PythonとTensorFlowでモデルの予測結果を確認する方法

TensorFlowでは、「predict」メソッドとNumPyパッケージに含まれる「argmax」メソッドを組み合わせることで、モデルの予測結果を簡単に確認できます。

TensorFlowと転移学習の基礎知識

少なくとも1つの畳み込み層（Convolutional Layer）を含むニューラルネットワークは、畳み込みニューラルネットワーク（CNN）と呼ばれます。CNNを活用することで、高精度な画像認識などの学習モデルを構築できます。

画像分類における転移学習（Transfer Learning）の基本的な考え方は、「大規模で汎用的なデータセットで訓練されたモデルは、視覚世界における汎用モデルとして効果的に機能する」というものです。こうしたモデルはすでに特徴マップを学習済みのため、ユーザーは大規模データセットを使って巨大なモデルをゼロから訓練し直す必要がありません。

TensorFlow Hubは、事前訓練済みのTensorFlowモデルを集めたリポジトリです。これらのモデルを利用することで、学習モデルのファインチューニングを効率的に行えます。

本記事では、tf.kerasと組み合わせてTensorFlow Hubのモデルを使用する方法を解説します。まず、TensorFlow Hubから画像分類モデルを取得し、入力画像の内容を予測させます。この予測処理は、追加の訓練なしに実行可能です。さらに、転移学習を適用して、カスタム画像クラス向けにモデルをファインチューニングすることもできます。

実行環境について

以下のコードはGoogle Colaboratory上で実行しています。Google Colab（Colaboratory）はブラウザ上で直接Pythonコードを実行できる環境で、面倒な設定が一切不要です。さらに、GPU（グラフィックス処理装置）へ無料でアクセスでき、Jupyter Notebookをベースに構築されています。

コード例

print("予測結果を確認します")
predicted_batch = model.predict(image_batch)
predicted_id = np.argmax(predicted_batch, axis=-1)
predicted_label_batch = class_names[predicted_id]

コード出典：https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub

実行結果

予測結果を確認します

コードの解説

• model.predict(image_batch)：画像バッチをpredictメソッドに渡すことで、各画像に対する予測確率のバッチを取得します。
• np.argmax(predicted_batch, axis=-1)：axis=-1を指定してargmaxを実行すると、各画像ごとに最も確率の高いクラスのインデックスが求められます。
• class_names[predicted_id]：取得したインデックスを使ってクラス名リストから対応するラベルを取り出し、予測ラベルのバッチを作成します。

この処理により、以前表示したプロットを再作成し、モデルの予測が正しいかどうかを視覚的に確認できます。その際は、最初にクラス名の順序付きリストを取得しておくことがポイントです。