読者です 読者をやめる 読者になる 読者になる

鹿児島ハードチル同好会

情報学部の大学生です。深層学習(Tensorflow)とかUbuntuとか音楽とかガジェットに興味があります。バンドもしてたりする

【Twitter API】西野カナっぽい歌詞を自動生成するbotをつくった【形態素解析】

形態素解析西野カナbot

f:id:fuchami:20170216063410p:plain



大学で自然言語処理に関する講義を受講しました。
最終課題としてTwitter APIを用いて自動ツイートをするbotの作成を課されたので、自動で西野カナっぽい歌詞を生成するbotを作成。

データを収集する

とりあえず、西野カナの歌詞を大量に収集しなければいけません。
Twitter APIを用いるということで、歌詞もTwitter上から集めることに。
西野カナ歌詞botなるものがいくつも存在するためその中からこちらのアカウントを使用させて頂きました。

西野カナ 歌詞bot (@kanayan_lyrics) | Twitter
西野カナ歌詞bot (@kana_lyrics) | Twitter


データ収集コード

実際にツイートから歌詞を収集していきます。1回のツイート取得数は200ツイートまでなのですが、オプションパラメータであるmax_idを指定することによってそれより前のツイートを繰り返し取得していきます。

#-*- encoding:utf-8 -*-
import requests_oauthlib
import requests
import json
import sys, os

#ツイートの取得
def get_tw(account):
    session = requests_oauthlib.OAuth1Session(
        "XXXXXXXXXXXXXXXXXXX", #Consumer Key
        "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX", #Consumer Secret
        "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX", #Access Token
        "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX" #Access Token Secret    
    )
    url = 'https://api.twitter.com/1.1/statuses/user_timeline.json'
    res = session.get(url, params = {'screen_name': account, 'count':200,'include_rts':False})
    maxid = 0
    i = 0
    f = open("data.txt", "a")
    #ツイートを取得
    while True:
        res_text = json.loads(res.text)
        for r in res_text:
            if maxid > r['id'] or maxid == 0:
                maxid = r['id']
            tw = r['text'].encode('utf-8')
            f.write(tw)
            i = i +1
        if  500<= i:
            break
        res =  session.get(url, params = {'screen_name': account, 'count':200,'include_rts':False, 'max_id': r['id']-1})
    #APIの呼び出し・ステータスコード判定
    if res.status_code != 200:
        #正常終了しなければエラー表示
        print ("Twitter API Error: %d" % res.status_code)
        sys.exit(1)
    f.close()
    return 0
#main関数
def main():
    #ツイートを取得する
    get_tw("kanayan_lyrics")
    get_tw("kana_lyrics")
    print("ツイートを収集しました")
    return 0
if __name__ == "__main__":
    sys.exit(main())

収集結果

こんな感じで収集できました。だいぶ重複しているとは思いますが、文字数にして104020文字、5304行西野カナの歌詞を取得することができました。
なかなかカオスです。

f:id:fuchami:20170216055850p:plain



歌詞を生成する

分かち書き

歌詞の生成の前に、日本語を分かち書きする必要があります。
英語は単語ごとにスペースが区切られてますが日本語はそんなことがないため単語ごと(正確には形態素ごと)に分ける必要があります。
MeCabっていう形態素解析エンジンがあるのでこれを使用。

歌詞生成 マルコフ連鎖 (N-gramモデル)

さて、いよいよ歌詞を生成します。
今回はマルコフ連鎖を用いて歌詞を生成していきます。
マルコフ連鎖に関してはニコニコ大百科が非常に分かりやすいので一読することをおすすめします。
マルコフ連鎖とは (マルコフレンサとは) [単語記事] - ニコニコ大百科

今回は連鎖数3で作成。あまり増やしすぎるとオリジナルの歌詞そのままを生成してしまう(ような気がした)ので。

歌詞生成コード

#-*- encoding:utf-8 -*-

from requests_oauthlib import OAuth1Session
import requests
import json
import sys, os, re
import MeCab
import random

#Mecabによってわかちがきを行う
def wakati(text):
    #余計な文字列を除去
    text=re.sub(r'https?://[\w/:%#\$&\?\(\)~\.=\+\-…]+', "", text)
    text=re.sub('RT', "", text)
    text=re.sub('#kana_nishino', "", text)
    text=re.sub('/', "", text  )
    text=re.sub('#西野カナ', "", text)
    t = MeCab.Tagger("-Owakati")
    m = t.parse(text)
    result = m.rstrip(" \n").split(" ")
    return result

#連鎖数3のマルコフ連鎖にて文章生成
def create_tw(wordlist):
    markov = {}
    w1 = ""
    w2 = ""
    w3 = ""
    endword = ["。", "!", "?"]
    for word in wordlist:
        if w1 and w2 and w3:
            if(w1, w2, w3) not in markov:
                markov[(w1, w2, w3)] = []
            markov[(w1, w2, w3)].append(word)
        w1, w2, w3 = w2, w3, word
        
    count = 0
    sentence = ""
    w1, w2, w3 = random.choice(markov.keys())
    while count < len(wordlist):
        tmp = random.choice(markov[w1, w2, w3])
        #句読点などの区切りがついたら文章作成を終了
        if tmp in endword:
            break
        sentence += tmp
        w1, w2, w3 = w2, w3, tmp
        count += 1
        if count > 20:
            break
    return sentence

#main関数
def main():
    CK = 'XXXXXXXXXXXXXXXXXXXXXXXXX'                             
    CS = 'XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX'         
    AT = 'XXXXXXXXXXXXXXXXXX-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX' 
    AS = 'XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX'
   
    filename = "data.txt"
    src = open(filename, "r").read()
    # ツイート投稿用のURL
    url = "https://api.twitter.com/1.1/statuses/update.json"
    #わかち書き
    wordlist = wakati(src)
    #文の作成
    tw = create_tw(wordlist)
    # ツイート本文
    params = {"status": tw}
    # OAuth認証で POST method で投稿
    twitter = OAuth1Session(CK, CS, AT, AS)
    req = twitter.post(url, params = params)
    # レスポンスを確認
    if req.status_code == 200:
        print ("posted tweet:" + tw)
    else:
        print ("Error: %d" % req.status_code)    
    return 0

if __name__ == "__main__":
    sys.exit(main())
    

生成結果

上手く出来たものをいくつか紹介。
なかなか西野カナの雰囲気のが出てると思います。




失敗例

英単語が何故か単語ごとにスペースがなく見づらくなってしまいました。
いろいろやってみものの結局挫折。
pytnoで日本語と英語を扱うのはなかなかキツいっす。

【学割】Apple Musicに加入してる学生は早めにしたほうがいい

Apple Musicはいいぞ


ここ最近Google Play MusicからApple Musicに乗り換えたんですけど聴ける曲が多すぎでDigにヤバみが出てます。追いつかないですね。


そんなApple Musicは月額980円なのですが、学生向けの学割プランがありまして半額の月額480円で利用できます。
学生のありがたみが分かる。


f:id:fuchami:20170214052310p:plain


やり方


簡単です。すぐ出来ました。
Appleの公式ページに詳しく書いてますがまあみんな読むのだるいよね。

support.apple.com


既にApple Musicに加入していて、iPhoneで変更する場合

  1. musicのアプリを開く
  2. 下のバーの"For You"をタップ
  3. 右上のアイコンをタップ

f:id:fuchami:20170214052130p:plain


  1. 下の方に"登録"があるのでタップ

f:id:fuchami:20170214052248p:plain


  1. 利用登録欄に"学生(1ヶ月) 480円"があると思うのでタップ
  2. UNiDAYSから学生であるかどうかの確認をさせるのでがんばって証明してください

証明方法 (大学のメールアドレスを使わない方法)

学校から配布されるメール(@なんちゃら.ac.jpみたいなやつ)の入力がいるみたいなんですけどぶっちゃ使ってます?僕は使ってないです。なんだったかも覚えてないです。
じゃあどうすんのかって、こうします


学校のポータルにサインインします。一部の国では、学校の Wi-Fi ネットワークに接続されている状態で Apple Music のサービスにアクセスするか、学校用のメールアドレスを提示する必要があります (Apple Music の学生メンバーシップの提供状況については、こちらの記事でご確認ください)。サインイン後、学生としての在学が証明されたら、「Open this page in 'Music'? (このページをミュージック App で開きますか?)」というメッセージが表示されます。「Open (開く)」をタップしてミュージック App に戻り、登録手続きを最後まで進めてください。

引用元:Apple Music の学生メンバーシップを利用する - Apple サポート




ということで、大学のWi-Fiに接続しながらだったら別に自分の普段使いのメアドでもいけちゃいます。(僕はいけました。)
ポチポチやってて、ほいほいとその日には認証できました。
(学割プランが実際に適用されるのは翌月からです。)



このあたりは大学によりけりだったりすると思うのでそのときは大人しく大学のメールアドレスで認証を行って下さい。

【Tensorflow】人口知能に自分の数字を認識してもらった→できた

お久しぶりです

ブログの方を長らく放置していたのですがぼちぼち更新を始めようかと思います。
第1弾として、半年以上前に作成したこの記事。


fuchami.hatenadiary.jp


この続きです。

なにやってんの

ざっくり説明すると、TensorflowというGoogleが公開してるディープラーニング向けのライブラリがあるんですけど、それを使って数字認識を行おうというもの。
チュートリアルとして、公式ページに既にコードが記載されておりそれにそってディープラーニングを学んでいきます。
MNIST For ML Beginners  |  TensorFlow


読み漁った資料

英文の読めない語学力の低い私は有志の方々によって翻訳されたサイトや記事を読み漁りました。
このあたりを参考にさせていただきました。ありがとうございます。。。

qiita.com
qiita.com
qiita.com



そんでもってこれを元に学習していたものに自分で書いた数字を認識させようというもの。
既にこの方がされていましたのでこれを参考にコードを書いていきました。
qiita.com








やってくよ

今回はペイントで書いた0~9までの数字をフォルダにひとつにまとめて学習したものに食わせてみました。自分で書いた数字はこんな感じ。
f:id:fuchami:20170214024146p:plain

コードだよ

実際に書いたコードがこちらです。

# coding:utf-8

#TensorFlowをインポート
import tensorflow as tf
#MNISTデータのロード
#one hotとは配列の中で一つだけ1それ以外が0のこと
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import time
import os,sys
import numpy as np
from PIL import Image
from matplotlib import pylab as plt

#時間計測の開始
start = time.time()

sess = tf.InteractiveSession()

#プレースホルダーにてTFに計算を依頼
x = tf.placeholder("float", shape=[None, 784]) 
y_ = tf.placeholder("float", shape=[None, 10])

###############多層畳み込みネットワークの構築####################
#重みの初期化 tf.truncated_nomalではランダムな数値で初期化
def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

##畳み込み
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
##プーリング(次元削減)
#ksizeが2x2のピクセル枠作成
#stridesでピクセル枠の移動
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')
#######畳み込み層第1層############################
#5x5のフィルタにて32の特徴を計算
#2次元パッチサイズ、入力チャンネル数、出力チャンネル [5, 5, 1, 32]
W_conv1 = weight_variable( [5, 5, 1, 32] )
b_conv1 = bias_variable([32])

#xを4次元テンソルに作り変える
x_image = tf.reshape(x, [-1, 28, 28, 1])

#重みテンソルにバイアスを追加したものをReLU関数に適用(活性化)
#最大のプールをx_imageに畳み込む
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

#######畳み込み層第2層############################
#5x5のパッチにて64の特徴を計算

W_conv2 = weight_variable( [5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

########密集接続層######################
W_fc1 = weight_variable( [7*7*64, 1024] )
b_fc1 = bias_variable( [1024] )
#reshapeにてベクトルに戻す
h_pool2_flat = tf.reshape(h_pool2, [-1,7*7*64] )
#行列演算と重みを加算し活性化させる
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

######ドロップアウト(過学習防止)#####################
#トレーニング中にドロップアウトを音、テスト中はオフに
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

#########読みだし層#################
#ソフトマックス回帰を追加
W_fc2 = weight_variable( [1024, 10] )
b_fc2 = bias_variable( [10] )

#ソフトマックス回帰による正規化
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

#####訓練######
#コスト関数'クロスエントロピー'の定義
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
#最急降下法の定義
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

#評価を行う(正解率の算出)
correct_predition = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_predition, "float"))

#初期化
sess.run(tf.initialize_all_variables())
#学習データの保存
saver = tf.train.Saver()

if os.path.exists("./CNN.ckpt"): # 学習データがある場合
  saver.restore(sess, "CNN.ckpt") # データの読み込み
  print "学習データを読み込みました"
else: #学習データがない場合→学習を開始
  print "学習を開始します"
  for i in range(20000):
    batch = mnist.train.next_batch(50)
  if i%100 ==0:
    train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob: 1.0})
    print("学習回数: %d 回, training accuracy %g"%(i, train_accuracy))
  train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})
  ##学習パラメータの保存
  saver.save(sess, "CNN.ckpt")
  
#学習結果の表示
print("この学習の正解率は %g です"%accuracy.eval(feed_dict={ x: mnist.test.images, y_:mnist.test.labels, keep_prob: 1.0}))


#ここから手書きの文字を認識させる
#ファイルを開く
os.chdir("./data")
f = open('math.txt', 'r')

#1行毎に画像を読み込み、文字認識を行う
for line in f:
  #改行削除
  name = line.rstrip()
  #グレースケールとして画像の読み込み
  img = Image.open(name).convert('L')
  plt.imshow(img)
  #画像を28x28に変換
  img.thumbnail((28, 28))
  #フロート型の行列に変換
  img = np.array(img, dtype=np.float32)
  #黒0~255白の画像データをMNISTのデータと同じ白0~1黒に変える
  img = 1 - np.array(img / 255)
  img = img.reshape(1, 784)
  #学習データと読み込んだ数値との比較を行う
  p = sess.run(y_conv, feed_dict={x:img, y_: [[0.0] * 10], keep_prob: 0.5})[0]
  #最も可能性のある数字を表示
  print name+"の数字は"
  print (np.argmax(p))

#時間計測#
sess.close()
time = time.time() - start
print ("実行時間:{0}".format(time)) + "[sec]"

なにやってんの

前半のコードはチュートリアルのTutrial forExpertsをそのままやっただけです。
ポイントとしては後半部分。
MNISTのデータが1つの画素の中は白が0, 黒が1となるようなデータの形になってます。
ペイントで書いたようなもののデータは1つの画素の中は黒が0, 白が255となっています。
なので自分で書いた数字をこの形になおして学習器にわたします。

結果

実行した結果で上手くいったものがこちら。

f:id:fuchami:20170214024940p:plain

感想

ちゃんとそれぞれの数字を認識してくれてますね。
これは上手く行った例ですが、9とか7なんかが割と誤認識することが多かったです。
学習率が99%越えてるので恐らく手書き文字の渡し方が悪いんだと思います。ちょっとココらへんは詳しく調査したいところです。





余談

ちなみに学習時間なんですけど、Core i5のモバイル用CPUでやらせたら1時間半とかかかったので本格的に始める方はグラボ買ったほうがいいです。まじで。

f:id:fuchami:20170214025102p:plain