機械学習/MacでTensorFlowを使うのバックアップ(No.13)

はじめに †

ここでは、Googleが公開しているオープン・ソース・ソフトウェア (OSS) のTensorFlowをMac (OS X) にインストールして使います。

以前、TensorFlow 0.8用に書いたものを、TensorFlow 1.2用に修正しました。

↑

環境 †

macOS Sierra 10.12.5
Python 3.5.1
TensorFlow 1.2

↑

Python3のインストール（アップデート） †

まず、Python3を最新版にアップデートします。下記のサイトからMac OS X 64-bit/32-bit installerをダウンロードして、インストール。

Python 3.5.1

↑

TensorFlowのインストール †

基本的にはここに書いてある通りです。

Installing TensorFlow on Mac OS X - TensorFlow

$ sudo easy_install pip
$ sudo pip3 install --upgrade pip

↑

Virtualenvのインストール †

$ sudo pip3 install --upgrade virtualenv
$ virtualenv --system-site-packages -p python3 /Users/Shared/tools/tensorflow
$ source /Users/Shared/tools/tensorflow/bin/activate
(tensorflow)$ sudo pip3 install --upgrade tensorflow
(tensorflow)$ deactivate

私の研究室では、共有フォルダーのtoolsというフォルダー (/Users/Shared/tools/) に、みんなで使うツールをインストールしています。 /Users/Shared/tools/tensorflow を ~/tensorflow などTensorFlowをインストールしたいフォルダーに変更してください。

↑

TensorFlowを動かす †

TesorFlowのサイトに掲載されているサンプルを動かします。

Getting Started With TensorFlow - TensorFlow

$ source /Users/Shared/tools/tensorflow/bin/activate
(tensorflow) $ python3
Python 3.5.1 (v3.5.1:37a07cee5969, Dec  5 2015, 21:12:44) 
[GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin
Type "help", "copyright", "credits" or "license" for more information.

>>> import tensorflow as tf
>>> node1 = tf.constant(3.0, dtype=tf.float32)
>>> node2 = tf.constant(4.0) 
>>> sess = tf.Session()
2017-06-20 08:28:06.121472: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-20 08:28:06.121492: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-20 08:28:06.121498: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-20 08:28:06.121502: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
>>> print(sess.run([node1, node2]))
[3.0, 4.0]
>>> node3 = tf.add(node1, node2)
>>> print(sess.run(node3))
7.0
>>> quit()
(tensorflow) $ deactivate

tf.Seesion()の後に警告が出ているのは、CPUのオプション使うともっと速く計算できるようになるよっていうメッセージです。

↑

TensorFlowでカテゴリー分析をやってみる †

TensorFlowの最初のチュートリアルは手書き数字認識のMNISTですが、irisデータセットでカテゴリー分析（分類問題）をやってみます。

↑

データの準備 †

Irisデータセットは、4つの説明変数（花びらの長さ、幅、がく片の長さ、幅）とカテゴリー (setosa, versicolor, virginica) からなるデータセットです。

UCI Machine Learning Repositoryからファイル iris.data をダウンロードします。中身はこんな感じです。

$ head -5 iris.data
5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa

3クラスの分類なので、カテゴリーのラベルを3次元の0/1ベクトルに変換します。つまり、setosaは 1,0,0、versicolorは 0,1,0、virginicaは 0,0,1 とします。

Irisデータセットには、それぞれ、50個ずつ150個のデータが並んでいるので、次のように変換します。

$ head -50 iris.data | awk -F, '{printf("%s,%s,%s,%s,1,0,0\n",$1,$2,$3,$4);}' > iris.csv
$ head -100 iris.data | tail -50 | awk -F, '{printf("%s,%s,%s,%s,0,1,0\n",$1,$2,$3,$4);}' >> iris.csv
$ head -150 iris.data | tail -50 | awk -F, '{printf("%s,%s,%s,%s,0,0,1\n",$1,$2,$3,$4);}' >> iris.csv

これで、データの準備は完了です。このデータをdataフォルダーにおいておきます。

↑

カテゴリー分析用ソースコード †

TensorFlowのTutorialsについてる最初の手書き文字データセットMNIST用のサンプルをほとんどそのまま使ったソースコードはこんな感じです。

# Copyright 2016-2017 Tohgoroh Matsui All Rights Reserved.
#
# Changes:
# 2017-06-19 Changed for TensorFlow 1.2
#
#
# This includes software developed by Google, Inc.
# licensed under the Apache License, Version 2.0 (the 'License');
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an 'AS IS' BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

import tensorflow as tf
import numpy as np


# パラメーター
flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('samples',       120,    'Number of training samples.')
flags.DEFINE_integer('max_steps',     1001,   'Number of steps to run trainer.')
flags.DEFINE_float(  'learning_rate', 0.001,  'Initial learning rate.')
flags.DEFINE_float(  'dropout',       0.9,    'Keep probability for training dropout.')
flags.DEFINE_string( 'data_dir',      'data', 'Directory for storing data.')
flags.DEFINE_string( 'summaries_dir', 'log',  'Summaries directory.')


def train():
  # CSVファイルの読み込み
  data = np.genfromtxt(FLAGS.data_dir + '/iris.csv', delimiter=",")

  # データをシャッフル
  np.random.shuffle(data)

  # 訓練データ (train) とテストデータ (test) に分割
  x_train, x_test = np.vsplit(data[:,0:4].astype(np.float32), [FLAGS.samples])
  y_train, y_test = np.vsplit(data[:,4:7].astype(np.float32), [FLAGS.samples])


  # セッション
  sess = tf.InteractiveSession()

  # 入力
  with tf.name_scope('input'):
    x  = tf.placeholder(tf.float32, shape=[None, 4])

  # 出力
  with tf.name_scope('output'):
    y_ = tf.placeholder(tf.float32, shape=[None, 3])

  # ドロップアウトのキープ率
  with tf.name_scope('dropout'):
    keep_prob = tf.placeholder(tf.float32)
    tf.summary.scalar('dropout_keep_probability', keep_prob)

  # 重み（係数）
  def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

  # バイアス（定数項）
  def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

  # for TensorBoard
  def variable_summaries(var, name):
    with tf.name_scope('summaries'):
      mean = tf.reduce_mean(var)
      tf.summary.scalar('mean/' + name, mean)
      with tf.name_scope('stddev'):
        stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))
      tf.summary.scalar('sttdev/' + name, stddev)
      tf.summary.scalar('max/' + name, tf.reduce_max(var))
      tf.summary.scalar('min/' + name, tf.reduce_min(var))
      tf.summary.histogram(name, var)


  # ニューラル・ネットワークの層
  def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    with tf.name_scope(layer_name):
      with tf.name_scope('weights'):
        weights = weight_variable([input_dim, output_dim])
        variable_summaries(weights, layer_name + '/weights')
      with tf.name_scope('biases'):
        biases = bias_variable([output_dim])
        variable_summaries(biases, layer_name + '/biases')
      with tf.name_scope('Wx_plus_b'):
        preactivate = tf.matmul(input_tensor, weights) + biases
        tf.summary.histogram(layer_name + '/pre_activations', preactivate)
      activations = act(preactivate, name='activation')
      tf.summary.histogram(layer_name + '/acctivations', activations)
      return activations


  # 入力層
  hidden1 = nn_layer(x, 4, 64, 'layer1')
  dropped1 = tf.nn.dropout(hidden1, keep_prob)

  # 中間層
  hidden2 = nn_layer(dropped1, 64, 64, 'layer2')
  dropped2 = tf.nn.dropout(hidden2, keep_prob)

  # 出力層
  y = nn_layer(dropped2, 64, 3, 'layer3', act=tf.nn.softmax)


  # クロス・エントロピー
  with tf.name_scope('cross_entropy'):
    #diff = y_ * tf.log(y)
    #with tf.name_scope('total'):
    #  cross_entropy = -tf.reduce_mean(diff)
    cross_entropy = -tf.reduce_sum(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
    tf.summary.scalar('cross entropy', cross_entropy)

  # 学習
  with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(cross_entropy)

  # 精度
  with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
      correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    with tf.name_scope('accuracy'):
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.summary.scalar('accuracy', accuracy)


  # for TensorBoard
  merged = tf.summary.merge_all()
  train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train', sess.graph)
  test_writer  = tf.summary.FileWriter(FLAGS.summaries_dir + '/test')
  tf.global_variables_initializer().run()


  # データとドロップアウト・キープ率の切り替え
  def feed_dict(train):
    if train:
      xs, ys = x_train, y_train
      k  = FLAGS.dropout
    else:
      xs, ys = x_test, y_test
      k  = 1.0
    return {x: xs, y_: ys, keep_prob: k}


  # 学習ルーチン
  for i in range(FLAGS.max_steps):
    # 学習
    sess.run(train_step, feed_dict=feed_dict(True))
    # 訓練データに対する評価
    summary, acc, cp = sess.run([merged, accuracy, cross_entropy], feed_dict=feed_dict(True))
    train_writer.add_summary(summary, i)
    # テスト・データに対する評価
    summary, acc, cp = sess.run([merged, accuracy, cross_entropy], feed_dict=feed_dict(False))
    test_writer.add_summary(summary, i)
    if i == 0 or i % np.power(10, np.floor(np.log10(i))) == 0:
      print('Accuracy and Cross-Entropy at step %s: %s, %s' % (i, acc, cp))


def main(_):
  if tf.gfile.Exists(FLAGS.summaries_dir):
    tf.gfile.DeleteRecursively(FLAGS.summaries_dir)
  tf.gfile.MakeDirs(FLAGS.summaries_dir)
  train()

if __name__ == '__main__':
  tf.app.run()

mnist_with_summaries.pyからいくつか変更点があります。

iris.csvからデータを読み込む
データをシャッフルして120個を訓練データに、残りの30個をテスト・データにする
入力は4次元、出力は3次元
中間層（活性化関数はReLU）を追加
入力層は4x64ユニット、中間層は64x64ユニット、出力層は64x3ユニット
クロス・エントロピーの定義を変更（元の定義だとNaNになってしまうことがあるため）
10回中9回学習して1回テストを行うのではなく、毎回学習とテストを行う
標準出力に精度とクロス・エントロピーを出力

↑

実行 †

(tensorflow) $ python3 tfc_iris.py
2017-06-19 18:32:23.449363: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 18:32:23.449387: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 18:32:23.449393: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 18:32:23.449398: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
Accuracy and Cross-Entropy at step 0: 0.366667, 31.8714
Accuracy and Cross-Entropy at step 1: 0.3, 31.5792
Accuracy and Cross-Entropy at step 2: 0.3, 31.289
Accuracy and Cross-Entropy at step 3: 0.3, 31.0007
Accuracy and Cross-Entropy at step 4: 0.3, 30.7225
Accuracy and Cross-Entropy at step 5: 0.333333, 30.4467
Accuracy and Cross-Entropy at step 6: 0.4, 30.1522
Accuracy and Cross-Entropy at step 7: 0.5, 29.8428
Accuracy and Cross-Entropy at step 8: 0.566667, 29.5071
Accuracy and Cross-Entropy at step 9: 0.633333, 29.1437
Accuracy and Cross-Entropy at step 10: 0.666667, 28.7539
Accuracy and Cross-Entropy at step 20: 0.666667, 24.4503
Accuracy and Cross-Entropy at step 30: 0.666667, 19.725
Accuracy and Cross-Entropy at step 40: 0.666667, 15.7528
Accuracy and Cross-Entropy at step 50: 0.866667, 13.1522
Accuracy and Cross-Entropy at step 60: 0.9, 11.3919
Accuracy and Cross-Entropy at step 70: 0.933333, 9.89667
Accuracy and Cross-Entropy at step 80: 0.933333, 8.50913
Accuracy and Cross-Entropy at step 90: 0.933333, 7.18226
Accuracy and Cross-Entropy at step 100: 0.933333, 6.18636
Accuracy and Cross-Entropy at step 200: 0.933333, 4.82435
Accuracy and Cross-Entropy at step 300: 0.933333, 4.7089
Accuracy and Cross-Entropy at step 400: 0.933333, 5.20262
Accuracy and Cross-Entropy at step 500: 0.933333, 6.28935
Accuracy and Cross-Entropy at step 600: 0.933333, 6.46973
Accuracy and Cross-Entropy at step 700: 0.933333, 6.57728
Accuracy and Cross-Entropy at step 800: 0.933333, 7.21051
Accuracy and Cross-Entropy at step 900: 0.933333, 7.32343
Accuracy and Cross-Entropy at step 1000: 0.933333, 7.07634

最初に出ている警告は、CPUのオプションを使って高速に計算できることを教えてくれています。このオプションを使うには、TensorFlowをソースコードからビルドしてインストールする必要があります。

↑

TensorBoardによるログの確認 †

TensorBoardでログを確認します。

次のようにしてTensorBoardを起動すると、6006番ポートでHTTPサーバーが起動します。

(tensorflow) $ tensorboard --logdir=log

Webブラウザーで http://localhost:6006 にアクセスします。

↑

TensorFlowで回帰分析をやってみる †

次に、Housingデータセットで回帰分析をやってみます。

↑

データの準備 †

Housingデータセットは、ボストン近郊の住宅の価格を、地区の犯罪発生率、宅地率など13個の説明変数を用いて予測する問題です。

UCI Machine Learning Repositoryから、 housing.data をダウンロードします。中身はこんな感じです。

$ head -5 housing.data
 0.00632  18.00   2.310  0  0.5380  6.5750  65.20  4.0900   1  296.0  15.30 396.90   4.98  24.00
 0.02731   0.00   7.070  0  0.4690  6.4210  78.90  4.9671   2  242.0  17.80 396.90   9.14  21.60
 0.02729   0.00   7.070  0  0.4690  7.1850  61.10  4.9671   2  242.0  17.80 392.83   4.03  34.70
 0.03237   0.00   2.180  0  0.4580  6.9980  45.80  6.0622   3  222.0  18.70 394.63   2.94  33.40
 0.06905   0.00   2.180  0  0.4580  7.1470  54.20  6.0622   3  222.0  18.70 396.90   5.33  36.20

これをコンマ区切りのCSVファイルに変換します。

$ sed "s/^ //" < housing.data | sed "s/  */,/g" > housing.csv

これで、データの準備は完了です。このデータをdataフォルダーに置いておきます。

↑

回帰分析用ソースコード †

カテゴリー分析用のソースコードを一部変更して作成した回帰分析用のソースコードはこんな感じです。

# Copyright 2016-2017 Tohgoroh Matsui All Rights Reserved.
#
# Changes:
# 2017-06-19 Changed for TensorFlow 1.2
#
#
# This includes software developed by Google, Inc.
# licensed under the Apache License, Version 2.0 (the 'License');
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an 'AS IS' BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

import tensorflow as tf
import numpy as np


# パラメーター
flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('samples',       400,    'Number of training samples.')
flags.DEFINE_integer('max_steps',     1001,   'Number of steps to run trainer.')
flags.DEFINE_float(  'learning_rate', 0.001,  'Initial learning rate.')
flags.DEFINE_float(  'dropout',       0.9,    'Keep probability for training dropout.')
flags.DEFINE_string( 'data_dir',      'data', 'Directory for storing data.')
flags.DEFINE_string( 'summaries_dir', 'log',  'Summaries directory.')


def train():
  # CSVファイルの読み込み
  data = np.genfromtxt(FLAGS.data_dir + '/housing.csv', delimiter=",")

  # データをシャッフル
  np.random.shuffle(data)

  # 学習データ (train) とテストデータ (test) に分割
  x_train, x_test = np.vsplit(data[:, 0:13].astype(np.float32), [FLAGS.samples])
  y_train, y_test = np.vsplit(data[:,13:14].astype(np.float32), [FLAGS.samples])


  # セッション
  sess = tf.InteractiveSession()

  # 入力
  with tf.name_scope('input'):
    x  = tf.placeholder(tf.float32, shape=[None, 13])

  # 出力
  with tf.name_scope('output'):
    y_ = tf.placeholder(tf.float32, shape=[None, 1])

  # ドロップアウトのキープ率
  with tf.name_scope('dropout'):
    keep_prob = tf.placeholder("float")
    tf.summary.scalar('dropout_keep_probability', keep_prob)

  # 重み（係数）
  def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

  # バイアス（定数項）
  def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

  # for TensorBoard
  def variable_summaries(var, name):
    with tf.name_scope('summaries'):
      mean = tf.reduce_mean(var)
      tf.summary.scalar('mean/' + name, mean)
      with tf.name_scope('stddev'):
        stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))
      tf.summary.scalar('sttdev/' + name, stddev)
      tf.summary.scalar('max/' + name, tf.reduce_max(var))
      tf.summary.scalar('min/' + name, tf.reduce_min(var))
      tf.summary.histogram(name, var)


  # ニューラル・ネットワークの層
  def nn_layer(input_tensor, input_dim, output_dim, layer_name, relu=True):
    with tf.name_scope(layer_name):
      with tf.name_scope('weights'):
        weights = weight_variable([input_dim, output_dim])
        variable_summaries(weights, layer_name + '/weights')
      with tf.name_scope('biases'):
        biases = bias_variable([output_dim])
        variable_summaries(biases, layer_name + '/biases')
      with tf.name_scope('Wx_plus_b'):
        preactivate = tf.matmul(input_tensor, weights) + biases
        tf.summary.histogram(layer_name + '/pre_activations', preactivate)
      if relu:
        activations = tf.nn.relu(preactivate, name='activation')
      else:
        activations = preactivate
      tf.summary.histogram(layer_name + '/acctivations', activations)
      return activations


  # 入力層
  hidden1 = nn_layer(x, 13, 64, 'layer1')
  dropped1 = tf.nn.dropout(hidden1, keep_prob)

  # 中間層
  hidden2 = nn_layer(dropped1, 64, 64, 'layer2')
  dropped2 = tf.nn.dropout(hidden2, keep_prob)

  # 出力層
  y = nn_layer(dropped2, 64, 1, 'layer3', relu=False)


  # 損失
  with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y_ - y))
    tf.summary.scalar('loss', loss)

  # 学習
  with tf.name_scope('train'):
    train_step = tf.train.AdagradOptimizer(FLAGS.learning_rate).minimize(loss)


  # for TensorBoard
  merged = tf.summary.merge_all()
  train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train', sess.graph)
  test_writer  = tf.summary.FileWriter(FLAGS.summaries_dir + '/test')
  tf.global_variables_initializer().run()


  # データとドロップアウト・キープ率の切り替え
  def feed_dict(train):
    if train:
      xs, ys = x_train, y_train
      k  = FLAGS.dropout
    else:
      xs, ys = x_test, y_test
      k  = 1.0
    return {x: xs, y_: ys, keep_prob: k}


  # 学習ルーチン
  for i in range(FLAGS.max_steps):
    # 学習
    sess.run(train_step, feed_dict=feed_dict(True))
    # 訓練データに対する評価
    summary, train_loss = sess.run([merged, loss], feed_dict=feed_dict(True))
    train_writer.add_summary(summary, i)
    # テスト・データに対する評価
    summary, test_loss, est = sess.run([merged, loss, y], feed_dict=feed_dict(False))
    test_writer.add_summary(summary, i)
    if i == 0 or i % np.power(10, np.floor(np.log10(i))) == 0:
      print('Train loss and test loss at step %s: %s, %s' % (i, train_loss, test_loss))


def main(_):
  if tf.gfile.Exists(FLAGS.summaries_dir):
    tf.gfile.DeleteRecursively(FLAGS.summaries_dir)
  tf.gfile.MakeDirs(FLAGS.summaries_dir)
  train()

if __name__ == '__main__':
  tf.app.run()

カテゴリー分析用のソースコードからの変更点は以下のようなものです。

housing.csvからデータを読み込む
訓練データを400個、残りをテスト・データに
入力ユニット13個、出力ユニット1個
出力層の活性化関数はなし（線形和をそのまま出力）
目的関数は平均二乗誤差
最適化アルゴリズムはAdagradOptimizer

↑

実行 †

(tensorflow) $ python3 tfr_housing.py
2017-06-19 19:18:56.446456: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 19:18:56.446483: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 19:18:56.446489: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-19 19:18:56.446494: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
Train loss and test loss at step 0: 224.93, 130.847
Train loss and test loss at step 1: 183.852, 85.3385
Train loss and test loss at step 2: 168.604, 68.0674
Train loss and test loss at step 3: 148.723, 60.0659
Train loss and test loss at step 4: 133.088, 56.0457
Train loss and test loss at step 5: 136.931, 53.1182
Train loss and test loss at step 6: 130.554, 51.7777
Train loss and test loss at step 7: 133.33, 50.4604
Train loss and test loss at step 8: 124.398, 49.5372
Train loss and test loss at step 9: 153.345, 48.7853
Train loss and test loss at step 10: 126.658, 48.1853
Train loss and test loss at step 20: 131.693, 44.5592
Train loss and test loss at step 30: 115.671, 43.4062
Train loss and test loss at step 40: 112.891, 43.2623
Train loss and test loss at step 50: 113.978, 43.1277
Train loss and test loss at step 60: 114.35, 43.1381
Train loss and test loss at step 70: 96.5845, 43.1183
Train loss and test loss at step 80: 102.218, 43.1819
Train loss and test loss at step 90: 105.793, 43.2823
Train loss and test loss at step 100: 105.103, 43.2404
Train loss and test loss at step 200: 96.8645, 42.1962
Train loss and test loss at step 300: 81.3204, 40.8889
Train loss and test loss at step 400: 75.9416, 40.0916
Train loss and test loss at step 500: 83.1751, 39.7313
Train loss and test loss at step 600: 77.3653, 39.0446
Train loss and test loss at step 700: 71.6672, 38.6893
Train loss and test loss at step 800: 74.5351, 38.3223
Train loss and test loss at step 900: 76.4663, 37.7926
Train loss and test loss at step 1000: 66.521, 37.3258

↑

TensorBoardによるログの確認 †

カテゴリー分析と同じです。

(tensorflow) $ tensorboard --logdir=log

機械学習/MacでTensorFlowを使う のバックアップ(No.13)

はじめに †

環境 †

Python3のインストール（アップデート） †

TensorFlowのインストール †

Virtualenvのインストール †

TensorFlowを動かす †

TensorFlowでカテゴリー分析をやってみる †

データの準備 †

カテゴリー分析用ソースコード †

実行 †

TensorBoardによるログの確認 †

TensorFlowで回帰分析をやってみる †

データの準備 †

回帰分析用ソースコード †

実行 †

TensorBoardによるログの確認 †

機械学習/MacでTensorFlowを使うのバックアップ(No.13)