絵文字７種類＋裏面('null')＋絵文字なし('none')の９ラベルで学習．
kerasモデルで作成．構成は以下の通り．
model = Sequential()
model.add(Conv2D(12,kernel_size=(3,3),activation='relu',input_shape=(size,size,ch)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(18,kernel_size=(3,3),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(24,kernel_size=(3,3),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.3))
model.add(Dense(48,activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(32,activation='relu'))
model.add(Dense(emo_n,activation='softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
keras環境によっては load_model がうまくいかないかも． その場合はモデルのパラメータだけを保存してアップロードしなおすので，上記のモデルを作成しパラメータをロードさせる．
使用サンプルとして predictor.py を用意した． predict部分は # で囲った部分のみ．
モデルはデータをシャッフルして学習させたもの２つ用意した． 1つだと少し安定しないため，2つの出力の平均を取ることにする． また，出力はsoftmaxでラベルごとの確率として出るが，これが0.8以下であるときは絵文字の予測をせず'none'とする．
5つの絵文字＋各種裏面（ラベル一種）＋それ以外＝７ラベル予測
0.
1.
2.
3.
4.
5.
各種の裏面をすべてuraとして認識．
各ラベルに対して200枚ずつ画像を用意．
絵文字のデータセットは背景や画像内の位置に依存しないよう，移動しながら撮影．
それ以外ラベルのデータについてはwikipediaから収集した人物画像(1300枚程度，毎回ランダムに200選択)を用いた．
学習時はデータセットをランダムに訓練・検証・評価データ(8:1:1)に（各ラベルごとに）分ける．
model9.h5とmodel10.h5が最新で以上のラベルで学習済みである．