TensorFlowとPythonを使ってトレーニング結果を可視化する方法

TensorFlowで学習したモデルのトレーニング結果は、Pythonの「matplotlib」ライブラリを使うことで簡単に可視化できます。「plot」メソッドを利用して、エポックごとの精度（Accuracy）や損失（Loss）の推移をグラフとして描画します。

本記事では、KerasのSequential APIを使用します。Sequential APIは、各レイヤーがちょうど1つの入力テンソルと1つの出力テンソルを持つ、単純な層のスタックからなるシーケンシャルモデルを構築するのに便利なAPIです。

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、このCNNを活用することで学習モデルを構築できます。

ここでは、keras.Sequentialモデルを使って画像分類器を作成し、preprocessing.image_dataset_from_directoryを使ってディスクからデータを効率的に読み込みます。また、過学習（Overfitting）を検出し、データ拡張（Data Augmentation）やドロップアウト（Dropout）といった手法でその影響を軽減する方法についても触れます。

使用するデータセットには約3,700枚の花の画像が含まれており、5つのサブディレクトリ（クラスごとに1つずつ）に分かれています。クラスは「daisy（デイジー）」「dandelion（タンポポ）」「roses（バラ）」「sunflowers（ひまわり）」「tulips（チューリップ）」の5種類です。

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サービスで、事前設定が不要であり、GPU（グラフィックス処理装置）にも無料でアクセスできます。ColaboratoryはJupyter Notebookをベースに構築されています。

コード例

print("Calculating the accuracy")
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
print("Calculating the loss")
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)
print("The results are being visualized")
plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)

plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

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

実行結果

Calculating the accuracy
Calculating the loss
The results are being visualized

解説

• 上記のグラフを見ると、トレーニング精度と検証精度が同期していないことがわかります。

• モデルは検証データセットに対して約60％の精度しか達成できていません。

• この現象は「過学習（Overfitting）」と呼ばれます。

• トレーニング精度は時間とともに直線的に向上していますが、検証精度は学習過程でおよそ60％付近で頭打ちになっています。

• トレーニングデータの数が少ない場合、モデルはノイズや不要な詳細まで学習してしまいます。

• これにより、新しいデータに対するモデルのパフォーマンスが低下します。

• 過学習が起きていると、モデルは新しいデータセットに対してうまく汎化できなくなります。

• 過学習を防ぐ方法は多数ありますが、ここではデータ拡張を活用して過学習を克服するアプローチを採用します。