機械学習のExampleから覚えるPython(class:コンストラクタ)
今までPythonを感覚的に使っていたので、改めて文法を知ろうかなと。
その際にいま流行りの機械学習(深層学習)のExampleを例にすると
わかりやすいのかなと思ったので書いてみる。
※基本的には Python3.x系のつもりで記載してます
Example
https://www.tensorflow.org/tutorials/ に記載されている
import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
※本記事記載の時点のコードです。
class
model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ])
tf.keras.models.Sequential
は class
と呼ばれるもので定義されています。
実際のコードは こちらにあります。
@keras_export('keras.models.Sequential', 'keras.Sequential') class Sequential(Model):
さて、前回の記事では Sequential
クラス Model
は継承(基底クラス)というお話でした。
では、Exampleコードに書かれている
tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax)
の部分はどこにあたるのかを今回見ていきたいと思います。
コンストラクタ
Pythonでは、特殊な関数があります。
その一つが コンストラクタ: __init()__
になります。
クラスがインスタンスされた際に自動で呼び出されます。
では、実際の実装のほうを見てみたいと思います。
def __init__(self, layers=None, name=None): super(Sequential, self).__init__(name=name) self.supports_masking = True self._build_input_shape = None self._compute_output_and_mask_jointly = True self._layer_call_argspecs = {} # Add to the model any layers passed to the constructor. if layers: for layer in layers: self.add(layer)
実際のコードは こちら にあります。
self
はクラス自身を指すので、引数としては無視してください。
では、クラスをインスタンス(宣言)時に引数として渡していた
tf.keras.layers.***
はどの引数に該当するかというと layers
になります。
# Add to the model any layers passed to the constructor. if layers: for layer in layers: self.add(layer)
つまり、コンストラクタ(初期化)で行っている処理は
layers
が存在していれば(Noneでなければ)、layers
の配列数だけ
クラス自身のadd
関数を呼び出す です。
add
関数が何をしているかは確認してもらえればと思います。
デコンストラクタ
クラスが削除される際に自動で呼び出されます。
デコンストラクタ: __del()__
になります。
Sequential
クラスには実装がありませんね。
必要に応じて実装すればよいかと思いますが、あまり見た記憶がありません。
おまけ
TensorFlow公式ページでは、Kerasによる書き方がいくつか紹介されています。
独自のModelやLayerの書き方などもありますので、参考にすると良いかと思います。
今回のコンストラクタの話でいうと、このような書き方も記載されています。
model = tf.keras.Sequential() model.add(layers.Dense(16, activation='relu', input_shape=(10,))) model.add(layers.Dense(1, activation='sigmoid'))
引数なしで Sequential
クラスをインスタンスし、次行で add
関数で Layerを追加している書き方になります。
機械学習のExampleから覚えるPython(class:継承)
今までPythonを感覚的に使っていたので、改めて文法を知ろうかなと。
その際にいま流行りの機械学習(深層学習)のExampleを例にすると
わかりやすいのかなと思ったので書いてみる。
※基本的には Python3.x系のつもりで記載してます
Example
https://www.tensorflow.org/tutorials/ に記載されている
import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
※本記事記載の時点のコードです。
class
model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ])
tf.keras.models.Sequential
は class
と呼ばれるもので定義されています。
実際のコードは こちらにあります。
@keras_export('keras.models.Sequential', 'keras.Sequential') class Sequential(Model):
継承
class Sequential(Model):
このSequential
クラスは Model
クラスを継承しています。
Model
を「基底クラス」、Sequential
を「派生クラス」と言ったりします。
やっていることは、シンプルで Sequential
= Model
+ Sequential独自 という形で
Model
の関数や変数を Sequential
でも使えます。
Exampleで記述している
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
こちらの compile
やfit
、evaluate
関数は Sequential
のクラスコード内には記述がありません。
実際に記述されているのは Model
にあります。
確認したい方は こちらを参照してください。
多重継承
基底クラスを複数宣言できるというお話です。
class DerivedClassName(Base1, Base2, Base3): <statement-1> . . . <statement-N>
参考
さて、あとはSequential
クラスをインスタンスしている部分(初期化)と
演算子(Exampleでは x_train / 255.0 )さえ理解すれば題目の
Exampleコードはすべて理解できたことになりますね!
機械学習のExampleから覚えるPython(関数の引数)
今までPythonを感覚的に使っていたので、改めて文法を知ろうかなと。
その際にいま流行りの機械学習(深層学習)のExampleを例にすると
わかりやすいのかなと思ったので書いてみる。
※基本的には Python3.x系のつもりで記載してます
Example
https://www.tensorflow.org/tutorials/ に記載されている
import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
※本記事記載の時点のコードです。
関数の引数
前回 機械学習のExampleから覚えるPython(関数呼び出し)にて、load_data
関数の引数 path
が呼び出し時に省略されていることが確認できました。
関数の引数については3つの指定ができます。
- dafaultによる省略
- 引数を入力(引数名無し)
- 引数名を指定
defaultによる省略
関数定義側で、default値が設定している場合に
呼び出し側が default値で良い場合省略することができます。
- 関数定義側
def load_data(path='mnist.npz'):
- 呼び出し側
(x_train, y_train),(x_test, y_test) = mnist.load_data()
path
は mnist.npz
の値で処理されます。
引数を入力(引数名無し)
model.fit(x_train, y_train, epochs=5)
このコードを見てみます。
定義側はこのようになってます。
def fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0., validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False, **kwargs):
self
は一旦無視していただいて、x_train
, y_train
が fit
関数の
どの引数にあたるかというと、順番に設定しています。
つまり、以下のようになります。
# x=x_train, y=y_train model.fit(x_train, y_train, epochs=5)
引数名を指定
先ほどのコードの epochs
の設定が該当します。
model.fit(x_train, y_train, epochs=5)
fit
関数で定義されている epochs
を指定して 5
という値を入力しています。
可変長引数
関数の定義では、可変長引数 を定義することができます。
fit
関数でも最後の引数に出てきていた **kwargs
が該当します。
こちらのページが参考になると思いますので、リンク貼っときます。
機械学習のExampleから覚えるPython(関数呼び出し)
今までPythonを感覚的に使っていたので、改めて文法を知ろうかなと。
その際にいま流行りの機械学習(深層学習)のExampleを例にすると
わかりやすいのかなと思ったので書いてみる。
※基本的には Python3.x系のつもりで記載してます
Example
https://www.tensorflow.org/tutorials/ に記載されている
import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
※本記事記載の時点のコードです。
関数の呼び出し
mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data()
tf.keras.datasets.mnist
のload_data
関数を呼んでいます。
その返り値を x_train
,y_train
, x_test
,y_test
に代入しています。
load_data
関数はこちらで定義されています。
@keras_export('keras.datasets.mnist.load_data') def load_data(path='mnist.npz'):
「@」(デコレータ)は今後書こうと思います。
呼び出しの時に 引数path
は default : mnist.npz
のままで良いということで省略してますね。
return
としても以下で定義されているためそのまま格納ですね!
return (x_train, y_train), (x_test, y_test)
返り値の受け取りについては後々...
機械学習のExampleから覚えるPython(import)
今までPythonを感覚的に使っていたので、改めて文法を知ろうかなと。
その際にいま流行りの機械学習(深層学習)のExampleを例にすると
わかりやすいのかなと思ったので書いてみる。
※基本的には Python3.x系のつもりで記載してます
Example
https://www.tensorflow.org/tutorials/ に記載されている
import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test)
※本記事記載の時点のコードです。
import
本コードに適用するパッケージを記述します。
パッケージとは __init__.py
があるディレクトリ構想のものを示します。
Python 3.3以降では __init__.py
がなくても良いみたいです。
import module as identifier
import tensorflow as tf
tensorflow
パッケージを読みこみ、tf
と定義する。
もし、
import tensorflow
だけであれば、その後のコードは
mnist = tensorflow.keras.datasets.mnist
と書かないとエラーになります。
from relative_module import identifier
https://www.tensorflow.org/tutorials/keras/basic_classification より
# TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras
from
を使った記述があります。
これは、tensorflow
パッケージにある keras
モジュールを呼び出してます。
その後のコードでは、keras
から記述することができます。
fashion_mnist = keras.datasets.fashion_mnist
最初の import - as で書くと
fashion_mnist = tf.keras.datasets.fashion_mnist
import時の検索範囲
その他
「,」区切り
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau
とか書くことができます。
import xxx
でも書けますが、Pythonのスタイルガイドでは非推奨らしいです。
「*」
from tensorflow import *
ですべてのモジュールをインポートすることができます。
ただ、個人的には自分で書いたライブラリ以外は必要分しかimport
しないようにしてます。
追加(相対インポート)
コメントいただいたので、該当するリンクページ載せときます。