TensorFlowとPythonでトレーニング中の損失を可視化する方法

TensorFlowでは、matplotlibライブラリのplotメソッドを活用することで、トレーニングの進行に伴う損失（Loss）の変化を簡単にグラフとして可視化できます。

畳み込みニューラルネットワーク（CNN）とは

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を利用することで、画像認識などに適した学習モデルを構築できます。

転移学習の基本的な考え方

画像分類における転移学習（Transfer Learning）の直感的な考え方は次のとおりです。大規模かつ汎用的なデータセットで学習済みのモデルは、視覚世界における汎用モデルとして効果的に機能します。このようなモデルはすでに特徴マップ（Feature Maps）を学習しているため、ユーザーは大規模データセットで大規模モデルをゼロから訓練し直す必要がありません。

TensorFlow Hubは、事前学習済みの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して、学習モデルのファインチューニングを行うことができます。

TensorFlow Hubモデルの活用方法

ここでは、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。具体的には、TensorFlow Hubから画像分類モデルを取得し、入力された画像に対して予測を行います。事前学習済みの分類器モデルであれば、追加のトレーニングなしで画像認識を実行可能です。

さらに、転移学習を適用することで、カスタム画像クラスに対応したモデルへファインチューニングすることもできます。

Google Colaboratoryでの実行環境

本記事のコードはGoogle Colaboratory（Google Colab）で実行しています。Google Colabはブラウザ上でPythonコードを実行できる環境であり、設定不要でGPU（Graphical Processing Unit）にも無料でアクセスできます。Jupyter Notebookをベースに構築されている点も特徴です。

コード例：損失とトレーニングステップの可視化

print("Visualizing the data - loss versus training steps")
plt.figure()
plt.ylabel("Loss")
plt.xlabel("Training Steps")
plt.ylim([0,2])
plt.plot(batch_stats_callback.batch_losses)

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

実行結果

解説

• 数回のトレーニングイテレーション後、モデルが学習を進めている様子を確認できます。
• この進捗状況は、横軸を「トレーニングステップ」、縦軸を「損失」としたグラフとしてコンソール上に表示されます。
• 損失が減少傾向にあれば、モデルが正しく学習できていることを示しています。