので、 【機械学習】Python3 + scikit-learn で識別率99%の手書き数字の分類器を作った - 株式会社クイックのWebサービス開発blog にあったワンラインのシェルスクリプトを使うことにする.

DATA_ROOT=/mnt/dataset/EMNIST/

cat $DATA_ROOT/emnist-balanced-test-labels-idx1-ubyte | od -An -v -tu1 -j8 -w1 | tr -d ' ' > $DATA_ROOT/emnist-balanced-test-labels-idx1-txt
cat $DATA_ROOT/emnist-balanced-test-images-idx3-ubyte | od -An -v -tu1 -j16 -w784 | sed 's/^ *//' | tr -s ' ' > $DATA_ROOT/emnist-balanced-test-images-idx3-txt

cat $DATA_ROOT/emnist-balanced-train-labels-idx1-ubyte | od -An -v -tu1 -j8 -w1 | tr -d ' ' > $DATA_ROOT/emnist-balanced-train-labels-idx1-txt
cat $DATA_ROOT/emnist-balanced-train-images-idx3-ubyte | od -An -v -tu1 -j16 -w784 | sed 's/^ *//' | tr -s ' ' > $DATA_ROOT/emnist-balanced-train-images-idx3-txt

*-ubyte とかよくわからんファイルの代わりに *-txt を読むことにする.

データセットを読むライブラリ (dataset.py)

を予め作っておくと便利. 具体的には先程作ったテキストファイルを numpy 配列にする. テキストファイルから読む作業はそれなりに時間がかかる (1分程度) ので、一度 numpy 配列を作ったら npz 形式でキャッシュとして保存しておく.

あとで気づいたが、画像の xy 方向が直感と逆だった. 予め transpose したほうがいいかもしれないけど、しないで作ったデータをキャッシュしてたからひとまず無視.

オートエンコーダ (autoencoder.py)

何はともあれ、オートエンコーダを作る.

入力は \(255\) で予め割っておくことにしたので (dataset.load_emnist にそのようなフラグを持たせておいた)、 \([0, 1]^{28 \times 28}\). これを Encoder によって中間表現 \(\mathbb{R}^{32}\) に落として、 Decoder によって元の入力を復元する. Encoder の構成は、活性化が全て relu であるような畳み込み層をいくつか重ねて、最後に活性化関数のない (或いは線形) 全結合層を重ねている.

\[[0, 1]^{28 \times 28} \to \mathbb{R}^{32} \to [0, 1]^{28 \times 28}\]

損失関数に mse を用いるのは素人で、binary_cross_entropy を使う. これは、各ピクセルを、 \([0, 1]\) ピクセルが \(1\) である 確率 だと考えているのである.

ちなみに、Python スクリプトを手軽に CLI コマンドにするための click を最近愛用していて、今回も利用している. python ./autoencoder.py train で訓練、 python ./autoencoder.py test でテストを行う. 一つのファイルにしておくと、ライブラリにファイル分割する作業をサボれるので楽.

学習曲線

100 epoch 回して 61 epoch で最良を得た.

テスト

モーフィングを行った.

見方としては、行毎に独立の実行で、最も左と最も右は、実際のテストデータからオートエンコーダで復元したもの. その間は、中間表現を代数的に平均を取り、デコードして得たもの.

もちろん、ニューラルネットワークは連続関数にほかならないので、 中間値を入力すれば、中間の出力を得ることが出来る. しかしながら得られるものは、手書き文字ではない何かである. すなわち、実際の手書き文字全体 \(\mathcal{X}\) を逸脱する.