KerasのFunctional APIを使ってPythonでレイヤーのグラフからノードを抽出・再利用する方法

Kerasとは

Kerasは、ONEIROS（Open-ended Neuro-Electronic Intelligent Robot Operating System）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備えた高水準APIです。TensorFlowフレームワーク上で動作し、迅速な実験を支援するために設計されており、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ます。

Kerasは高いスケーラビリティを持ち、クロスプラットフォームに対応しています。そのため、TPUやGPUクラスタ上でも実行可能です。さらに、KerasモデルはWebブラウザやモバイルデバイス向けにエクスポートすることもできます。

KerasはTensorFlowパッケージにすでに含まれており、以下のコードでアクセスできます。

import tensorflow
from tensorflow import keras

Functional APIの特徴

KerasのFunctional APIを使用すると、Sequential APIで作成したモデルよりも柔軟なモデルを構築できます。Functional APIは非線形トポロジーを持つモデルに対応しており、レイヤーの共有や複数の入力・出力を持つモデルの作成が可能です。ディープラーニングモデルは通常、複数のレイヤーを含む有向非巡回グラフ（DAG）として表現され、Functional APIはこのレイヤーのグラフ構築を強力にサポートします。

以下のコードはGoogle Colaboratory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、事前設定が一切不要で、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：レイヤーのグラフからノードを抽出して再利用する

print("事前学習済み重みを持つVGG19モデル")
vgg19 = tf.keras.applications.VGG19()
features_list = [layer.output for layer in vgg19.layers]
feat_extraction_model = keras.Model(inputs=vgg19.input, outputs=features_list)

img = np.random.random((1, 224, 224, 3)).astype("float32")
print("特徴抽出モデルを作成")
extracted_features = feat_extraction_model(img)

コード出典：https://www.tensorflow.org/guide/keras/functional

実行結果

VGG19 model with pre-trained weights
Downloading data from https://storage.googleapis.com/tensorflow/kerasapplications/vgg19/vgg19_weights_tf_dim_ordering_tf_kernels.h5
574717952/574710816 [==============================] - 6s 0us/step
Create feature-extraction model

解説

• レイヤーのグラフは静的なデータ構造であるため、プログラムからアクセスすることが可能です。

• この特性により、Functional APIで作成したモデルは画像としてプロット（可視化）できます。

• 中間層（ノード）の活性化値にもアクセスし、再利用することができます。

• この仕組みは、特徴抽出の目的において非常に有用です。

• ここでは、ImageNetで事前学習された重みを持つVGG19モデルを使用しています。

• 中間層の活性化値は、グラフデータ構造へのクエリによって取得できます。

• 取得した特徴量をもとに、中間層の活性化値を返す新しい特徴抽出モデルを作成できます。