【Google Colaboratoryを試してみた】
はじめに
こんにちは、がんがんです。
普段学校ではUbuntuとGPUを使用しています。自宅PCのWindowsでもGPUが使えたらなーと思っていました。
そんな矢先、Jupyter Notebookについて調べているときにGoogle Colaboratoryに出会いました。
自宅にいてもGPUを使って実験できるように今回はGoogle Colaboratory(以下、Google Colab)を試してみました。そのときの備忘録です。
とりあえずPythonを使ってみる
こちらを参考にPythonを使ってみます。GPUはもちろんONにしています。
Google Colabを導入 - Qiita
しっかりとPython3系が動いています。
ライブラリを確認する
以下のコマンドでライブラリを確認します。!
!pip list
MNISTを試してみる
Google Colaboratoryの無料GPU環境を使ってみた – MISO
こちらを参考にしてMNISTを試していきます。
コードは以下の通りです。
from __future__ import print_function import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D from keras.utils import to_categorical from keras.optimizers import Adadelta from keras import backend as K batch_size = 128 num_classes = 10 epochs = 12 # input image dimensions img_rows, img_cols = 28, 28 # the data, split between train and test sets (x_train, y_train), (x_test, y_test) = mnist.load_data() if K.image_data_format() == "channels_first": x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols) x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols) input_shape = (1, img_rows, img_cols) else: x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1) x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1) input_shape = (img_rows, img_cols, 1) x_train = x_train.astype("float32") x_test = x_test.astype("float32") x_train /= 255. x_test /= 255. print("x_train shape:", x_train.shape) print(x_train.shape[0], "train samples") print(x_test.shape[0], "test samples") # convert class vectors to binary class matrices y_train = to_categorical(y_train, num_classes) y_test = to_categorical(y_test, num_classes) """ モデル構築 """ model = Sequential() model.add(Conv2D(32, 3, activation="relu", input_shape=input_shape)) model.add(Conv2D(64, 3, activation="relu")) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(128, activation="relu")) model.add(Dropout(0.5)) model.add(Dense(num_classes, activation="softmax")) """ コンパイル """ model.compile(loss="categorical_crossentropy", optimizer=Adadelta(), metrics=["accuracy"]) """ モデル学習 """ model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test)) """ モデル評価 """ score = model.evaluate(x_test, y_test, verbose=0) print("Test loss:", score[0]) print("Test accuracy:", score[1])
実行結果はこちらです。
x_train shape: (60000, 28, 28, 1) 60000 train samples 10000 test samples Train on 60000 samples, validate on 10000 samples Epoch 1/12 60000/60000 [==============================] - 12s 201us/step - loss: 0.2687 - acc: 0.9178 - val_loss: 0.0630 - val_acc: 0.9803 Epoch 2/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0893 - acc: 0.9739 - val_loss: 0.0444 - val_acc: 0.9844 Epoch 3/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0663 - acc: 0.9803 - val_loss: 0.0392 - val_acc: 0.9876 Epoch 4/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0548 - acc: 0.9835 - val_loss: 0.0355 - val_acc: 0.9881 Epoch 5/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0474 - acc: 0.9858 - val_loss: 0.0304 - val_acc: 0.9900 Epoch 6/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0423 - acc: 0.9877 - val_loss: 0.0279 - val_acc: 0.9906 Epoch 7/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0389 - acc: 0.9880 - val_loss: 0.0287 - val_acc: 0.9906 Epoch 8/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0338 - acc: 0.9897 - val_loss: 0.0295 - val_acc: 0.9905 Epoch 9/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0311 - acc: 0.9903 - val_loss: 0.0285 - val_acc: 0.9904 Epoch 10/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0314 - acc: 0.9911 - val_loss: 0.0293 - val_acc: 0.9901 Epoch 11/12 60000/60000 [==============================] - 9s 148us/step - loss: 0.0283 - acc: 0.9914 - val_loss: 0.0267 - val_acc: 0.9911 Epoch 12/12 60000/60000 [==============================] - 9s 147us/step - loss: 0.0288 - acc: 0.9910 - val_loss: 0.0277 - val_acc: 0.9912 Test loss: 0.02774012076819454 Test accuracy: 0.9912
ちゃんと学習できていますね。よかったよかった。
まとめ
無事にGoogle Colabを使うことが出来ました。作ったノートは貼っておくので参考までにどうぞ。
https://colab.research.google.com/drive/1Lc-a1BJJp8L96KpE-MvkJJTh8h6bn1Cc
無事に動いたので、次回はJupyter Notebookに書いたままの画風変換を動かしていきます。
