[PYTHON] Version Lua Deep Learning from scratch Part 5.5 [Rendre les fichiers pkl disponibles dans Lua Torch]

Articles précédents

Lua version Deep Learning from scratch 1 [Implémentation de Perceptron] Lua version Deep Learning from scratch 2 [Fonction d'activation] Lua version Deep Learning from scratch Part 3 [Implémentation d'un réseau neuronal à 3 couches] [Version Lua Deep Learning from scratch 4 [Implémentation de la fonction softmax]] (http://qiita.com/Kazuki-Nakamae/items/20e53a02a8b759583d31) Lua version Deep Learning from scratch Part 5 [Afficher l'image MNIST]

introduction

Cette fois, cela n'a rien à voir avec la ligne principale, mais je vais vous montrer comment rendre les données stockées dans le fichier pkl disponibles dans Lua. 　 ÉTAPE 1: Convertir le fichier pkl en fichier npz

Vous pouvez le faire avec le script suivant.

pkl2npz.py

#!/usr/local/bin/python3
# coding: utf-8

"""
Exportez le contenu du fichier pkl dans le fichier npz.
"""
__author__ = "Kazuki Nakamae <[email protected]>"
__version__ = "0.00"
__date__ = "22 Jun 2017"

import sys
import numpy as np
import pickle

def pkl2npz(infn, outfn):
    """
    @function   pkl2npz();
Exportez le contenu du fichier pkl dans le fichier npz.
    @param  {string} infn :Nom du fichier d'entrée
    @param  {string} outfn :Nom du fichier de sortie
    """

    with open(infn, 'rb') as f:
            ndarr = pickle.load(f)
            np.savez(outfn, W1=ndarr['W1'],W2=ndarr['W2'],W3=ndarr['W3'],b1=ndarr['b1'],b2=ndarr['b2'],b3=ndarr['b3'])

if __name__ == '__main__':
    argvs = sys.argv
    argc = len(argvs)

    if (argc != 3):   # Checking input
        print("USAGE : python3 pkl2npz.py <INPUT_PKLFILE> <OUTPUT_NPZFILE>")
        quit()

    pkl2npz(str(argvs[1]),str(argvs[2]))
quit()

pkl2npz.Exécuter py

$ python3 pkl2npz.py sample_weight.pkl sample_weight.npz

Une mise en garde est que vous devez connaître les éléments à l'avance. Dans ce cas, c'est un fichier pkl qui stocke les poids (W1, W2, W3) et le biais (b1, b2, b3) du NN à trois couches. 　 ÉTAPE 2: lire le fichier npz

Maintenant, chargeons le sample_weight.npz créé sur Lua. Sans tracas. Les personnes suivantes ont créé un package (npy4th) à cet effet. htwaijry/npy4th

npy4th installation

$ git clone https://github.com/htwaijry/npy4th.git
$ cd npy4th
$ luarocks make

Il est facile à utiliser et peut être lu en insérant simplement loadnpz ([nom de fichier]).

loadnpz()Comment utiliser

npy4th = require 'npy4th'

-- read a .npz file into a table
tbl = npy4th.loadnpz('sample_weight.npz')

print(tbl["W1"])

Résultat de sortie

Columns 1 to 6
-7.4125e-03 -7.9044e-03 -1.3075e-02  1.8526e-02 -1.5346e-03 -8.7649e-03
-1.0297e-02 -1.6167e-02 -1.2284e-02 -1.7926e-02  3.3988e-03 -7.0708e-02
-1.3092e-02 -2.4475e-03 -1.7722e-02 -2.4240e-02 -2.2041e-02 -5.0149e-03
-1.0008e-02  1.9586e-02 -5.6170e-03  3.8307e-02 -5.2507e-02 -2.3568e-02
(Omis)
 1.1210e-02  1.0272e-02
-1.2299e-02  2.4070e-02
 7.4309e-03 -4.0211e-02
[torch.FloatTensor of size 784x50]

Il a été correctement converti en type Tensor. Je ne l'ai pas présenté cette fois, mais vous pouvez lire les fichiers npy de la même manière. Cependant, bien qu'il se charge, veuillez noter qu'il n'y a aucune garantie qu'il se présentera sous la forme d'une matrice qui peut être utilisée telle quelle. La forme dépend de la forme du côté numpy. Si nécessaire, vous devrez redimensionner () etc. après cela. 　 en conclusion

Torch n'est pas populaire au Japon, mais je pense que ce serait plus facile à utiliser si de nombreuses ressources pouvaient être utilisées de cette manière. c'est tout. Merci beaucoup.