Dropoutの効果を可視化してみる

4810 ワード
ニューラルネットワーク ニューラルネットワーク テキストリンク
Dropoutの効果を映画レビューの分類データを使って可視化してみる。
Dropoutのイメージ

引用:https://deepage.net/deep_learning/2016/10/17/deeplearning_dropout.html

データの読み込みと前処理

from keras.datasets import imdb
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

#データのベクトル化
import numpy as np
def vectorize_sequences(sequences, dimension=10000):

    results = np.zeros((len(sequences), dimension))

    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results

X_train = vectorize_sequences(train_data)
X_test = vectorize_sequences(test_data)

y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')

#訓練データと検証データに分ける
x_val = X_train[:10000]
x_train_partial = X_train[10000:]

y_val = y_train[:10000]
y_train_partial = y_train[10000:]

続いてモデルの定義

from keras import models
from keras import layers

model1 = models.Sequential()
model1.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model1.add(layers.Dense(16, activation='relu'))
model1.add(layers.Dense(1, activation='sigmoid'))

#コンパイル
from keras import losses
from keras import metrics
from keras import optimizers

model1.compile(optimizer=optimizers.RMSprop(lr=0.001), 
            loss=losses.binary_crossentropy, 
            metrics=[metrics.binary_accuracy])

そして学習

history1 = model1.fit(x_train_partial,
                     y_train_partial,
                     epochs=20,
                     batch_size=512,
                     validation_data = (x_val, y_val))

可視化

import matplotlib.pyplot as plt

history_dict1 = history1.history
loss_values1 = history_dict1['loss']
val_loss_values1 = history_dict1['val_loss']

epochs = range(1, len(loss_values1) + 1)

plt.plot(epochs, loss_values1, 'bo', label = 'Training loss')
plt.plot(epochs, val_loss_values1, 'b', label = 'Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

ここからが本題、Dropoutの効果を可視化してみる

改良モデルの定義、そしてコンパイル、学習

#元の層にDropout項を追加してみる
model2 = models.Sequential()
model2.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model2.add(layers.Dropout(0.5))
model2.add(layers.Dense(16, activation='relu'))
model2.add(layers.Dropout(0.5))
model2.add(layers.Dense(1, activation='sigmoid'))

model2.compile(optimizer=optimizers.RMSprop(lr=0.001), 
            loss=losses.binary_crossentropy, 
            metrics=[metrics.binary_accuracy])

history2 = model2.fit(x_train_partial,
                     y_train_partial,
                     epochs=20,
                     batch_size=512,
                     validation_data = (x_val, y_val))

最後にオリジナルモデルとの比較を可視化

history_dict2 = history2.history
loss_values2 = history_dict2['loss']
val_loss_values2 = history_dict2['val_loss']

epochs = range(1, len(loss_values2) + 1)


plt.plot(epochs, val_loss_values1, '+', label = 'Original model')
plt.plot(epochs, val_loss_values2, 'x', label = 'Dropout model')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Validation Loss')
plt.legend()
plt.show()

Validation lossが低下していることがわかる。