Python ニューラルネットワークを使って,キャベツとレタスの判別をしてみた!

import keras

#ニューラルネットワークのモデルを定義するためのライブラリ
from keras.models import Sequential

#畳み込みの処理やプーリングの処理をするためのライブラリ
from keras.layers import Conv2D, MaxPooling2D

#Activationは活性化関数，Dropoutはドロップアウト処理，
#Flattenはデータを1次元に変換，Denseは全結合
from keras.layers import Activation, Dropout, Flatten, Dense

#Yの値を0と1に分割するために使う

from keras.utils import np_utils
import numpy as np

#クラスを作成
veg_classes = ["cabbage", "lettuce"]


#クラスの数（＝2）
num_veg_classes = len(veg_classes)


#画像のサイズを指定
image_size = 50

###学習用の関数を用意する###
def train_model(X, Y):
    
    model = Sequential()
    #------------------------------------------------
    model.add(Conv2D(32, 
                     kernel_size=(3,3), 
                     padding="same",
                     input_shape=X.shape[1:]))
    
    #マイナスの値を除去
    model.add(Activation("relu"))
    #------------------------------------------------ 
    model.add(Conv2D(32, 
                     kernel_size=(3,3)))
    
    model.add(Activation("relu"))
    
    model.add(MaxPooling2D(pool_size=(2,2))) 
    
    #過学習の抑制(ランダムでニューロンを無効化)
    #偏ったニューロンに依存しないため
    model.add(Dropout(rate=0.25))#25%無効化
    
    
    #------------------------------------------------
    model.add(Conv2D(64, 
                     kernel_size=(3,3), 
                     padding="same"))
    
    model.add(Activation("relu"))
    #------------------------------------------------
    model.add(Conv2D(64, 
                     kernel_size=(3,3)))
    
    model.add(Activation("relu"))
    
    model.add(MaxPooling2D(pool_size=(2,2)))
    
    model.add(Dropout(0.25))
    
    
    #------------------------------------------------
    model.add(Flatten())
    
    model.add(Dense(512))
    
    model.add(Activation("relu"))
    
    model.add(Dropout(0.5))
    
    model.add(Dense(num_veg_classes))
    
    model.add(Activation("softmax"))
    
    
    #------------------------------------------------
    #オプティマイザーを作成
    opt = keras.optimizers.RMSprop(learning_rate=0.0001, 
                                   decay=1e-6)
    
    #コンパイル
    model.compile(loss="categorical_crossentropy", 
                  optimizer=opt, 
                  metrics=["accuracy"])
    
    #学習
    model.fit(X, Y, batch_size=32, epochs=100)
    
    #モデルの保存
    model.save("./vegetables_cnn.hs")
    
    return model

###テスト用の関数を用意する###
def evaluate_model(model, X, Y):
    
    scores = model.evaluate(X, Y, verbose=1)
    
    print("Test Loss:", scores[0])

    print("Test Accuracy:", scores[1])

###メインの関数###
def main():
    #ファイルからデータの配列に読み込む
    X_train, X_test, Y_train, Y_test = np.load("./vegetables.npy", allow_pickle=True)
    
    #読み込んだデータの正規化
    X_train = X_train.astype("float")/256

    X_test = X_test.astype("float")/256
    
    #ラベルを1と0に分ける
    Y_train = np_utils.to_categorical(Y_train, num_veg_classes)

    Y_test = np_utils.to_categorical(Y_test, num_veg_classes)
    
    
    #学習用とテスト用の関数を持ってくる
    model = train_model(X_train, Y_train)

    evaluate_model(model, X_test, Y_test)


if __name__ == "__main__":
    main()