# 見出しを書く
## 学習データ
* USBカメラを手持ちで撮影
* none, 1yen, 5yen, 10yen, 50yen, 100yen, 500yenの7種類
* 100枚* 7クラス= 700枚のデータ
## 学習
- 入力画像のターゲットサイズ: 32*32
- モデル: Conv2D
- 水増しパラメータ:
- 訓練時パラメータ:
- 学習結果:
## モデル

#モデルの定義
model = models.Sequential()

#入力部
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', kernel_initializer='he_normal', input_shape=(32, 32, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))

#中間部1
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', kernel_initializer='he_normal'))
model.add(MaxPooling2D(pool_size=(2, 2)))

#中間部2
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', kernel_initializer='he_normal'))

#中間部3
model.add(Flatten())
model.add(Dense(64, activation='relu', kernel_initializer='he_normal'))

#出力部
model.add(Dense(7, activation='softmax'))

#学習プロセスの設定
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

## 訓練時パラメータ

#モデルの訓練

batch_size_num = 16
epochs_num = 20

## 推論

F1 score : 0.4797443624140105
## 学習の改善
エポック数を20から100に変更

batch_size_num = 16
epochs_num = 100

F1 score : 0.8182231356492441
## 考察
エポック数をある程度上げることで、Data　Augmentationの効果が現れた
## まとめ
F1値の改善にはある程度の学習が必要だと考えられる