TensorFlowのEstimatorを使って学習済みモデルから予測を行う方法

TensorFlowをEstimatorと組み合わせて使用すれば、「classifier」に用意されている「predict」メソッドを呼び出すだけで、新しいデータに対する予測出力を簡単に取得できます。

関連記事: TensorFlowとは何か？KerasがTensorFlowと連携してニューラルネットワークを構築する仕組み

本記事ではKeras Sequential APIを使用します。このAPIは、各レイヤーが必ず1つの入力テンソルと1つの出力テンソルを持つ、シンプルなレイヤー積み重ね構造の逐次モデル（Sequentialモデル）を構築するのに適しています。

畳み込みニューラルネットワーク（CNN）を利用することで、画像認識などのタスクに対応した学習モデルを効率的に構築できます。

また、TensorFlow TextにはTensorFlow 2.0で利用可能なテキスト関連のクラスやオペレーションがまとめられており、系列モデリングの前処理などにも活用できます。

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Pythonコードを実行できる環境で、事前設定は一切不要。GPU（グラフィックス処理装置）へも無料でアクセスでき、Jupyter Notebookをベースに構築されています。

Estimatorとは、TensorFlowにおける完全なモデルの高レベルな抽象表現です。スケーリングのしやすさと非同期トレーニングへの対応を目的として設計されています。

ここでは、アヤメ（Iris）データセットを使ってモデルを学習させます。特徴量は4つ、ラベルは1つです。

• がく片の長さ（sepal length）
• がく片の幅（sepal width）
• 花びらの長さ（petal length）
• 花びらの幅（petal width）

コード例

print("Generating predictions from model")
expected = ['Setosa', 'Versicolor', 'Virginica']
predict_x = {
    'SepalLength': [5.1, 5.9, 6.9],
    'SepalWidth': [3.3, 3.0, 3.1],
    'PetalLength': [1.7, 4.2, 5.4],
    'PetalWidth': [0.5, 1.5, 2.1],
}
print("Defining input function for prediction")
print("It converts inputs to dataset without labels")
def input_fn(features, batch_size=256):
    return tf.data.Dataset.from_tensor_slices(dict(features)).batch(batch_size)
predictions = classifier.predict(
    input_fn=lambda: input_fn(predict_x))

コード引用元 − https://www.tensorflow.org/tutorials/estimator/premade#first_things_first

出力結果

Generating predictions from model
Defining input function for prediction
It converts inputs to dataset without labels

解説

• 学習済みのモデルは、精度の高い予測結果を出力します。
• ラベル付けされていない測定値をもとに、アヤメの品種（Setosa／Versicolor／Virginica）を予測するために使用できます。
• 予測処理は、わずか1回の関数呼び出しで実行できます。