```python
from glob import glob

# 画像の検索
image_files = glob('/home/imgs/*.png')  # * はワイルドカード
```


```python
import cv2
```


```python
%matplotlib inline
import matplotlib.pyplot as plt
```

# 画像の事前処理


```python
import os
HEIGHT, WIDTH = 50, 50  # 縮小後のサイズ
for image_file in image_files:
    # OpenCVでの画像の読み込み
    img = cv2.imread(image_file)
    # 画像の縮小
    img_small = cv2.resize(img, (WIDTH, HEIGHT))
    # 縮小後のファイル名
    img_small_file = './' + os.path.basename(image_file)
    # 画像の保存
    cv2.imwrite(img_small_file, img_small)
```


```python
import pandas as pd

# ラベルデータの読み込み
df = pd.read_csv('data.csv')
```

# 入力変数と出力変数の切り分け


```python
x, t = [], []

for (i, row) in df.iterrows():
    # 各行のデータからfilepathとlabelを取得
    filepath, label = row['filepath'], row['label']

    # 画像の読み込み
    img = cv2.imread(filepath)

    # RGBチャンネル(2)を一番前に持ってくる
    # + ０−１の範囲に正規化（255で割る）
    _x = np.transpose(img, (2, 0, 1)) / 255.0

    # リストに追加
    x.append(_x)  # 正規化した画像データ
    t.append(row['label'])  # ラベル
```


```python
import numpy as np

# numpyの形式に変換 + データ型の変更
x = np.array(x, dtype=np.float32)
t = np.array(t, dtype=np.int32)
```


```python
from chainer.datasets import tuple_dataset, split_dataset_random

# Chainer推奨のdataset形式
# dataset = list(zip(x, t))
dataset = tuple_dataset.TupleDataset(x, t)

# 訓練データ(50%)と検証データ(50%)に分割
n_train = int( len(dataset) * 0.5 )
train, test = split_dataset_random(dataset, n_train, seed=1)
```

# モデル定義


```python
import chainer
from chainer import Chain, Variable
import chainer.links as L
import chainer.functions as F
```


```python
class CNN(Chain):
    def __init__(self, n_units, n_output):
        super().__init__()
        with self.init_scope():
            self.conv1 = L.Convolution2D(in_channels=3, out_channels=12, ksize=3, stride=1)
            self.l1 = L.Linear(None, n_units)
            self.l2 = L.Linear(None, n_output)

    def __call__(self, x):
        z = F.relu(self.conv1(x))
        h1 = F.max_pooling_2d(z, 3, 3)
        h2 = self.l1(h1)
        return self.l2(h2)
```


```python
# モデルの宣言
cnn = CNN(50,2)
model = L.Classifier(cnn)
```


```python
# Optimizerの設定
optimizer = chainer.optimizers.Adam()
optimizer.setup(model)
```


```python
# Iteratorの設定
batchsize = 3
train_iter = chainer.iterators.SerialIterator(train, batchsize)
test_iter = chainer.iterators.SerialIterator(test, batchsize, repeat=False, shuffle=False)
```


```python
# Updateの設定
from chainer import training
updater = training.StandardUpdater(train_iter, optimizer)
```


```python
# Trainerとそのextensionsの設定
from chainer.training import extensions

epoch = 40
trainer = training.Trainer(updater, (epoch, 'epoch'), out='result')

# 評価データで評価
trainer.extend(extensions.Evaluator(test_iter, model))

# 学習結果の途中を表示する
trainer.extend(extensions.LogReport(trigger=(1, 'epoch')))

# １エポックごとに、trainデータに対するaccuracyと、testデータに対するaccuracyを出力させる
trainer.extend(extensions.PrintReport(['epoch', 'main/accuracy', 'validation/main/accuracy', 'elapsed_time']), trigger=(1, 'epoch'))
```


```python
trainer.run()
```

    epoch       main/accuracy  validation/main/accuracy  elapsed_time
    1           0.583333       0.5                       0.081398
    2           0.666667       0.916667                  0.127008
    3           0.916667       0.75                      0.172755
    4           0.916667       0.916667                  0.218207
    5           1              0.916667                  0.264898
    6           1              0.916667                  0.324137
    7           1              0.833333                  0.370681
    8           1              0.916667                  0.416805
    9           1              0.916667                  0.46221
    10          1              0.833333                  0.508246
    11          1              0.833333                  0.565425
    12          1              0.916667                  0.612338
    13          1              0.916667                  0.658242
    14          1              0.916667                  0.703609
    15          1              0.916667                  0.749522
    16          1              0.916667                  0.805929
    17          1              0.916667                  0.852826
    18          1              0.916667                  0.898924
    19          1              0.916667                  0.945089
    20          1              0.916667                  0.990832
    21          1              0.916667                  1.05026
    22          1              0.916667                  1.09726
    23          1              0.916667                  1.14336
    24          1              0.916667                  1.18942
    25          1              0.916667                  1.23655
    26          1              0.916667                  1.30444
    27          1              0.916667                  1.3509
    28          1              0.916667                  1.41909
    29          1              0.916667                  1.46566
    30          1              0.916667                  1.51978
    31          1              0.916667                  1.57249
    32          1              0.916667                  1.61922
    33          1              0.916667                  1.66567
    34          1              0.916667                  1.71288
    35          1              0.916667                  1.76941
    36          1              0.916667                  1.81707
    37          1              0.916667                  1.86409
    38          1              0.916667                  1.91094
    39          1              0.916667                  1.95727
    40          1              0.916667                  2.01688


# 学習結果を確認


```python
import json
with open('result/log') as f:
     logs = json.load(f)
```


```python
loss_train = [ log['main/loss'] for log in logs ]
loss_test  = [ log['validation/main/loss'] for log in logs ]
```


```python
plt.plot(loss_train, label='train')  # 訓練データ
plt.plot(loss_test,  label='test')  # 検証データ
plt.legend()  # 凡例表示
plt.show()
```


![png](output_22_0.png)



```python
accuracy_train = [ log['main/accuracy'] for log in logs ]
accuracy_test  = [ log['validation/main/accuracy'] for log in logs ]
```


```python
plt.plot(accuracy_train, label='train')  # 訓練データ
plt.plot(accuracy_test,  label='test')  # 検証データ
plt.legend()  # 凡例表示
plt.show()
```


![png](output_24_0.png)


# 予測値の計算（推論）


```python
for datum in test:
    _x, _t = datum
    # クラスの予測値を計算
    y = cnn(np.array([_x])) # cnnの中のコール関数が呼ばれている？()
    y = F.softmax(y).data    #  softmax関数で足して1になるようデータ調整
    index = np.argmax(y)     # もっとも値が大きいものを取得
    # 結果の表示
    print('教師データ： ', _t, ' 予測値: ', index, '予測値リスト', y)
```

    教師データ：  1  予測値:  1 予測値リスト [[ 0.04602067  0.95397931]]
    教師データ：  0  予測値:  0 予測値リスト [[ 0.82391012  0.17608985]]
    教師データ：  1  予測値:  1 予測値リスト [[ 0.00875639  0.9912436 ]]
    教師データ：  0  予測値:  0 予測値リスト [[ 0.8621484   0.13785164]]
    教師データ：  1  予測値:  1 予測値リスト [[ 0.01890844  0.98109162]]
    教師データ：  1  予測値:  1 予測値リスト [[ 0.00945963  0.99054039]]
    教師データ：  1  予測値:  1 予測値リスト [[ 0.00305405  0.99694592]]
    教師データ：  0  予測値:  1 予測値リスト [[ 0.38699657  0.61300349]]
    教師データ：  0  予測値:  0 予測値リスト [[ 0.98359168  0.01640825]]
    教師データ：  1  予測値:  1 予測値リスト [[ 0.10968747  0.89031249]]
    教師データ：  0  予測値:  0 予測値リスト [[ 0.98453289  0.01546716]]
    教師データ：  0  予測値:  0 予測値リスト [[ 0.97657734  0.0234226 ]]