TensorFlowとPythonで線形モデルと畳み込みモデル（ConvNet）を比較する方法

TensorFlowは、Googleが提供する機械学習フレームワークです。オープンソースとして公開されており、Pythonと組み合わせて使用することで、アルゴリズムの実装やディープラーニングアプリケーションの構築など、幅広い用途に活用できます。研究開発から本番環境まで、多くの場面で採用されている実績あるフレームワークです。

TensorFlowのインストール

Windows環境では、以下のコマンドで「tensorflow」パッケージをインストールできます。

pip install tensorflow

テンソルとは

テンソル（Tensor）はTensorFlowで使われる基本的なデータ構造です。フロー図におけるエッジ（辺）を接続する役割を担っており、このフロー図は「データフローグラフ」と呼ばれます。テンソルは、多次元配列またはリストそのものと言えます。

テンソルは、主に以下の3つの属性によって識別されます。

• ランク（Rank）：テンソルの次元数を表します。テンソルの階数、つまり定義されたテンソルが持つ次元の数として理解できます。

• 型（Type）：テンソルの各要素に関連付けられたデータ型を表します。1次元、2次元、n次元など、任意の次元のテンソルが存在します。

• 形状（Shape）：行数と列数の組み合わせを表します。

Kerasについて

Kerasは、ONEIROS（Open ended Neuro-Electronic Intelligent Robot Operating System）というプロジェクトの研究の一環として開発されました。Pythonで書かれたディープラーニング向けAPIであり、機械学習の問題を効率的に解決するための生産性の高いインターフェースを持つ高レベルAPIです。TensorFlowフレームワーク上で動作し、素早く実験を行えるよう設計されています。機械学習ソリューションの開発とカプセル化に不可欠な抽象化機能と構成要素を提供しています。

Google Colaboratoryでの実行環境

本記事のコードは、Google Colaboratoryを使用して実行します。Google Colab（Colaboratory）を使うと、ブラウザ上で直接Pythonコードを実行でき、環境構築は一切不要です。さらに、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("2つのモデルを比較します")
print("バイナリベクトル化データに対する線形モデル:")
print(binary_model.summary())
print("整数ベクトル化データに対するConvNetモデル:")
print(int_model.summary())

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

出力結果

2つのモデルを比較します
バイナリベクトル化データに対する線形モデル:
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 4) 40004
=================================================================
Total params: 40,004
Trainable params: 40,004
Non-trainable params: 0
_________________________________________________________________
None
整数ベクトル化データに対するConvNetモデル:
Model: "sequential_1"
_________________________________________________________________
Layer (type)                Output Shape              Param #
=================================================================
embedding (Embedding)       (None, None, 64)          640064
_________________________________________________________________
conv1d (Conv1D)             (None, None, 64)          20544
_________________________________________________________________
global_max_pooling1d (Globa (None, 64)                0
_________________________________________________________________
dense_1 (Dense)             (None, 4)                 260
=================================================================
Total params: 660,868
Trainable params: 660,868
Non-trainable params: 0
_________________________________________________________________
None

解説

• このコードでは、「binary」（バイナリ）方式でベクトル化されたデータを扱う線形モデルと、「int」（整数）方式でベクトル化されたデータを扱う畳み込みニューラルネットワーク（ConvNet）モデルを比較しています。

• 比較結果は、Kerasのsummary()メソッドを使ってコンソールに出力されます。

出力を見ると、線形モデルのパラメータ数は40,004である一方、ConvNetモデルはEmbedding層・Conv1D層・GlobalMaxPooling1D層・Dense層で構成され、合計660,868のパラメータを持つことがわかります。このようにsummary()メソッドを利用することで、各モデルの構造やパラメータ数を一目で把握でき、モデル間の比較が容易になります。