Kerasの使い方：Pythonでディープラーニングモデルをトレーニングする方法

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。Kerasは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レベルAPIです。TensorFlowフレームワークの上で動作し、迅速な実験を支援するために設計されています。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ビルディングブロックを提供します。

Kerasの主な特徴

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。つまり、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上で動作するよう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とは

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でき、レイヤーの共有や複数の入出力を持つモデルの構築が可能です。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）であり、Functional APIはこのレイヤーグラフの構築を支援します。

Google Colaboratoryでの実行環境

本記事のコードは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、設定不要かつ無料でGPU（Graphics Processing Unit）を利用できます。ColaboratoryはJupyter Notebookをベースに構築されています。

モデルトレーニングのコード例

以下は、モデルをプロットし、CIFAR-10データセットを使ってトレーニングを行うコード例です。

print("モデルをプロットしています")
keras.utils.plot_model(model, "my_resnet.png", show_shapes=True)
print("データを訓練用とテスト用に分割します")
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
print("データ型をfloatに変換します")
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)
print("モデルをコンパイルしています")
model.compile(
    optimizer=keras.optimizers.RMSprop(1e-3),
    loss=keras.losses.CategoricalCrossentropy(from_logits=True),
    metrics=["acc"],
)
model.fit(x_train[:2000], y_train[:2000], batch_size=64, epochs=2, validation_split=0.2)

コード引用元：https://www.tensorflow.org/guide/keras/functional

実行結果

モデルをプロットしています
データを訓練用とテスト用に分割します
Downloading data from https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
170500096/170498071 [==============================] - 2s 0us/step
データ型をfloatに変換します
モデルをコンパイルしています
Epoch 1/2
25/25 [==============================] - 9s 332ms/step - loss: 2.3163 - acc: 0.1028 - val_loss: 2.2962 - val_acc: 0.1175
Epoch 2/2
25/25 [==============================] - 12s 492ms/step - loss: 2.3155 - acc: 0.1175 - val_loss: 2.2606 - val_acc: 0.1200
<tensorflow.python.keras.callbacks.History at 0x7f48d3ecfb00>

コードの解説

• 入力データを訓練用データセットとテスト用データセットに分割します。

• データ型を「float」型に変換します。ピクセル値を255で割ることで正規化も行っています。

• 「to_categorical」メソッドにより、ラベルをOne-hotエンコーディング形式に変換します。

• 「compile」メソッドを使用してモデルをコンパイルします。ここでは最適化アルゴリズムとしてRMSprop、損失関数としてCategoricalCrossentropyを指定しています。

• 「fit」メソッドを使用して、モデルを訓練データに適合させます。バッチサイズ64、エポック数2、検証データ分割率20%で学習を実行します。