renom_img.api.classification

class VGG11 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

VGG11モデル

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • load_pretrained_weight ( bool , str ) -- 事前学習済みの重みを使うかどうかを指定します。VGG11には現在事前学習済みの重みが用意されていないため、Falseに設定するか、ユーザが事前に学習した重みのファイル名に設定する必要があります。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.vgg import VGG11
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG11(class_map, imsize=(224,224), load_pretrained_weight=False, train_whole_network=True)

注釈

VGG11には現在事前学習済みの重みが用意されていないため、 load_pretrained_weight を False に設定する必要があります。ImageNetで学習された重みを初期値として利用するには、VGG16、VGG19またはResNet/ResNeXt系のReNomモデルを利用してください。

参照

Karen Simonyan, Andrew Zisserman
Very Deep Convolutional Networks for Large-Scale Image Recognition
https://arxiv.org/abs/1409.1556

build_data ( )

この関数はVGG11用の入力データと出力データを作成します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = VGG11(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- VGG11への入力
戻り値: VGG11の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG11(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

VGG11アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = VGG11(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class VGG16 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

VGG16モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int or tuple ) -- 入力画像サイズ
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.vgg import VGG16
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG16(class_map, imsize=(224,224), load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Karen Simonyan, Andrew Zisserman
Very Deep Convolutional Networks for Large-Scale Image Recognition
https://arxiv.org/abs/1409.1556

build_data ( )

この関数はVGG16用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = VGG16(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- VGG16への入力
戻り値: VGG16への生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG16(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

VGG16アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = VGG16(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class VGG19 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

VGG19モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.vgg import VGG19
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG19(class_map, imsize=(224,224), load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Karen Simonyan, Andrew Zisserman
Very Deep Convolutional Networks for Large-Scale Image Recognition
https://arxiv.org/abs/1409.1556

build_data ( )

この関数はVGG19用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = VGG19(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- VGG19モデル
戻り値: VGG19の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = VGG19(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

VGG19アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = VGG19(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNet101 ( class_map=None , imsize=(224 , 224) , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNet101モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnet import ResNet101
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet101(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition
https://arxiv.org/abs/1512.03385

build_data ( )

この関数はResNet101用の入力データと出力データを作成します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNet101(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNet101への入力
戻り値: ResNet101の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet101(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNet101アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNet101(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNet152 ( class_map=None , imsize=(224 , 224) , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNet152モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnet import ResNet152
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet152(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition
https://arxiv.org/abs/1512.03385

build_data ( )

この関数はResNet152用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNet152(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNet152モデル
戻り値: ResNet152の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet152(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNet152アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNet152(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNet18 ( class_map=None , imsize=(224 , 224) , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNet18モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnet import ResNet18
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet18(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition
https://arxiv.org/abs/1512.03385

build_data ( )

この関数はResNet18用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNet18(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNet18への入力
戻り値: ResNet18の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet18(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNet18アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNet18(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNet34 ( class_map=None , imsize=(224 , 224) , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNet34モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnet import ResNet34
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet34(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition
https://arxiv.org/abs/1512.03385

build_data ( )

この関数はResNet34用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNet34(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNet34への入力
戻り値: ResNet34の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet34(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNet34アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNet34(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNet50 ( class_map=None , imsize=(224 , 224) , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNet50モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnet import ResNet50
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet50(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition
https://arxiv.org/abs/1512.03385

build_data ( )

この関数はResNet50用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNet50(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNet50への入力
戻り値: ResNet50の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNet50(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNet50アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNet50(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNeXt101 ( class_map=None , imsize=(224 , 224) , cardinality=32 , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNeXt101モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • cardinality ( int ) -- グループ畳み込み層のグループ数
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnext import ResNeXt101
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNeXt101(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Saining Xie, Ross Girshick, Piotr Dollar, Zhuowen Tu, Kaiming He
Aggregated Residual Transformations for Deep Neural Networks
https://arxiv.org/abs/1611.05431

build_data ( )

この関数はResNeXt101用の入力データと出力データを作成します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNeXt101(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNeXt101への入力
戻り値: ResNeXt101の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNeXt101(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNeXt101アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNeXt101(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class ResNeXt50 ( class_map=None , imsize=(224 , 224) , cardinality=32 , plateau=False , load_pretrained_weight=False , train_whole_network=False )

ResNeXt50モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map ( list , dict ) -- クラス名の配列
  • imsize ( int , tuple ) -- 入力画像サイズ
  • cardinality ( int ) -- グループ畳み込み層のグループ数
  • plateau ( bool ) -- エラープラトーが発生する場合に学習率を調整するかどうかを指定します。Trueならば、誤差がエラープラトーに入った場合、学習率を自動的に下げます。
  • load_pretrained_weight ( bool , str ) -- Trueならば、事前学習済みの重みがカレントディレクトリにダウンロードされます。文字列が与えられた場合は、重みはその名前で保存されます。
  • train_whole_network ( bool ) -- モデル全体を学習させる場合はTrue、そうでなければFalse

例 

>>> from renom_img.api.classification.resnext import ResNeXt50
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNeXt50(class_map, imsize=(224,224), plateau=True, load_pretrained_weight=True, train_whole_network=True)

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Saining Xie, Ross Girshick, Piotr Dollar, Zhuowen Tu, Kaiming He
Aggregated Residual Transformations for Deep Neural Networks
https://arxiv.org/abs/1611.05431

build_data ( )

この関数はResNeXt50用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = ResNeXt50(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- ResNeXt50への入力
戻り値: ResNeXt50の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = ResNeXt50(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

ResNeXt50アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = ResNeXt50(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class DenseNet121 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

DenseNet121モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map -- クラス名の配列
  • growth_rate ( int ) -- Growth rate of the number of filters.
  • imsize ( int or tuple ) -- 入力画像サイズ
  • train_whole_network ( bool ) -- True if the overal model is trained.

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger Densely Connected Convolutional Network https://arxiv.org/pdf/1608.06993.pdf

build_data ( )

この関数はDenseNet121用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = DenseNet121(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- DenseNet121への入力
戻り値: DenseNet121の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = DenseNet121(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

DenseNet121アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = DenseNet121(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class DenseNet169 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

DenseNet169モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map -- クラス名の配列
  • growth_rate ( int ) -- Growth rate of the number of filters.
  • imsize ( int or tuple ) -- 入力画像サイズ
  • train_whole_network ( bool ) -- True if the overal model is trained.

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger Densely Connected Convolutional Network https://arxiv.org/pdf/1608.06993.pdf

build_data ( )

この関数はDenseNet169用の入力データとターゲットデータを作成する関数を返します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = DenseNet169(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- DenseNet169への入力
戻り値: DenseNet169の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = DenseNet169(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

DenseNet169アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = DenseNet169(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class DenseNet201 ( class_map=None , imsize=(224 , 224) , load_pretrained_weight=False , train_whole_network=False )

DenseNet201モデル

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはILSVRC2012を使って学習しています.

パラメータ:
  • class_map -- クラス名の配列
  • growth_rate ( int ) -- Growth rate of the number of filters.
  • load_weight ( bool ) -- True if the pre-trained weight is loaded.
  • imsize ( int or tuple ) -- 入力画像サイズ
  • train_whole_network ( bool ) -- True if the overal model is trained.

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger Densely Connected Convolutional Network https://arxiv.org/pdf/1608.06993.pdf

build_data ( )

この関数はDenseNet201用の入力データと出力データを作成します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = DenseNet201(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- DenseNet201への入力
戻り値: DenseNet201の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = DenseNet201(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

DenseNet201アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = DenseNet201(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.
class DenseNetC10 ( class_map=None , imsize=(32 , 32) , load_pretrained_weight=False , train_whole_network=False )

CIFAR10データセット用のDenseNetモデル（100層）

もし引数load_pretrained_weightがTrueなら、事前学習済みの重みがダウンロードされます。事前学習の重みはCIFAR-10を使って学習しています.

パラメータ:
  • class_map -- クラス名の配列
  • growth_rate ( int ) -- Growth rate of the number of filters.
  • load_weight ( bool ) -- True if the pre-trained weight is loaded.
  • imsize ( int or tuple ) -- 入力画像サイズ
  • train_whole_network ( bool ) -- True if the overal model is trained.

注釈

事前学習のデータセットは1000クラスのため、もし引数num_classが1000でなかった場合は最後のDense層はリセットされます。

参照

Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger Densely Connected Convolutional Network https://arxiv.org/pdf/1608.06993.pdf

build_data ( )

この関数はDenseNetC10用の入力データと出力データを作成します。

戻り値: 入力データと出力データを作成する関数を返します。
戻り値の型: (function)

例 

>>> builder = model.build_data()  # This will return function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
fit ( train_img_path_list=None , train_annotation_list=None , valid_img_path_list=None , valid_annotation_list=None , epoch=136 , batch_size=64 , optimizer=None , augmentation=None , callback_end_epoch=None )

この関数は与えられたデータを元に学習を行います。

パラメータ:
  • train_img_path_list ( list ) -- クラス名の配列
  • train_annotation_list ( list ) -- クラス名の配列
  • valid_img_path_list ( list ) -- バリデーションの画像のパスのリスト
  • valid_annotation_list ( list ) -- バリデーション用のアノテーションのリスト
  • epoch ( int ) -- 学習時のエポック数
  • batch_size ( int ) -- バッチサイズ
  • augmentation ( Augmentation ) -- Augmentationオブジェクト
  • callback_end_epoch ( function ) -- 与えらえた関数は各エポックの終了時に呼ばれます。
戻り値:

学習誤差のリストとバリデーション誤差のリスト

戻り値の型:

(tuple)

例 

>>> train_img_path_list, train_annot_list = ... # Define train data
>>> valid_img_path_list, valid_annot_list = ... # Define validation data
>>> class_map = ... # Define class map
>>> model = DenseNetC10(class_map) # Specify any algorithm provided by ReNomIMG API here
>>> model.fit(
...     # Feeds image and annotation data
...     train_img_path_list,
...     train_annot_list,
...     valid_img_path_list,
...     valid_annot_list,
...     epoch=8,
...     batch_size=8)
>>>

以下の引数はcallback_end_epochに指定された関数に渡されます。

  • epoch (int) - 現在のエポック数
  • model (Model) - モデルオブジェクト
  • avg_train_loss_list (list) - 各エポックの平均学習誤差のリスト
  • avg_train_loss_list (list) - 各エポックの平均バリデーション誤差のリスト
forward ( x )

順伝播を実行します。この関数は__call__メソッドにより呼ぶことができます。

パラメータ: x ( ndarray , Node ) -- DenseNetC10への入力
戻り値: DenseNetC10の生の出力を返します。
戻り値の型: (Node)

例 

>>> import numpy as np
>>> x = np.random.rand(1, 3, 224, 224)
>>>
>>> class_map = ["dog", "cat"]
>>> model = DenseNetC10(class_map)
>>>
>>> y = model.forward(x) # Forward propagation.
>>> y = model(x)  # Same as above result.
loss ( x , y )

DenseNetC10アルゴリズムの誤差関数

パラメータ:
  • x ( ndarray , Node ) -- モデルの出力
  • y ( ndarray , Node ) -- ターゲット配列
戻り値:

xとy間の誤差

戻り値の型:

(Node)

例 

>>> builder = model.build_data()  # This will return a builder function.
>>> x, y = builder(image_path_list, annotation_list)
>>> z = model(x)
>>> loss = model.loss(z, y)
predict ( img_list , batch_size=1 , return_scores=False )

予測を実行します。引数には画像の配列、画像のパスのリストもしくは画像のパスが可能です。

パラメータ:
  • img_list ( ndarray , list , string ) -- 画像の配列、画像のパスのリストもしくは画像のパス
  • batch_size ( int ) -- 入力画像データの処理に使うバッチサイズ
  • return_scores ( bool ) -- 全クラスに対する推論結果のスコア値を返すかどうかのフラグ。デフォルトはFalse。
戻り値:

各画像に対する推論結果を返します。return_scoresフラグがTrueであれば、全クラスに対する推論スコア値も返します。

戻り値の型:

(array)

preprocess ( x )

与えられた配列に対して、前処理を実行します。

パラメータ: x ( ndarray , Node ) -- 前処理用の画像の配列
regularize ( )

誤差関数のL2正則化項

例 

>>> x = numpy.random.rand(1, 3, 224, 224)  # Input image
>>> y = ...  # Ground-truth label
>>>
>>> class_map = ['cat', 'dog']
>>> model = DenseNetC10(class_map)
>>>
>>> z = model(x)  # Forward propagation
>>> loss = model.loss(z, y)  # Loss calculation
>>> reg_loss = loss + model.regularize()  # Add weight decay term.