スマホ料金を極限に節約した話
お久しぶりですー！ゆうです☺️
ブログ更新めちゃめちゃサボってました...
最近、スマホ料金の格安プランが豊富になってきましたよね！
LINEMO、povo、ahamoなどなど...！
そんな中、自分も固定費の見直しを兼ねてY!mobileの新しいプランに契約変更してみました！ すると月々の料金がこんなに安く...！！！
月¥803になりました！おぉぉ安い！嬉しい！😂
具体的な内訳はこんな感じ
| 内容 | 料金 |
|---|---|
| プラン シンプルS(月3GB) | ¥1,980 |
| ユニバーサルサービス料 | ¥3 |
| 通話料 | ¥0 |
| おうち割り 光セット | ¥-1,080 |
| おうち割り 電気セット | ¥-100 |
| 合計 | ¥803 |
データだけのプランです！
通話料は通話しただけかかります
光セットとはSoftBank Airによる割引、電気セットとはSoftBank電気による割引になります
ちなみに先月のデータ使用料は1.04GBでした！
在宅勤務だし、外出も殆どしないので、ほぼWi-Fi環境下にいるんですよね〜 笑
外出する時も、出先では動画は見ない、アプリの動画自動再生OFFや画像の読み込みの画質を下げる、などデータ使用の節約設定をしています
通話はどうしてるの？と思う方もいるかもしれませんが、実はeSIMで楽天モバイル回線を契約しており、そちらで通話をまかなっています！
楽天モバイルはデータ使用料が月1GB以下なら、なんと基本使用料が¥0なんですよね！しかも通話も無料！
以前はソフトバンクを契約していたのですが、月¥5,000以上、スマホ本体分割料金と合わせると月¥9,000以上支払っていたので、それと比べると桁違いです！！
ほんとスマホ代が安くなって良かったな〜って思います☺️
格安スマホを検討してるよ、という方が居れば参考になると嬉しいです！
ではまた〜👋
Python と TensorFlow で作る画像判定 AI
こんにちは(＾＾)
Apple に毒された人こと、ゆうです
この前も iPhone 12 Pro と Apple Watch Series 6, Home Pod mini を買っちゃいました！
え、お金...？知らん...
最近、Udemy というオンライン学習サービスを利用して Deep Learnig と画像判定 AI の作成について勉強したので、復習も兼ねて書き連ねたいと思います
ご興味ある方は是非読んでいただけると嬉しいです！
初めにですが、めちゃめちゃ初学者がコーティングしてるので、なんだこれ？！ってのがあるかもですがあしからず。。。（むしろ何か気付いたらコメントとかで教えて欲しい）
普通に日頃から開発してる人は、自分にとって強すぎマンなので優しい目で軽く読んでいってくれると嬉しいです！
つくりたいもの
今回作っていくものは、動物の写真を与えたら
「これは猫ちゃんだ！！」「これは犬くんだ！！」
って教えてくれる単純な AI です
ここでは Animal Classifier AI と名付けることにします
開発中に猫の写真いっぱい集めてたんですけど、かわいくて癒されました〜
実行環境
Python は 3 系であればとりあえず大丈夫だと思います(3.6, 3.7, 3.8とか)
無難に Anaconda 3 を使って環境を構築をしました（楽だから 笑）
インストール方法の参考リンクも貼っておきます
ただし、Anaconda はめちゃめちゃ容量(6~7GB)を食うので余裕がない人は自前で構築した方がいいかも
元から持ってる Python 環境があればそれで十分
ちなみに、個人的には Pipenv を用いた環境構築がオススメ
qiita.com
開発フロー
おおまかに
- データ収集・生成
- データの前処理
- モデルの定義
- 教師あり学習・テスト・評価
- データ収集・生成
Flickr の利用と API Key の取得
さて、今回の Animal Classifier AI を作るには大量の教師データ（動物の画像）が必要です
でも、動物の画像ってどうやって沢山集めればいいん？？ってなると思います
Google 先生に尋ねて毎回ダウンロード...はしたくないです
そこで Flickr というとても便利なサイトを使ってプログラムから画像をダウンロードしていきます！ まずは、ここに会員登録(Sign up)をしてログイン(Sign in)しますSign in できたら画像のダウンロード用に API key を取得していきたいと思います
まずはサイトのアドレスバーに以下のように Services と追記して専用の "The App Garden" ページに遷移しますhttps://www.flickr.com/services/
"The App Garden" のページに来たら、以下のように "Create an App" をクリックします
03_Create_an_App 
04_Request_an_API_Key 商用利用かどうか聞かれるので、"NON-COMMERCIAL" を選択します
05_NON-COMMERCIAL どんなアプリケーションを作るために利用するのか？と聞かれるので、適切に記入します
今回はアプリ名を "AnimalClassifier" 、内容を "To create animal classifier with deep learning" としました
利用規約同意のためチェックボックスにチェックを入れ、"SUBMIT" を押します
06_Tell_us_about_your_app すると以下のように、"Key" と "Secret" が表示されるので、両方メモしておきます
後でこの Key をプログラムを書く際に利用します
ひとまずここまでお疲れ様でした！！👍
07_APIKey データ収集プログラムの作成
動物の画像をダウンロードしていきたいと思います！
やっと楽しくなってきました 笑
まずはデスクトップなどに画像とプログラムを入れるフォルダを作成します
僕は "AnimalAI" フォルダの配下に "cat" などの画像格納フォルを作りました
動物のフォルダ名はプログラムの都合上、小文字の英語の動物名を指定してください！
08_Folder ターミナル（Windows はコマンドプロンプト）を開き、Flickr API を使うためのライブラリ "flickrapi" を "pip" でインストールします
$ pip install flickrapi
では早速、画像をダウンロードと保存するプログラム "download.py" を書いていきます！
はいっ！！どん！# cording: utf-8 # download.py from flickrapi import FlickrAPI from urllib.request import urlretrieve from pprint import pprint # lsit や dict を綺麗に整形して print import os, time, sys # API key key = "****" # メモしておいた Key を入力 secret = "****" # メモしておいた Secret を入力 # request interval wait_time = 1 # saving directry animalname = sys.argv[1] savedir = "./" + animalname # json 形式で結果を取得 flickr = FlickrAPI(key, secret, format="parsed-json") result = flickr.photos.search( text = animalname, per_page = 400, # 400 枚 media = "photos", sort = "relevance", # 関連順にソート safe_search = 1, # UIコンテンツを表示しない extras = "url_q, licence" # 取得する情報 画像のurlとライセン情報 ) # result photos = result["photos"] # pprint(photos) # 確認用 for i, photo in enumerate(photos["photo"]): url_q = photo["url_q"] filepath = savedir + "/" + photo["id"] + ".jpg" if os.path.exists(filepath): continue # 重複画像の保存を避ける urlretrieve(url_q, filepath) # 画像の保存 time.sleep(wait_time) # サーバへのアクセス連発を避ける
実行する場合は第一引数で動物の名前を指定します
すると、先ほど作成したフォルダに該当する動物の画像が 400 枚保存されます！
（画像選別後に学習用に 300 枚以上欲しいので 400 にしてます）
念のため、for ループの部分を書く前に "pprint(photos)" で出力を確認してください
どうゆう形でデータが取得できているか分かると思います
問題なければ最後の for ループの箇所も書いて以下のように実行します$ python download.py cat
すると、たくさんの猫ちゃんがっ！！かわいい！！
同様に、他の動物ももう 2, 3 種類くらいダウンロードしましょう
09_cat データの前処理
画像の選定
画像がダウンロードできたら不要なデータを削除します
どうやるかと言うと...力技です 笑
地道に全ての画像を確認し、学習に不適切なものを削除します
ここでいう不適切な画像は、例えば猫の場合、人間と一緒に写っていたり、体の一部しか写ってなかったり、画像の大部分が背景だったり、そもそも猫ではなかったり、というものです
これらは学習に向いてないので削除して、しっかり顔や体が写っているものだけ残します僕の場合、
- 猫 399 -> 371
- 犬 400 -> 379
- 猿 400 -> 387
のように、それぞれ約 10 ~ 30 枚くらい削除しました
画像データを NumPy 配列へ変換
次に、選定した画像データを NumPy 配列に変換し、プログラムで扱いやすくします
ターミナルを開き、 Python で画像を扱うためのライブラリ "pillow" と機械学習のためのライブラリ "sklearn" をインストールします
$ pip install pillow $ pip install sklearn
インストールできたら、早速コードを書いていきましょう
今回は Numpy 配列のデータを生成すりプログラムなので、ファイル名を "gen_data.py" としました# cording: utf-8 # gen_data.py from PIL import Image import os, glob import numpy as np from sklearn import model_selection classes = ["cat", "dog", "monkey"] num_classes = len(classes) image_size = 50 # 画像を 50 pixel * 50 pixel にサイズ縮小 X = [] # 画像データ用リスト Y = [] # データのラベル用リスト # 画像の読み込み for index, classlabel in enumerate(classes): photos_dir = "./" + classlabel files = glob.glob(photos_dir + "/*.jpg") # glob で画像を探しに行く for i, file in enumerate(files): if i >= 300: break # 300 枚で終了する image = Image.open(file) image = image.convert("RGB") # RGB の 3 色に変換（0 ~ 255 で表現） image = image.resize((image_size, image_size)) # 画像のサイズ変更 data = np.asarray(image) # 数字の配列にする X.append(data) Y.append(index) # TensorFlow で扱い易いように NumPy に変換する X = np.array(X) Y = np.array(Y) # 学習用データとテストデータに分類 X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y) # 3:1 で分割 xy = (X_train, X_test, Y_train, Y_test) np.save("./animal.npy", xy) # 保存
書けたら実行しましょう!
$ python gen_data.py
実行ファイルと同じディレクトリに "animai.npy" という名前でデータが保存されていればOKです
もし中身が気になるなら、コードの最後に "print(xy)" と追記して確認してみてくださいモデルの定義
トレーニングを実行するコードの作成
ここまでの作業で学習データの準備ができたので、次にこのデータを学習させるコードを書いていきます
では始めに、ディープラーニングのためのライブラリ "keras" をターミナルからインストールします
また、学習済みモデルを保存するために "h5py" もインストールします
$ pip install keras $ pip install h5py
名前は、畳み込みのニューラルネットワークということで "animal_cnn.py" としました
Keras の公式サイトでは機械学習のためのサンプルコードがたくさん紹介されています！
今回の学習用のコードは以下を参考にしました作成したコードはこんな感じになりました！
（コメントアウト部分はほぼ自分用ですがよければ参考に）
簡単に説明すると、構成は以下のように 3 つから成り立ちます- main() : メイン関数
- model_train() : モデルを定義して学習させる関数
- model_eval() : モデルを評価する関数
今回は 150 回 (epochs = 150) 学習させるようにしました
# cording: utf-8 # animal_cnn.py from keras.models import Sequential # ニューラルネットワークのモデルの定義に使う from keras.layers import Conv2D, MaxPooling2D # 2次元の畳み込みとプーリングの処理 # 順に、活性化関数、ドロップアウト処理を行う関数、データを一次元化、全結合層を扱う関数 from keras.layers import Activation, Dropout, Flatten, Dense from keras.utils import np_utils import keras import numpy as np classes = ["cat", "dog", "monkey"] num_classes = len(classes) image_size = 50 # 画像を 50 pixel * 50 pixel にサイズ縮小 # main 関数 def main(): # データの読み込み X_train, X_test, Y_train, Y_test = np.load("./animal.npy", allow_pickle=True) # データの正規化、画像の色データ 0~255 の整数値を 0~1 小数値にする X_train = X_train.astype("float") / 256 X_test = X_test.astype("float") / 256 # one-hot-vector 正解値は 1 他は 0 になるよう変換する Y_train = np_utils.to_categorical(Y_train, num_classes) Y_test = np_utils.to_categorical(Y_test, num_classes) # model 生成 model = model_train(X_train, Y_train) # model 評価 model_eval(model, X_test, Y_test) # モデル生成 def model_train(X, Y): # モデルの作成 model = Sequential() # モデルの層を足す # 32個のフィルターでサイズ3*３ 畳み込み結果が同じサイズになるようピクセルを左右に足す 入力データ（画像）の形状は X_train （個数を除く） model.add(Conv2D(32,(3,3), padding="same", input_shape=X.shape[1:] )) model.add(Activation("relu")) # 正の値だけ通し、負の値は通さない model.add(Conv2D(32,(3,3))) model.add(Activation("relu")) model.add(MaxPooling2D(pool_size=(2,2))) # 一番大きい値を取り出す model.add(Dropout(0.25)) # 25パーセントを減らす model.add(Conv2D(64, (3,3), padding="same")) model.add(Activation('relu')) model.add(Conv2D(64, (3,3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) # データを一列に並べる model.add(Dense(512)) # 全結合層 model.add(Activation("relu")) model.add(Dropout(0.5)) # 半分残す model.add(Dense(3)) # 最後の出力層のノードは３つ model.add(Activation("softmax")) # それぞれの画像と一致している確率を足すと１になよう結果を変換 # 最適化処理 # トレーニング時の更新アルゴリズム lr:learning rate, decay:学習レートを下げる opt = keras.optimizers.RMSprop(lr=0.0001, decay=1e-6) # loss:損失関数 正解と推定との誤差, metrics:評価の値 model.compile(loss="categorical_crossentropy", optimizer=opt, metrics=["accuracy"]) model.fit(X, Y, batch_size=32, epochs=150) # epochs:トレーニングの回数 # モデルの保存 model.save("./animal_cnn.h5") return model # モデル評価 def model_eval(model, X, Y): scores = model.evaluate(X, Y, verbose=1) # verbose:途中で結果を表示する print("Test Loss : ", scores[0]) print("Test Acurracy : ", scores[1]) if __name__ == "__main__": main()
教師あり学習・テスト・評価
さて、頑張ってコードを書いたのであとは実行してモデル作成をしましょう！
そのままテスト画像を使った評価までしてしまいます
ちなみに CPU にやらせるとめちゃめちゃ時間がかかると思うので、もし可能なら GPU 環境での実行をお勧めします
環境によって GPU での実行方法が異なるのでここでは記載しませんが、気になったら「DeepLearing GPU」とか「TesorFlow GPU」とかで Google 先生に聞いてください 笑
自分は Mac なので参考にした Mac 用の記事を載せておきます（Windows の人ごめん）実行するぞ、えいや
$ python animal_cnn.py
僕の場合、出力結果は以下のようになりました
10_Result1 学習に使った画像での正当性 (accuracy) は 99 % に収束していてなかなかいい感じです！
ですが、テスト画像での正当性は 53.3 % しかない。。。むむむ精度向上
精度向上の考え方としては主に 3 つあるそうです
- データ量を増やす（学習画像の、枚数増量、反転、回転、平行移動、拡大 etc.）
- ハイパーパラメーター・アルゴリズの改良
- モデルを見直す（層やセルの数）
今回は 1 番簡単で効果的なデータ増量の手法を試します
具体的にはこんな感じ！- -20° から 20° まで 5° づつ回転（データ量 9 倍）
- 反転（データ量 2 倍）
同じ画像でも工夫することで 9 × 2 = 18 枚の別の画像として学習できます！
（下の画像は例として 10° づつ回転）
あ〜猫ちゃんがたくさんだぁ〜！！
11_Rotated_Reversed_Cat 先ほど作成した、"gen_data.py" を "gen_data_augmented.py" として改良していきます
基本的には画像データを回転させる処理と、テストデータの分類、保存するファイル名を変えただけです# cording: utf-8 # gen_data_augmented.py from PIL import Image import os, glob import numpy as np from sklearn import model_selection classes = ["cat", "dog", "monkey"] num_classes = len(classes) image_size = 50 # 画像を 50 pixel * 50 pixel にサイズ縮小 num_testdata = 100 X_train = [] # 画像データ用リスト X_test = [] Y_train = [] # データのラベル用リスト Y_test = [] # 画像の読み込み for index, classlabel in enumerate(classes): photos_dir = "./" + classlabel files = glob.glob(photos_dir + "/*.jpg") # glob で画像を探しに行く for i, file in enumerate(files): if i >= 300: break # 300 枚で終了する image = Image.open(file) image = image.convert("RGB") # RGB の 3 色に変換（0 ~ 255 で表現） image = image.resize((image_size, image_size)) # 画像のサイズ変更 data = np.asarray(image) # 数字の配列にする if i < num_testdata: X_test.append(data) Y_test.append(index) else: # 角度ごとに回転させた画像データと反転させた画像データを追加していく for angle in range(-20,20,5): # 回転 img_r = image.rotate(angle) data = np.asarray(img_r) X_train.append(data) Y_train.append(index) # 反転 img_trans = image.transpose(Image.FLIP_LEFT_RIGHT) data = np.asarray(img_trans) X_train.append(data) Y_train.append(index) # TensorFlow で扱い易いように NumPy に変換する X_train = np.array(X_train) X_test = np.array(X_test) Y_train = np.array(Y_train) Y_test = np.array(Y_test) xy = (X_train, X_test, Y_train, Y_test) np.save("./animal_aug.npy", xy) # 保存
出力ファイル名は animal_aug.npy としたので、"animal_cnn.py" で読みこむファイル名をこれに変更して実行します
そして、その結果がこれ！
12_Result2 テスト画像での正当性が 67 % と前回の 53.3 % より格段と良くなりました！
いい感じです👍
（でも、なんとか 70 % は超えたかった、、、！）まとめ
今回は Python で動物の画像判定 AI を作成したきました！
結果としてはもう少し改善が必要なものとなりましたが、まぁ初めてだしこんなもんでしょ？って正当化しておく
正直、学習アルゴリズムの層とかセル数をどう工夫したらいいか、あんまり分かっていないので頑張って勉強しようと思います！この記事が誰かの参考になれば幸いです
それでは〜👋
メルカリで物の整理をした話
こんにちは！ゆうです(＾＾)
年も明けて2021年🎍
今年もよろしくお願いします〜
せっかくなのでTwitterでも新年の抱負(?)を言ってみた
明けましておめでとうございます！🌅🎍🎌
— ゆう (@yukun0519) 2021年1月1日
今年は社会人3年目になるので、これまで以上に色々挑戦して成長する年にしたいです
資格や技術的なこと、そして人間性
これからもゆるーくTwitterライフを満喫するので皆さんよろしくお願いします！
(写真は感染症対策で12/31に初詣?をしてきたやつ) pic.twitter.com/LZk5nQZ9ki
さてさて、実は1年後くらいに引っ越しを控えていて、それに向けてコツコツと物の整理をしているんです
そんな物の整理のために、めちゃめちゃ使わせて貰っているのがメルカリ💰
実際の自分の売り実績はこんな感じで、割と何でもそれなりの価格で売れるんです！
写真や説明文もそんな拘っている訳ではなく、適当にやっても売れます
個人的にですが、売るときのポイントは以下かなと思います☺️
- 検索に引っかかりそうな商品タイトル
- 商品がしっかり写っている写真
- 商品状態の説明(未使用品、キズなし、など)
以上！
例えばこのイヤホンはこんな感じ
そもそも、ある商品を欲しいと思っているお客さんがいた場合、その商品性能や性質、市場価値はお客さん自身が勝手に調べてくれていたり把握してるので、売る側の自分はそこまで拘って文章書かなくても大丈夫なんですよね🙆♀️
あとは、ちゃんと丁寧に対応すれば、メルカリ内での良い評価が溜まっていきます
これがある意味、その人が丁寧に商品扱って梱包発送してくれる、という信用になるので、お客さんも安心して購入してくれるんですよね
とまぁこんな感じで、数万円くらいお小遣い稼ぎができました👍💰
物の整理ができるし、お金稼げるし、最高！
どうでしょうか？
皆さんもお家のクローゼットや押し入れで仕舞い込んだままになっている物を売ってみてはいかがですか？
何か質問やコメントがあればぜひ！
Twitterでも大丈夫です
それでは〜👋
奨学金を一括返済した話
こんにちは！(＾＾)ゆうです
突然ですが、口座から毎月引き落としされるのって嫌ですよねー...
クレジットカード支払い、光熱費、通信費、などなど
自分の場合このうちの１つに、奨学金の返済があります
毎月一万以上持っていかれるので、なかなかキツイ...😇
去年(2019)の10月から返済が始まったので、かれこれ1年は継続して毎月口座から持っていかれてます(ヤメロォぉぉおおお)
いや、分かってますよー
自分で借りたんだからちゃんと返せよ、と
でも分かっていても、なんとなく精神的に負担というか、毎月の口座引き落としなんか嫌だ 笑
なので、思い切って一括で返済したるわぁぁあ！？っと、やってしまいました
それがこれ
やったぜ
一括返済という荒技
気持ちいい！
これで少し肩の荷が降りた気がします
しかもこれ第二種奨学金(利子付き)なんです
なので、支払いが遅くなればなるほど返済額が増えていく...
そんな経緯もあり、今回一度に返済しました👍
がんばって節約してお金貯めておいて良かったぁ
めでたしめでたし
最後に余談ですが、日本での奨学金って言い方好きじゃないんですよねー
いわゆる借金なのに、それを隠してるかのような言い回し
本来奨学金って言うなら返済の義務が無いものを指して欲しい
自分みたいに返済しなきゃいけない場合は、ちゃんと"学生ローン"と言った方がいいと思うんですよね
と、余談でした 笑
今回はこんな感じで
バイ👋
カジュアルなレザーシューズを買った話
こんちには！(＾＾)ゆうです
早いもので今年も後少しですねー
いつもはガジェットばかりに散財してしまう自分ですが、最近ちょっと欲しいなーと思っていたのがレザーシューズ👞
ビジネス向けのガチっとしたの(The革靴)は一応3足持っているんですが、日頃使えるようなカジュアルなのは持ってないんですよねー
しかも最近はテレワークで会社にも行かないし、ましてやスーツも着なければ革靴も履かない...(圧倒的宝の持ち腐れ感)
でもレザーの質感や大人らしさが好きで、日常使いもしたいんです...！！やっぱ欲しい！
こうゆう背景もあり、思い切ってカジュアル系を購入しようと靴屋さんにショッピングしてきましたー！
そんで、今回購入したのがこの2足
- ROCKPORT スエードレザーシューズ(茶色い方)
- HAWKINS 防水仕様レザーシューズ(黒い方)
このダークブラウンのスエードレザーシューズ👞はもう一目惚れしてしまいました...！
店員さんにお願いして履かせてもらい、少し店内を歩いたり、しゃがんだり、軽くジャンプしたり 笑
くるぶしや踵も痛くなく、とても歩きやすかったです！
店員さん、私これ買いますっ！！
2足目に購入したのが、黒のレザーシューズ
こちらは結構迷いました...
1足目がスエードで茶色系だったので、もう1足はツヤがある黒系がいいなーって
沢山の靴が並ぶ棚の前で20〜30分は考えていたと思います
最終的には、靴の周囲の縫い目の色が気に入ってこれにしました☺️
その日はこんな感じでとても良い買い物ができたので、非常に満足気に帰宅
にしてもレザーなので金額が......
大丈夫だ...冬のボーナスがあるはず...
それと店員さんに言われるがままに、スエードのお手入れ用のスプレーを購入してしまいました 笑
今思うと、これはネットで調べてAmazonでもっと安く買えば良かったなと後悔
基本節約主義なので
でもせっかくだから長く履きたいし、お手入れも頑張っていきたいと思いまーす
- スエードコンディショナー
今回はこんな感じで
バイ👋
