Kerasの基本と使い方｜Pythonでディープラーニングモデルを学習する方法

TensorFlowとは

TensorFlowは、Googleが提供するオープンソースの機械学習フレームワークです。Pythonと組み合わせて使用することで、機械学習アルゴリズムやディープラーニングアプリケーションの実装が可能になります。研究用途から本番環境まで幅広く活用されており、複雑な数学的演算を高速に処理するための最適化技術も備えています。

Windows環境にTensorFlowをインストールするには、以下のコマンドを実行します。

pip install tensorflow

テンソル（Tensor）とは

テンソルはTensorFlowにおける基本的なデータ構造です。データフロー図の中で各ノードをつなぐ役割を担っており、この流れ図は「データフローグラフ」と呼ばれます。テンソルの正体は、多次元配列あるいはリストです。

Kerasとは

Kerasは、ONEIROS（Open-ended Neuro-Electronic Intelligent Robot Operating System）という研究プロジェクトの一環として開発された、Python製のディープラーニングAPIです。高水準APIとして設計されており、生産性の高いインターフェースによって機械学習の課題解決を支援します。TensorFlowフレームワークの上で動作し、素早く実験を行えることを目的に構築されました。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やビルディングブロックを提供しています。

KerasはTensorFlowパッケージにすでに含まれているため、以下のコードだけで簡単に利用できます。

import tensorflow
from tensorflow import keras

関数型API（Functional API）の特徴

Kerasの関数型APIを使うと、Sequential APIで作成できるモデルよりも柔軟なモデルを構築できます。非線形トポロジーを持つモデルや、レイヤーの共有、複数の入力・出力を持つモデルにも対応可能です。一般的にディープラーニングモデルは、複数のレイヤーからなる有向非巡回グラフ（DAG）として表現できますが、関数型APIはこのレイヤーのグラフ構築を容易にしてくれます。

以降のコードは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、面倒な環境設定は一切不要。GPU（グラフィックス処理装置）へ無料でアクセスできる点も魅力です。Jupyter Notebookをベースに構築されています。

サンプルコード：モデルの学習

以下は、複数の入力と出力を持つモデルを実際に学習させるコード例です。

print("サンプル入力データ")
title_data = np.random.randint(num_words, size=(1280, 10))
body_data = np.random.randint(num_words, size=(1280, 100))
tags_data = np.random.randint(2, size=(1280, num_tags)).astype("float32")
print("サンプルターゲットデータ")
priority_targets = np.random.random(size=(1280, 1))
dept_targets = np.random.randint(2, size=(1280, num_classes))
print("モデルをデータに適合させています")
model.fit(
    {"title": title_data, "body": body_data, "tags": tags_data},
    {"priority": priority_targets, "class": dept_targets},
    epochs=2,
    batch_size=32,
)

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

出力結果

サンプル入力データ
サンプルターゲットデータ
モデルをデータに適合させています
Epoch 1/2
40/40 [==============================] - 5s 43ms/step - loss: 1.2738 - priority_loss: 0.7043 - class_loss: 2.8477
Epoch 2/2
40/40 [==============================] - 2s 44ms/step - loss: 1.2720 - priority_loss: 0.6997 - class_loss: 2.8612
<tensorflow.python.keras.callbacks.History at 0x7f48d0809e80>

コードの解説

• まず、サンプルとなる入力データとターゲットデータを生成します。

• その後、入力データとターゲットデータのNumPy配列を渡すことで、モデルの学習（fit）を実行しています。