Cargar modelo entrenado con Keras para clasificar MNIST

Tutorial de Deep Learning con Keras para cargar un modelo entrenado con la base de datos MNIST.

El código completo de este post está disponible en libreta de Jupyter

Introducción

En el anterior tutorial hemos entrenado una red neuronal con Keras para clasificar la base de datos MNIST.
En este tutorial aprenderemos como cargar un modelo y realizar clasificaciones con el sin tener que realizar todo el proceso de entreno.

Importación de librerias

from keras.models import load_model
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
import math
from random import sample

Descarga de la base de datos MNIST

Aunque el modelo este entrenado ya, no almacena el conjunto de datos de test o entreno, por tanto, es necesario descargarlos de nuevo.

# Para descargar la base de datos MNIST
import tensorflow as tf
old_v = tf.logging.get_verbosity()
tf.logging.set_verbosity(tf.logging.ERROR)
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("data/MNIST/", one_hot=True)

Extracting data/MNIST/train-images-idx3-ubyte.gz Extracting data/MNIST/train-labels-idx1-ubyte.gz Extracting data/MNIST/t10k-images-idx3-ubyte.gz Extracting data/MNIST/t10k-labels-idx1-ubyte.gz

Guardar los datos de MNIST en diferentes variables

# Guardar las imagenes y etiquetas de entreno
images_train = mnist.train.images
labels_train = mnist.train.labels

# Guardar las imagenes y etiquetas de test
images_test = mnist.test.images
labels_test = mnist.test.labels

img_shape = (28, 28)

Importación de modelo entrenado

El modelo entrenado en el anterior tutorial ha sido nombrado modelo.keras . Es necesario incluir la ruta completa al modelo para ser cargado correctamente.
El modelo contiene almacenado la estructura de la red neuronal, el conjunto de matrices de pesos entrenadas. A continuacion se incluye la ruta al modelo y se carga.

Si no has entrenado la red neuronal del tutorial anterior y guardado el modelo no es posible cargarlo en este tutorial.

path_model = 'modelo.h5'

new_model = load_model(path_model)

Visualización de la estructura del modelo

Una vez cargado el modelo, no es necesario definir de nuevo toda la estructura de capas, ya está preparado para realizar clasificaciones.
A continuación se muestra el sumario del modelo:

new_model.summary()

_________________________________________________________________ Layer (type) Output Shape Param # ================================================================= reshape (Reshape) (None, 28, 28, 1) 0 _________________________________________________________________ layer_conv1 (Conv2D) (None, 28, 28, 16) 416 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 14, 14, 16) 0 _________________________________________________________________ layer_conv2 (Conv2D) (None, 14, 14, 36) 14436 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 7, 7, 36) 0 _________________________________________________________________ flatten (Flatten) (None, 1764) 0 _________________________________________________________________ dense (Dense) (None, 128) 225920 _________________________________________________________________ dense_1 (Dense) (None, 10) 1290 ================================================================= Total params: 242,062 Trainable params: 242,062 Non-trainable params: 0 _________________________________________________________________

Predicción con el modelo cargado

y_pred2 = new_model.predict(x=images_test)

# Obtencion de las etiquetas predichas
cls_pred2 = np.argmax(y_pred2,axis=1)

Comprobación de la precisión del modelo de manera manual

# Obtencion de las etiquetas verdaderas
true_labels2 = np.argmax(labels_test,axis=1)

# Obtencion vector booleano para ver que posiciones coinciden
possitions = cls_pred2 == true_labels2

# Numero de prediciones correctas dividido entre todas las prediciones
precision = sum(possitions)/len(true_labels2)

print("Precision : {0}%".format(precision))

Precision : 0.9771%

Función auxiliar para plotear imagenes

La siguiente función sirve para plotear 9 ejemplos de la base de datos MNIST, y indicar que número se trata. En el caso que se le pase lo que ha predicho la red ploteará las imágenes predichas correctamente con un marco verde y las mal predichas con un rectángulo rojo.

def plot_imagenes(imagenes, verdaderas, predichas=None):
    
    # Seleccionar 9 indices aleatorios para elegir las imagenes
    ind = sample(range(len(imagenes)),9)
    
    # Tomar las imagenes
    img = imagenes[ind]
    
    color = 'green'
    
    # Tomar las etiquetas verdaderas y predichas si las hay
    if predichas is None:
        etiq = verdaderas[ind]
    else:
        etiq = verdaderas[ind]
        pred = predichas[ind]
         
    # Crear la figura con 3x3 sub-plots
    fig, axes = plt.subplots(3, 3)
    fig.subplots_adjust(hspace=0.3, wspace=0.3)

    for i, ax in enumerate(axes.flat):
        # Plotear imagen.
        ax.imshow(img[i].reshape(img_shape), cmap='binary')

        # Mostrar los numeros verdaderos y predichos
        if predichas is None:
            xlabel = "Numero: {0}".format(etiq[i])
        else:
            xlabel = "Numero: {0}, Predicho: {1}".format(etiq[i], pred[i])
            
            
            if etiq[i] != pred[i]:
                color = 'red'
            
            ax.spines['bottom'].set_color(color)
            ax.spines['top'].set_color(color)
            ax.spines['left'].set_color(color)
            ax.spines['right'].set_color(color)
            color = 'green'

        # Mostrar los numeros en el eje x
        ax.set_xlabel(xlabel)
        
        # Borrar los ticks del plot
        ax.set_xticks([])
        ax.set_yticks([])
    
    plt.show()

Mostrar algunos ejemplos predichos

plot_imagenes(imagenes=images_test,
              verdaderas=true_labels2,
              predichas=cls_pred2)

by Pedro Fernando Rodenas Perez / GitHub