 View on TensorFlow.org
|
 Run in Google Colab
|
 View source on GitHub
|
ここでは、映画のレビューをそのテキストを使って肯定的か否定的かに分類します。これは、二値分類あるいは2クラス分類という問題の例であり、機械学習において重要でいろいろな応用が可能なものです。
ここでは、Internet Movie Databaseから抽出した50,000件の映画レビューを含む、 IMDB dataset を使います。レビューは訓練用とテスト用に25,000件ずつに分割されています。訓練用とテスト用のデータは均衡しています。言い換えると、それぞれが同数の肯定的及び否定的なレビューを含んでいます。
ここでは、TensorFlowを使ってモデルを構築・訓練するためのハイレベルなAPIである tf.kerasを使用します。tf.kerasを使ったもう少し高度なテキスト分類のチュートリアルについては、 MLCC Text Classification Guideを参照してください。
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow import keras
import numpy as np
print(tf.__version__)
2.1.0
IMDB datasetのダウンロード
IMDBデータセットは、TensorFlowにパッケージ化されています。それは前処理済みのものであり、（単語の連なりである）レビューが、整数の配列に変換されています。そこでは整数が辞書中の特定の単語を表します。
次のコードは、IMDBデータセットをあなたのパソコンにダウンロードします。（すでにダウンロードしていれば、キャッシュされたコピーを使用します）
imdb = keras.datasets.imdb
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
num_words=10000という引数は、訓練データ中に出てくる単語のうち、最も頻繁に出現する10,000個を保持するためのものです。データサイズを管理可能にするため、稀にしか出現しない単語は破棄されます。
データの観察
データの形式を理解するために少し時間を割いてみましょう。このデータセットは前処理済みで、サンプルそれぞれが、映画レビューの中の単語を表す整数の配列になっています。ラベルはそれぞれ、0または1の整数値で、0が否定的レビュー、1が肯定的なレビューを示しています。
print("Training entries: {}, labels: {}".format(len(train_data), len(train_labels)))
Training entries: 25000, labels: 25000
レビューのテキストは複数の整数に変換されており、それぞれの整数が辞書の中の特定の単語を表します。最初のレビューがどのようなものか見てみましょう。
print(train_data[0])
[1, 14, 22, 16, 43, 530, 973, 1622, 1385, 65, 458, 4468, 66, 3941, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670, 2, 9, 35, 480, 284, 5, 150, 4, 172, 112, 167, 2, 336, 385, 39, 4, 172, 4536, 1111, 17, 546, 38, 13, 447, 4, 192, 50, 16, 6, 147, 2025, 19, 14, 22, 4, 1920, 4613, 469, 4, 22, 71, 87, 12, 16, 43, 530, 38, 76, 15, 13, 1247, 4, 22, 17, 515, 17, 12, 16, 626, 18, 2, 5, 62, 386, 12, 8, 316, 8, 106, 5, 4, 2223, 5244, 16, 480, 66, 3785, 33, 4, 130, 12, 16, 38, 619, 5, 25, 124, 51, 36, 135, 48, 25, 1415, 33, 6, 22, 12, 215, 28, 77, 52, 5, 14, 407, 16, 82, 2, 8, 4, 107, 117, 5952, 15, 256, 4, 2, 7, 3766, 5, 723, 36, 71, 43, 530, 476, 26, 400, 317, 46, 7, 4, 2, 1029, 13, 104, 88, 4, 381, 15, 297, 98, 32, 2071, 56, 26, 141, 6, 194, 7486, 18, 4, 226, 22, 21, 134, 476, 26, 480, 5, 144, 30, 5535, 18, 51, 36, 28, 224, 92, 25, 104, 4, 226, 65, 16, 38, 1334, 88, 12, 16, 283, 5, 16, 4472, 113, 103, 32, 15, 16, 5345, 19, 178, 32]
映画のレビューはそれぞれ長さが異なっていることでしょう。次のコードで、最初と2つ目のレビューの単語の数を見てみます。ニューラルネットワークへの入力は同じ長さでなければならないため、後ほどその問題を解決する必要があります。
len(train_data[0]), len(train_data[1])
(218, 189)
整数を単語に戻してみる
整数をテキストに戻す方法を知っていると便利です。整数を文字列にマッピングする辞書オブジェクトを検索するためのヘルパー関数を定義します。
# 単語を整数にマッピングする辞書
word_index = imdb.get_word_index()
# インデックスの最初の方は予約済み
word_index = {k:(v+3) for k,v in word_index.items()}
word_index["<PAD>"] = 0
word_index["<START>"] = 1
word_index["<UNK>"] = 2 # unknown
word_index["<UNUSED>"] = 3
reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
def decode_review(text):
return ' '.join([reverse_word_index.get(i, '?') for i in text])
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/imdb_word_index.json 1646592/1641221 [==============================] - 0s 0us/step
decode_reviewを使うと、最初のレビューのテキストを表示できます。
decode_review(train_data[0])
"<START> this film was just brilliant casting location scenery story direction everyone's really suited the part they played and you could just imagine being there robert <UNK> is an amazing actor and now the same being director <UNK> father came from the same scottish island as myself so i loved the fact there was a real connection with this film the witty remarks throughout the film were great it was just brilliant so much that i bought the film as soon as it was released for <UNK> and would recommend it to everyone to watch and the fly fishing was amazing really cried at the end it was so sad and you know what they say if you cry at a film it must have been good and this definitely was also <UNK> to the two little boy's that played the <UNK> of norman and paul they were just brilliant children are often left out of the <UNK> list i think because the stars that play them all grown up are such a big profile for the whole film but these children are amazing and should be praised for what they have done don't you think the whole story was so lovely because it was true and was someone's life after all that was shared with us all"
データの準備
レビュー（整数の配列）は、ニューラルネットワークに投入する前に、テンソルに変換する必要があります。これには2つの方法があります。
- 配列をワンホット（one-hot）エンコーディングと同じように、単語の出現を表す0と1のベクトルに変換します。例えば、[3, 5]という配列は、インデックス3と5を除いてすべてゼロの10,000次元のベクトルになります。そして、これをネットワークの最初の層、すなわち、浮動小数点のベクトルデータを扱うことができるDense（全結合）層とします。ただし、これは単語数×レビュー数の行列が必要なメモリ集約的な方法です。
- もう一つの方法では、配列をパディングによって同じ長さに揃え、
サンプル数 * 長さの最大値の形の整数テンソルにします。そして、この形式を扱うことができるEmbedding（埋め込み）層をネットワークの最初の層にします。
このチュートリアルでは、後者を採用することにします。
映画レビューは同じ長さでなければならないので、長さを標準化する pad_sequences 関数を使うことにします。
train_data = keras.preprocessing.sequence.pad_sequences(train_data,
value=word_index["<PAD>"],
padding='post',
maxlen=256)
test_data = keras.preprocessing.sequence.pad_sequences(test_data,
value=word_index["<PAD>"],
padding='post',
maxlen=256)
サンプルの長さを見てみましょう。
len(train_data[0]), len(train_data[1])
(256, 256)
次に、パディング済みの最初のサンプルを確認します。
print(train_data[0])
[ 1 14 22 16 43 530 973 1622 1385 65 458 4468 66 3941
4 173 36 256 5 25 100 43 838 112 50 670 2 9
35 480 284 5 150 4 172 112 167 2 336 385 39 4
172 4536 1111 17 546 38 13 447 4 192 50 16 6 147
2025 19 14 22 4 1920 4613 469 4 22 71 87 12 16
43 530 38 76 15 13 1247 4 22 17 515 17 12 16
626 18 2 5 62 386 12 8 316 8 106 5 4 2223
5244 16 480 66 3785 33 4 130 12 16 38 619 5 25
124 51 36 135 48 25 1415 33 6 22 12 215 28 77
52 5 14 407 16 82 2 8 4 107 117 5952 15 256
4 2 7 3766 5 723 36 71 43 530 476 26 400 317
46 7 4 2 1029 13 104 88 4 381 15 297 98 32
2071 56 26 141 6 194 7486 18 4 226 22 21 134 476
26 480 5 144 30 5535 18 51 36 28 224 92 25 104
4 226 65 16 38 1334 88 12 16 283 5 16 4472 113
103 32 15 16 5345 19 178 32 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0]
モデルの構築
ニューラルネットワークは、層を積み重ねることで構成されます。この際、２つの大きな決定が必要です。
- モデルにいくつの層を設けるか？
- 層ごとに何個の隠れユニットを使用するか？
この例では、入力データは単語インデックスの配列で構成されています。推定の対象となるラベルは、0または1です。この問題のためのモデルを構築しましょう。
# 入力の形式は映画レビューで使われている語彙数（10,000語）
vocab_size = 10000
model = keras.Sequential()
model.add(keras.layers.Embedding(vocab_size, 16))
model.add(keras.layers.GlobalAveragePooling1D())
model.add(keras.layers.Dense(16, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))
model.summary()
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, None, 16) 160000 _________________________________________________________________ global_average_pooling1d (Gl (None, 16) 0 _________________________________________________________________ dense (Dense) (None, 16) 272 _________________________________________________________________ dense_1 (Dense) (None, 1) 17 ================================================================= Total params: 160,289 Trainable params: 160,289 Non-trainable params: 0 _________________________________________________________________
これらの層は、分類器を構成するため一列に積み重ねられます。
- 最初の層は
Embedding（埋め込み）層です。この層は、整数にエンコードされた語彙を受け取り、それぞれの単語インデックスに対応する埋め込みベクトルを検索します。埋め込みベクトルは、モデルの訓練の中で学習されます。ベクトル化のために、出力行列には次元が１つ追加されます。その結果、次元は、(batch, sequence, embedding)となります。 - 次は、
GlobalAveragePooling1D（１次元のグローバル平均プーリング）層です。この層は、それぞれのサンプルについて、シーケンスの次元方向に平均値をもとめ、固定長のベクトルを返します。この結果、モデルは最も単純な形で、可変長の入力を扱うことができるようになります。 - この固定長の出力ベクトルは、16個の隠れユニットを持つ全結合（
Dense）層に受け渡されます。 - 最後の層は、1個の出力ノードに全結合されます。シグモイド（
sigmoid）活性化関数を使うことで、値は確率あるいは確信度を表す0と1の間の浮動小数点数となります。
隠れユニット
上記のモデルには、入力と出力の間に、2つの中間層あるいは「隠れ」層があります。出力（ユニット、ノード、またはニューロン）は、その層の内部表現の次元数です。言い換えると、このネットワークが学習によって内部表現を獲得する際の自由度ということです。
モデルにより多くの隠れユニットがある場合（内部表現空間の次元数がより大きい場合）、または、より多くの層がある場合、あるいはその両方の場合、ネットワークはより複雑な内部表現を学習することができます。しかしながら、その結果として、ネットワークの計算量が多くなるほか、学習してほしくないパターンを学習するようになります。学習してほしくないパターンとは、訓練データでの性能は向上するものの、テスト用データの性能が向上しないパターンです。この問題を過学習（overfitting）といいます。この問題は後ほど検証することになります。
損失関数とオプティマイザ
モデルを訓練するには、損失関数とオプティマイザが必要です。今回の問題は二値分類問題であり、モデルの出力は確率（1ユニットの層とシグモイド活性化関数）であるため、損失関数としてbinary_crossentropy（2値のクロスエントロピー）関数を使用することにします。
損失関数の候補はこれだけではありません。例えば、mean_squared_error（平均二乗誤差）を使うこともできます。しかし、一般的には、確率を扱うにはbinary_crossentropyの方が適しています。binary_crossentropyは、確率分布の間の「距離」を測定する尺度です。今回の場合には、真の分布と予測値の分布の間の距離ということになります。
後ほど、回帰問題を検証する際には（例えば家屋の値段を推定するとか）、もう一つの損失関数であるmean_squared_error（平均二乗誤差）の使い方を目にすることになります。
さて、モデルのオプティマイザと損失関数を設定しましょう。
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
検証用データを作る
訓練を行う際、モデルが見ていないデータでの正解率を検証したいと思います。もとの訓練用データから、10,000個のサンプルを取り分けて検証用データ（validation set）を作ります。（なぜ、ここでテスト用データを使わないのでしょう？ 今回の目的は、訓練用データだけを使って、モデルの開発とチューニングを行うことです。その後、テスト用データを1回だけ使い、正解率を検証するのです。）
x_val = train_data[:10000]
partial_x_train = train_data[10000:]
y_val = train_labels[:10000]
partial_y_train = train_labels[10000:]
モデルの訓練
512個のサンプルからなるミニバッチを使って、40エポックモデルを訓練します。この結果、x_trainとy_trainに含まれるすべてのサンプルを40回繰り返すことになります。訓練中、検証用データの10,000サンプルを用いて、モデルの損失と正解率をモニタリングします。
history = model.fit(partial_x_train,
partial_y_train,
epochs=40,
batch_size=512,
validation_data=(x_val, y_val),
verbose=1)
Train on 15000 samples, validate on 10000 samples Epoch 1/40 15000/15000 [==============================] - 1s 83us/sample - loss: 0.6920 - accuracy: 0.5935 - val_loss: 0.6897 - val_accuracy: 0.7011 Epoch 2/40 15000/15000 [==============================] - 0s 26us/sample - loss: 0.6849 - accuracy: 0.6730 - val_loss: 0.6792 - val_accuracy: 0.7051 Epoch 3/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.6690 - accuracy: 0.7516 - val_loss: 0.6598 - val_accuracy: 0.7541 Epoch 4/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.6427 - accuracy: 0.7736 - val_loss: 0.6307 - val_accuracy: 0.7710 Epoch 5/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.6061 - accuracy: 0.7967 - val_loss: 0.5933 - val_accuracy: 0.7905 Epoch 6/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.5615 - accuracy: 0.8158 - val_loss: 0.5504 - val_accuracy: 0.8062 Epoch 7/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.5129 - accuracy: 0.8361 - val_loss: 0.5065 - val_accuracy: 0.8216 Epoch 8/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.4657 - accuracy: 0.8481 - val_loss: 0.4652 - val_accuracy: 0.8370 Epoch 9/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.4215 - accuracy: 0.8637 - val_loss: 0.4286 - val_accuracy: 0.8463 Epoch 10/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.3829 - accuracy: 0.8757 - val_loss: 0.4003 - val_accuracy: 0.8509 Epoch 11/40 15000/15000 [==============================] - 0s 26us/sample - loss: 0.3508 - accuracy: 0.8853 - val_loss: 0.3757 - val_accuracy: 0.8598 Epoch 12/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.3240 - accuracy: 0.8923 - val_loss: 0.3561 - val_accuracy: 0.8661 Epoch 13/40 15000/15000 [==============================] - 0s 26us/sample - loss: 0.3012 - accuracy: 0.8981 - val_loss: 0.3424 - val_accuracy: 0.8657 Epoch 14/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.2823 - accuracy: 0.9030 - val_loss: 0.3292 - val_accuracy: 0.8729 Epoch 15/40 15000/15000 [==============================] - 0s 26us/sample - loss: 0.2651 - accuracy: 0.9083 - val_loss: 0.3202 - val_accuracy: 0.8763 Epoch 16/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.2500 - accuracy: 0.9137 - val_loss: 0.3123 - val_accuracy: 0.8757 Epoch 17/40 15000/15000 [==============================] - 0s 26us/sample - loss: 0.2367 - accuracy: 0.9187 - val_loss: 0.3060 - val_accuracy: 0.8795 Epoch 18/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.2247 - accuracy: 0.9232 - val_loss: 0.3003 - val_accuracy: 0.8816 Epoch 19/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.2133 - accuracy: 0.9275 - val_loss: 0.2961 - val_accuracy: 0.8823 Epoch 20/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.2035 - accuracy: 0.9297 - val_loss: 0.2931 - val_accuracy: 0.8818 Epoch 21/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1941 - accuracy: 0.9339 - val_loss: 0.2913 - val_accuracy: 0.8827 Epoch 22/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.1844 - accuracy: 0.9385 - val_loss: 0.2885 - val_accuracy: 0.8848 Epoch 23/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1764 - accuracy: 0.9430 - val_loss: 0.2872 - val_accuracy: 0.8850 Epoch 24/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1686 - accuracy: 0.9451 - val_loss: 0.2861 - val_accuracy: 0.8850 Epoch 25/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1612 - accuracy: 0.9497 - val_loss: 0.2859 - val_accuracy: 0.8851 Epoch 26/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1542 - accuracy: 0.9518 - val_loss: 0.2860 - val_accuracy: 0.8856 Epoch 27/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1478 - accuracy: 0.9548 - val_loss: 0.2864 - val_accuracy: 0.8859 Epoch 28/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1420 - accuracy: 0.9573 - val_loss: 0.2884 - val_accuracy: 0.8842 Epoch 29/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1358 - accuracy: 0.9595 - val_loss: 0.2885 - val_accuracy: 0.8855 Epoch 30/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1303 - accuracy: 0.9613 - val_loss: 0.2910 - val_accuracy: 0.8852 Epoch 31/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1251 - accuracy: 0.9630 - val_loss: 0.2913 - val_accuracy: 0.8858 Epoch 32/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.1200 - accuracy: 0.9657 - val_loss: 0.2950 - val_accuracy: 0.8838 Epoch 33/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1150 - accuracy: 0.9687 - val_loss: 0.2959 - val_accuracy: 0.8854 Epoch 34/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.1108 - accuracy: 0.9696 - val_loss: 0.2982 - val_accuracy: 0.8852 Epoch 35/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1061 - accuracy: 0.9714 - val_loss: 0.3014 - val_accuracy: 0.8833 Epoch 36/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.1022 - accuracy: 0.9731 - val_loss: 0.3040 - val_accuracy: 0.8832 Epoch 37/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.0979 - accuracy: 0.9741 - val_loss: 0.3070 - val_accuracy: 0.8825 Epoch 38/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.0941 - accuracy: 0.9753 - val_loss: 0.3109 - val_accuracy: 0.8825 Epoch 39/40 15000/15000 [==============================] - 0s 27us/sample - loss: 0.0902 - accuracy: 0.9769 - val_loss: 0.3149 - val_accuracy: 0.8807 Epoch 40/40 15000/15000 [==============================] - 0s 28us/sample - loss: 0.0867 - accuracy: 0.9786 - val_loss: 0.3169 - val_accuracy: 0.8817
モデルの評価
さて、モデルの性能を見てみましょう。2つの値が返されます。損失（エラーを示す数値であり、小さい方が良い）と正解率です。
results = model.evaluate(test_data, test_labels, verbose=2)
print(results)
25000/25000 - 2s - loss: 0.3381 - accuracy: 0.8714 [0.33807795360565185, 0.8714]
この、かなり素朴なアプローチでも87%前後の正解率を達成しました。もっと高度なアプローチを使えば、モデルの正解率は95%に近づけることもできるでしょう。
正解率と損失の時系列グラフを描く
model.fit() は、訓練中に発生したすべてのことを記録した辞書を含むHistory オブジェクトを返します。
history_dict = history.history
history_dict.keys()
dict_keys(['loss', 'accuracy', 'val_loss', 'val_accuracy'])
4つのエントリがあります。それぞれが、訓練と検証の際にモニターしていた指標を示します。これを使って、訓練時と検証時の損失を比較するグラフと、訓練時と検証時の正解率を比較するグラフを作成することができます。
import matplotlib.pyplot as plt
acc = history_dict['accuracy']
val_acc = history_dict['val_accuracy']
loss = history_dict['loss']
val_loss = history_dict['val_loss']
epochs = range(1, len(acc) + 1)
# "bo" is for "blue dot"
plt.plot(epochs, loss, 'bo', label='Training loss')
# b is for "solid blue line"
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()
plt.clf() # 図のクリア
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()
上記のグラフでは、点が訓練時の損失と正解率を、実線が検証時の損失と正解率を表しています。
訓練時の損失がエポックごとに減少し、訓練時の正解率がエポックごとに上昇していることに気がつくはずです。繰り返すごとに指定された数値指標を最小化する勾配降下法を最適化に使用している場合に期待される動きです。
これは、検証時の損失と正解率には当てはまりません。20エポックを過ぎたあたりから、横ばいになっているようです。これが、過学習の一例です。モデルの性能が、訓練用データでは高い一方で、見たことの無いデータではそれほど高くないというものです。このポイントをすぎると、モデルが最適化しすぎて、訓練用データでは特徴的であるが、テスト用データには一般化できない内部表現を学習しています。
このケースの場合、20エポックを過ぎたあたりで訓練をやめることで、過学習を防止することが出来ます。後ほど、コールバックを使って、これを自動化する方法を紹介します。
#@title MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.