815 views

やりたいこと

PyTorchを使って、最もシンプルな実装例 を作りたい。

選んだテーマは
y = sin(x)
入力 x に対して、出力 y = sin(x) を学習するモデルを作ってみる。

やってみる

1) シンプル実装

入力値 x	-4π ～ 4π の範囲で等間隔に 1000点のデータを作成
・ x（訓練用）	xの中で、配列インデックスが偶数番目の要素を抽出
・ x（テスト用）	xの中で、配列インデックスが奇数番目の要素を抽出

Neural Networkの構成 ：
　[入力:1] – [隠れ:64] – [隠れ:64] – [出力:1]
　※[]内の数値は層内のニューロン数

画像作成 ：
　1000epochs完了時にテスト用データを使って予測値を算出し、グラフ表示する。

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt

#-------------------------------------------------------------------------------
# ニューラルネット定義
class SineApproximator(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear( 1, 64), nn.Tanh(),
            nn.Linear(64, 64), nn.Tanh(),
            nn.Linear(64,  1)
        )
    def forward(self, x):
        return self.model(x)

#-------------------------------------------------------------------------------
# データ作成
x_all = np.linspace(-4 * np.pi, 4 * np.pi, 1000)    # -2π～2πの範囲で等間隔に 1000個の点
y_all = np.sin(x_all)                               # y=sin(x)
# 偶数番目 → 訓練用        [start:stop:step]
x_train = x_all[::2]        # [先頭:終端:2step]
y_train = y_all[::2]        # [先頭:終端:2step]
# 奇数番目 → テスト用
x_test = x_all[1::2]        # [先頭+1:終端:2step]
y_test = y_all[1::2]        # [先頭+1:終端:2step]
# Tensor化
x_tensor          = torch.tensor(x_train, dtype=torch.float32).unsqueeze(1)     # 入力データ（train用）
y_tensor          = torch.tensor(y_train, dtype=torch.float32).unsqueeze(1)     # 正解データ（train用）
x_tensor_for_test = torch.tensor(x_test,  dtype=torch.float32).unsqueeze(1)     # 入力データ（test用）

#-------------------------------------------------------------------------------
# モデル・インスタンスを生成
model = SineApproximator()
criterion = nn.MSELoss()                                # 損失関数：   MSE
optimizer = optim.Adam(model.parameters(), lr=0.01)     # 勾配降下法： Adam

#-------------------------------------------------------------------------------
# 学習ループ
for epoch in range(1000):
    model.train()
    optimizer.zero_grad()
    outputs = model(x_tensor)
    loss = criterion(outputs, y_tensor)
    loss.backward()
    optimizer.step()
    if epoch % 100 == 0:
        print(f"Epoch {epoch}, Loss: {loss.item():.6f}")

#-------------------------------------------------------------------------------
# 結果の可視化（テストデータで評価）
model.eval()
with torch.no_grad():
    y_pred_test = model(x_tensor_for_test).numpy()
# グラフ表示
plt.plot(x_test, y_test,      label="True sin(x) [Test]", color='blue')
plt.plot(x_test, y_pred_test, label="Predicted [Test]",   color='red', linestyle='dashed')
plt.title("Sine Approximation: Test on Unused Indices")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.grid(True)
plt.legend()
plt.show()

もし matplotlibでグラフが表示されない場合は？

matplotlibの設定ファイルを見直す。
Python仮想環境のディレクトリ配下で matplotlibの設定ファイルを探す。

$ find . -name "matplotlibrc"

検出したファイル matplotlibrc を開き backend指定を書き換える。

$ vi matplotlibrc

#backend     : agg
backend      : tkagg

もし必要なら、python3-tkをインストールする。

$ sudo apt install python3-tk

これで再度実行してみる。
グラフが表示されるはず・・・

(2) アニメーション実装

モデルの学習でやっていることは、前記のシンプル実装とまったく同じ。

変更点：
　10epochsに一度テストデータを入力して推論を実行し、その出力値でグラフを作成する。
　全 1000 epochs終了時に、グラフを連結してアニメーションGIF画像を作る。

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
import io
from PIL import Image

#-------------------------------------------------------------------------------
# プロット画像をPIL形式で生成
def create_plot_image(x_train, y_true, x_test, y_pred, epoch):
    plt.figure(figsize=(8, 4))
    plt.plot(x_train, y_true, label="True sin(x)",                color="blue")
    plt.plot(x_test,  y_pred, label=f"Predicted (epoch {epoch})", color="red", linestyle="dashed")
    plt.title(f"Epoch {epoch}")
    plt.ylim(-1.0, 1.0)  # Y軸スケールを固定
    plt.legend(loc='upper right')
    plt.grid(True)
    plt.tight_layout()

    buf = io.BytesIO()
    plt.savefig(buf, format="png")
    buf.seek(0)
    img = Image.open(buf).convert("RGB")
    plt.close()
    return img

#-------------------------------------------------------------------------------
# ニューラルネット定義
class SineApproximator(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear( 1, 64), nn.Tanh(),
            nn.Linear(64, 64), nn.Tanh(),
            nn.Linear(64,  1)
        )
    def forward(self, x):
        return self.model(x)

#-------------------------------------------------------------------------------
# データ作成
x_all = np.linspace(-4 * np.pi, 4 * np.pi, 1000)    # -2π～2πの範囲で等間隔に 1000個の点
y_all = np.sin(x_all)                               # y=sin(x)
# 偶数番目 → 訓練用        [start:stop:step]
x_train = x_all[::2]        # [先頭:終端:2step]
y_train = y_all[::2]        # [先頭:終端:2step]
# 奇数番目 → テスト用
x_test = x_all[1::2]        # [先頭+1:終端:2step]
y_test = y_all[1::2]        # [先頭+1:終端:2step]
# Tensor化
x_tensor_train = torch.tensor(x_train, dtype=torch.float32).unsqueeze(1)     # 入力データ（train用）
y_tensor_train = torch.tensor(y_train, dtype=torch.float32).unsqueeze(1)     # 正解データ（train用）
x_tensor_test  = torch.tensor(x_test,  dtype=torch.float32).unsqueeze(1)     # 入力データ（test用）

#-------------------------------------------------------------------------------
# モデル・インスタンスを生成
model = SineApproximator()
criterion = nn.MSELoss()                                # 損失関数：   MSE
optimizer = optim.Adam(model.parameters(), lr=0.01)     # 勾配降下法： Adam
images = []                                             # GIF画像データ保存リスト

#-------------------------------------------------------------------------------
# 学習ループ
for epoch in range(1000):
    model.train()
    optimizer.zero_grad()
    outputs = model(x_tensor_train)                 # 順伝播
    loss = criterion(outputs, y_tensor_train)       # 誤差算出
    loss.backward()                                 # 逆伝播
    optimizer.step()                                # パラメータ更新
    # 画像生成
    if epoch % 10 == 0:
        model.eval()
        with torch.no_grad():
            y_pred = model(x_tensor_test).numpy()   # 推論
            img = create_plot_image(x_train, y_train, x_test, y_pred, epoch)
            images.append(img)
    # 経過表示
    if epoch % 100 == 0:
        print(f"Epoch {epoch}, Loss: {loss.item():.6f}")

#-------------------------------------------------------------------------------
# GIF出力
gif_path = "sine_training.gif"
images[0].save(gif_path, save_all=True, append_images=images[1:], duration=100, loop=0)
print(f"GIF saved as: {gif_path}")

---