Kerasでモデルをグラフとしてプロットし、Pythonで入出力の形状を表示する方法

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開発など、幅広い用途に活用できます。研究目的から本番環境まで対応しており、複雑な数値計算を高速に実行するための最適化技術も備えています。

TensorFlowにおける「テンソル」とは、データを扱うための基本的なデータ構造です。テンソルはフロー図の中でエッジ（辺）をつなぐ役割を果たし、このフロー図は「データフローグラフ」と呼ばれます。テンソルの正体は、多次元配列あるいはリストにほかなりません。

Kerasとは

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やビルディングブロックを提供します。

Kerasは高いスケーラビリティとクロスプラットフォーム対応力を備えています。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、以下のコードで簡単に利用できます。

import tensorflow
from tensorflow import keras

Functional APIの特徴

KerasのFunctional APIを使うと、Sequential APIで作成す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の構築、レイヤーの共有、複数の入力・出力への対応が可能です。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）として表現され、Functional APIはこのレイヤーのグラフを構築するのに役立ちます。

以下のコードはGoogle Colaboratoryで実行しています。Google Colab（Colaboratory）を利用すると、ブラウザ上でPythonコードを実行でき、事前設定は不要で、GPU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。

サンプルコード

print("Plotting the built model")
keras.utils.plot_model(model, "my_model.png")
print("Displaying dimensions of input and output data")
keras.utils.plot_model(model, "my_first_model.png", show_shapes=True)

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

出力結果

解説

• keras.utils.plot_model()メソッドを呼び出すことで、構築済みのモデルを画像ファイルとして出力できます。第1引数に対象のモデル、第2引数に出力先のファイル名を指定します。

• show_shapes=Trueオプションを指定すると、各レイヤーの入力データと出力データの形状（次元）がグラフ上に表示されます。これにより、モデル内部でデータがどのように変換されているのかを視覚的に把握でき、デバッグや設計の検証に非常に役立ちます。

• レイヤーのグラフは、Functional APIで作成できるディープラーニングモデルの概念的なイメージです。モデルの構造を一目で理解できるため、複雑なアーキテクチャの共有やドキュメント化にも活用できます。