6. 推論

6.1 推論方法

前章までで作成されたモデル（ニューラルネットワークと最適化されたパラメータの組み合わせ）を用いて、 測定値または何らかの方法で作成されたS行列画像から誘電率分布を推定することを推論(inference)と呼びます。

図6-1に推論の手順を示します。
以下の2つのファイルを用意します。

1. fdtd.bin: テストデータ、FDTD法で出力されるfdtd.binと同じ書式で、 S行列に測定値または何らかの方法で作成されたもの（注1）を代入したもの。 誘電率は不要なのでダミー（例えばすべて0）でよい。（注2）
2. dlspa.pth: 前章までで作成されたモデルファイル

（注1）
テストデータをFDTD法で作成するときは、リスト5-1または5-2においてItest=1とし、 Ndataにデータ数を代入してください。 S行列差分をとったときは第1データは誘電体なしなのでNdataはテストデータ数+1となります。 また、S行列差分をとるには測定時に位相も必要になります。
（注2）
学習時にS行列差分を行ったときは同様にS行列差分を行ってください。

推論を行う前にリスト5-3を参考に dlspa.py の該当部分を編集してください。
推論を行うには下記のコマンドを実行してください。計算時間は一瞬です。

$ python dlspa.py 2
$ python dlspa.py 2 [datafile [modelfile]]  （引数で制御するとき）

推論結果を図形出力するには、必要なら post.py を編集した後、 下記のコマンドを実行してください。

$ python post.py

6.2 2次元モデルの推論結果例

図6-2に2次元モデルの5データの推論結果例を示します。
誘電体の誘電率分布を推定したものです。
誘電体の位置、形状、誘電率がほぼ正しく推定できていることがわかります。

6.3 3次元モデルの推論結果例

図6-3に3次元モデルの3データの推論結果例を示します。
誘電体の誘電率分布を推定したものです。
誘電体の位置、形状、誘電率がほぼ正しく推定できていることがわかります。

(a) データ#1（1個の立方体）

(b) データ#2（2個の立方体）

(c) データ#3（1個の球）