TensorFlowで花のデータセットを使ってモデルをコンパイル・学習する方法

花のデータセットに対しては、「compile」メソッドでモデルをコンパイルし、「fit」メソッドで学習（フィッティング）を行うことができます。「fit」メソッドには、訓練用データセットと検証用データセットをパラメータとして渡し、エポック数も同じメソッド内で指定します。

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を解説

本記事では、数千枚の花の画像を含む「flowers」データセットを使用します。このデータセットは5つのサブディレクトリで構成されており、クラス（花の種類）ごとに1つのサブディレクトリが割り当てられています。

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サービスで、事前の環境構築が不要なうえ、GPU（グラフィックス処理装置）にも無料でアクセス可能です。ColaboratoryはJupyter Notebookをベースに構築されています。

print("モデルをコンパイルしています")
model.compile(
    optimizer='adam',
    loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy'])
print("モデルをデータに適合させています")
model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=3
)

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

実行結果

モデルをコンパイルしています
モデルをデータに適合させています
Epoch 1/3
92/92 [==============================] - 107s 1s/step - loss: 1.3570 - accuracy: 0.4183 - val_loss: 1.0730 - val_accuracy: 0.5913
Epoch 2/3
92/92 [==============================] - 101s 1s/step - loss: 1.0185 - accuracy: 0.5927 - val_loss: 1.0041 - val_accuracy: 0.6199
Epoch 3/3
92/92 [==============================] - 95s 1s/step - loss: 0.8691 - accuracy: 0.6529 - val_loss: 0.9985 - val_accuracy: 0.6281
<tensorflow.python.keras.callbacks.History at 0x7f2cdcbbba90>

解説

• レイヤーの作成とデータの準備が完了したら、次のステップとして構築したモデルをコンパイルします。
• コンパイルが完了したら、「fit」メソッドを使ってモデルを入力データセットに適合させ、学習を実行します。
• 実行結果を見ると、検証精度（val_accuracy）は訓練精度（accuracy）と比べて低い値になっています。
• この差は、モデルが過学習（オーバーフィッティング）を起こしていることを示しています。過学習への対処としては、データ拡張やドロップアウトの導入などが有効です。