MNISTのデータセットを使って畳み込み変分オートエンコーダ(keras)を使って実装したのですが，処理が重過ぎてとてもじゃないけど実行できません．
colab等を用いて実行し用途も思っているんですが，他のネットに転がっているコードよりも明らかに悪いので，コード自体もおかしいのかなと思っています．
もし良ければ，GitHubのMNISTTEST.pyがそのコードに当たるので，詳しい方がいれば改善策を教えてください．
----------------------------------以下GitHubのコード-------------------------
# -*- coding: utf-8 -*-
from keras.layers import Input, Dense,Lambda,Conv2D,Flatten,Reshape,Conv2DTranspose,MaxPooling2D,UpSampling2D
from keras.models import Model
from keras.datasets import mnist
from keras.losses import binary_crossentropy
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from keras import regularizers
from keras import backend as K
def plotHistory(history):
# 損失関数のグラフの軸ラベルを設定
plt.xlabel('time step')
plt.ylabel('loss')
# グラフ縦軸の範囲を0以上と定める
plt.ylim(0, max(np.r_[history.history['val_loss'], history.history['loss']]))
# 損失関数の時間変化を描画
val_loss, = plt.plot(history.history['val_loss'], c='#56B4E9')
loss, = plt.plot(history.history['loss'], c='#E69F00')
# グラフの凡例（はんれい）を追加
plt.legend([loss, val_loss], ['loss', 'val_loss'])
# 描画したグラフを表示
plt.show()
# MNISTデータを前処理する
(x_train, _), (x_test, _) = mnist.load_data()#使わないため_にしてる
img_size=x_train.shape[1]
x_train, x_valid = train_test_split(x_train, test_size=0.175)#訓練ようと試験用に分ける0.175は割合 過学習防止
x_train = x_train.astype('float32')/255.#int型を画素ちの最大255でわる．(正規化)
x_valid = x_valid.astype('float32')/255.
x_test = x_test.astype('float32')/255.
x_train = np.reshape(x_train,(len(x_train),img_size,img_size,1))#3次元データを2次元データにlenは要素数
x_valid = np.reshape(x_valid,(len(x_valid),img_size,img_size,1))#np.prodで1番目からの要素の積(784)
x_test = np.reshape(x_test,(len(x_test),img_size,img_size,1))
# 入力用の変数
input_img = Input(shape=(img_size, img_size, 1)) #28*28
batch_size = 64
ker_size = 3
latent_dim = 2
epoch =50
x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
shape = K.int_shape(x)
x=Flatten()(x)
x=Dense(16,activation='relu')(x)
z_mean = Dense(latent_dim)(x)
z_log_var = Dense(latent_dim)(x)
def sampling(args):
z_mean, z_log_var = args
batch = K.shape(z_mean)[0]
dim = K.int_shape(z_mean)[1]
#default=random_normal has mean=0 and std=1.0
epsilon = K.random_normal(shape=(batch, dim))
return z_mean + K.exp(0.5 * z_log_var) * epsilon
z = Lambda(sampling)([z_mean, z_log_var])
encoder = Model(input_img, [z_mean, z_log_var, z])
encoder.summary()
latent_inputs = Input(shape=(latent_dim,), name='z_sampling')
x = Dense(shape[1] * shape[2] * shape[3], activation='relu')(latent_inputs)
x = Reshape((shape[1], shape[2], shape[3]))(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
decoded = Conv2DTranspose(1, (3, 3), activation='sigmoid', padding='same')(x)
decoder = Model(latent_inputs, decoded)
decoder.summary()
decoded = decoder(encoder(input_img)[2])
autoencoder = Model(input_img, decoded)#入力と出力
# loss関数
# Compute VAE loss
reconstruction_loss = binary_crossentropy(K.flatten(input_img),
K.flatten(decoded))
reconstruction_loss *= img_size * img_size
kl_loss = 1 + z_log_var - K.square(z_mean) - K.exp(z_log_var)
kl_loss = K.sum(kl_loss, axis=-1)
kl_loss *= -0.5
vae_loss = K.mean(reconstruction_loss + kl_loss)
# AdaDeltaで最適化, loss関数はbinary_crossentropy
autoencoder.add_loss(vae_loss)
autoencoder.compile(optimizer='adam',loss='')
autoencoder.summary()
# autoencoderの実行
plotHistory(
autoencoder.fit(x_train,#kerasのfitメゾット
epochs=epoch,
batch_size=batch_size,
validation_data=(x_valid,None))
)
# 画像化して確認
decoded_img = autoencoder.predict(x_test)
n = 10#(表示個数)
plt.figure(figsize=(20, 4))#横インチ縦インチの大きさ
for i in range(n):
ax = plt.subplot(2, n, i+1)#何行何列何番目
plt.imshow(x_test[i].reshape(28, 28))
plt.gray()
ax.get_xaxis().set_visible(False)#軸の値非表示
ax.get_yaxis().set_visible(False)
ax = plt.subplot(2, n, i+1+n)
plt.imshow(decoded_img[i].reshape(28, 28))
plt.gray()
ax.get_xaxis().set_visible(False)
ax.get_yaxis().set_visible(False)
plt.show()
---------------------------------------
Comments