mnistの進化系データセットemnist

f:id:kumitatepazuru:20200725091016p:plain

この頃、とあるプロジェクトでmnist+αで英語文字があるデータセットあるかなと2週間くらいgoogleをさまよっていたら意外なところにあったので一応書いておく。

まず、どんなのか。
論文を読んで見る。
読み込み方法
こうなった。
最後に

まず、どんなのか。

もしかしたら聞いたことがあるかもしれないと思うが、名前はEMNISTという。正式名称はExtended MNIST。ササッと調べたので定かではないが、アメリカの政府が作っているっぽい。(nist)

f:id:kumitatepazuru:20200725091625p:plain

EMNISTのサイト（英語）

www.nist.gov

論文

https://arxiv.org/pdf/1702.05373v1.pdf

論文を読んで見る。

いろいろ書いてあるが個人的に気になったのは4ページ目の図の部分 f:id:kumitatepazuru:20200725092131p:plain

見てみると6つのデータセットをひっくるめてEMNISTと言っているようだ。

どういうのかをまとめたものが以下の表だ。

データセット名	説明	一文字ずつのサンプル数	クラス数	合計サンプル数
Balanced Dataset	すべて均等にデータがあるっぽい。データが集めにくかったのだろう小文字系はデータがない。	2800	47	131600
By_Merge Dataset	Balanced Datasetのデータ多くしたやつみたい。一文字ずつのサンプル数はものによって違うがやっぱり集めにくかったのだろう文字は入れられてない。	ものによって違う	47	814255
By_Class Dataset	By_Merge Datasetの集めにくかったのだろうものもできるだけ入れているようにしている。=英語26字*2+数字10合計62すべて揃うことになる。	ものによって違う	62	814255
Letters Dataset	数字なし、小文字英語なしの大文字英語のみのデータセット。5600サンプル/字とサンプル数も多め。	5600	26	145600
Digits Dataset	MNISTのサンプル数をいっぱい増やしたやつみたい。28000サンプル/字あり、MNISTよりもいいかも。	28000	10	280000
MNIST Dataset	普通のMNISTデータセット。7000サンプル/字。	7000	10	70000

今回は、英数字全部学習させたいため、By_Class Datasetを使用した。

読み込み方法

kerasにはEMNISTを読み込む手段が標準でないのでemnistパッケージを追加で入れた。

pypi.org

usageによると、以下のような使い方があるらしい。

データセットの種類を表示

  >>> from emnist import list_datasets
  >>> list_datasets()
  ['balanced', 'byclass', 'bymerge', 'digits', 'letters', 'mnist']

trainデータセットを読み込み

  >>> from emnist import extract_training_samples
  >>> images, labels = extract_training_samples('データセット名')
  >>> images.shape
  (240000, 28, 28)
  >>> labels.shape
  (240000,)

testデータセットを読み込み

  >>> from emnist import extract_test_samples
  >>> images, labels = extract_test_samples('データセット名')
  >>> images.shape
  (40000, 28, 28)
  >>> labels.shape
  (40000,)

こうなった。

kerasのmnistのサンプルを改造してみた。

'''Trains a simple convnet on the MNIST dataset.

Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, split between train and test sets
from emnist import extract_training_samples, extract_test_samples

x_train, y_train = extract_training_samples("byclass")

x_test, y_test = extract_test_samples('byclass')


if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

変えたのはここだけ

# the data, split between train and test sets
from emnist import extract_training_samples, extract_test_samples

x_train, y_train = extract_training_samples("byclass")

x_test, y_test = extract_test_samples('byclass')

簡単だね！