TensorFlowとアワビデータセットを使ってシーケンシャルモデルを構築する方法

Kerasでは「Sequential」メソッドを使うことで、シーケンシャルモデルを簡単に構築できます。このメソッドの中に、層（レイヤー）の数や種類を指定していくだけで、ニューラルネットワークの骨格が完成します。

アワビデータセットについて

本記事では「アワビデータセット」を使用します。このデータセットには、アワビ（海産巻貝の一種）に関するさまざまな測定値が含まれており、目的はそれらの測定値から年齢を予測することです。

実行環境：Google Colaboratory

以下のコードはGoogle Colaboratory（Google Colab）上で実行しています。Colabはブラウザ上でPythonコードを実行できるサービスで、環境構築は不要、さらにGPU（グラフィックス処理ユニット）も無料で利用できます。Jupyter Notebookをベースに構築されているため、ノートブック形式での開発に慣れている方でもスムーズに使い始められます。

モデル構築のコード

print("The sequential model is being built")
abalone_model = tf.keras.Sequential([
    layers.Dense(64),
    layers.Dense(1)
])
abalone_model.compile(loss = tf.losses.MeanSquaredError(),optimizer = tf.optimizers.Adam())
print("The data is being fit to the model")
abalone_model.fit(abalone_features, abalone_labels, epochs=10)

コード出典：https://www.tensorflow.org/tutorials/load_data/csv

実行結果

The sequential model is being built
The data is being fit to the model
Epoch 1/10
104/104 [==============================] - 0s 963us/step - loss: 84.2213
Epoch 2/10
104/104 [==============================] - 0s 924us/step - loss: 16.0268
Epoch 3/10
104/104 [==============================] - 0s 860us/step - loss: 9.4125
Epoch 4/10
104/104 [==============================] - 0s 898us/step - loss: 8.9159
Epoch 5/10
104/104 [==============================] - 0s 912us/step - loss: 7.9076
Epoch 6/10
104/104 [==============================] - 0s 936us/step - loss: 6.8316
Epoch 7/10
104/104 [==============================] - 0s 992us/step - loss: 7.1021
Epoch 8/10
104/104 [==============================] - 0s 1ms/step - loss: 7.0550
Epoch 9/10
104/104 [==============================] - 0s 1ms/step - loss: 6.2762
Epoch 10/10
104/104 [==============================] - 0s 883us/step - loss: 6.5584
<tensorflow.python.keras.callbacks.History at 0x7fda82a35160>

コードの解説

• アワビデータセットの「age（年齢）」列を予測するための回帰モデルを構築しています。
• 入力テンソルが1つだけであるため、シーケンシャルモデルを採用しています。シーケンシャルモデルは、層を順番に積み重ねるだけでネットワークを定義できる、最もシンプルなモデル形式です。
• モデルをコンパイル（compile）した後、特徴量とラベルを「Model.fit」メソッドに渡して学習を行います。ここでは損失関数として平均二乗誤差（MSE）、オプティマイザーとしてAdamを使用しています。

エポックを重ねるごとにloss値が84.22から約6.5まで低下しており、モデルがデータから年齢予測のパターンを学習できていることが確認できます。