【1分でわかる】初心者でも理解できる！Tensorflow / keras入門

ニューラルネットワークはいろいろなことができそうなのでぜひとも挑戦してみたいけど

という方も多いと思います。今回はTensorflowと、簡単に高品質なニューラルネットワークを作成できるkerasをつかって、実際にモデルを作成しながらこれらのライブラリについて解説していきます。

本ブログを運営しているTech Teacherは、
プログラミング家庭教師サービスを運営しています。
完全マンツーマン・フルオーダーメイドで
あなたが必要な指導を提供します。

データサイエンス講座の
詳細を見る➡

ニューラルネットワークとは

ニューラルネットワークは、人間の脳が情報を処理する仕組みを模倣したコンピュータの学習モデルです。人間の脳にあるニューロン（神経細胞）を模したパーセプトロンが多数連携して動作します。

このニューラルネットワークを作成できるライブラリに今回紹介するTensorflowやkerasがあります。このライブラリを使用することによりニューラルネットワークのモデルを作成することが可能です。

なお、Tensorflowやkeras以外にもPyTorch、caffeなどのライブラリがあります。

ニューラルネットワークに関しては、以下の記事でも紹介しているので参考にしてください。

1分で理解できる！機械学習とディープラーニングの違いを解説！近年よく耳にする機械学習とニューラルネットワーク。そもそも違いってなに？入門者はどっちから学べばいいの？など、気になる内容を初心者にもわかりやすく解説します。...

Tensorflowとkeras

Tensorflowとは

TensorFlowは、Googleが開発したオープンソースの機械学習ライブラリです。CPUとGPUの両方で動作し、分散コンピューティングをサポートしているなど非常にスケーラブルなことで知られています。

kerasとは

Kerasは、もともとTheanoをベースに、現在はTensorflowをベースにPythonで書かれたオープンソースのニューラルネットワークライブラリで、迅速な実験を可能にすることを目指して設計されました。kerasのおかげでシンプルで使いやすいインターフェースのままTensorflowの機能を活用することが可能になっています。

kerasで実装してみる

kerasを使用するとニューラルネットワークを簡単に作成することが可能です。今回はkerasから使用できるデータセット、fashion-mnistを使用して衣料品の画像判別をしてみたいと思います。

fashion-mnistとは

fashion-mnistは上記のよう衣料品の画像のデータセットです。28ｘ28のデータサイズで10種類のカテゴリーで作成されており、kerasの学習には最適なデータセットです。

インポート

import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.model_selection import train_test_split
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Flatten, Dense, Dropout, Conv2D, MaxPooling2D

まずはライブラリをインポートします。

Sequentialモデル

kerasでのモデル作成方法は３種類あります。

今回はこの中にあるSequentialモデルで作成します。高度なモデルを比較的簡単に作成することができるため、kerasを使用する大きなメリットとなります。

ライブラリのインポートについて

ライブラリのインポートに関して、今回例えば「Dense」に関しては、一番最後の行で「from tensorflow.keras.layers import Dense」で呼び出しています。こうすると使用する際に「Dense」でそのまま使用できますが、呼び出し状態を見てわかるように「Flatten、Dropout、Conv2D、MaxPooling2D」とすべて呼び出す必要があります。

逆に呼び出し時に個別に呼び出さず、使用時に「tf.keras.layers.Dense」として使用することも可能です。今回はモデル作成時に複雑にならないように先に呼び出していますが、tfから呼び出すもの、kerasまで呼び出しておくもの、layersまで呼び出すものなどいろいろなサイトが存在するので、好きなものを使用してください。

データの準備

(x, y), (test_x, test_y) = tf.keras.datasets.fashion_mnist.load_data()
train_x, val_x, train_y, val_y = train_test_split(x, y, train_size=0.8)

target_name = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

fashion_mnistのデータは「tf.keras.datasets.fashion_mnist.load_data()」で呼び出すことが可能です。その後、xとyを「train_test_split()」で8割のトレーニングデータと2割の検証データに分けています。

また、fashion_mnistはターゲットの名前がないため、これは手動でリストに格納しています。

データの確認

plt.figure(figsize=(12,5))
for i,j in enumerate(range(1, 6)):
    plt.subplot(1, 5, j)
    plt.title(target_name[y[i]])
    plt.imshow(x[i])

データの中身を確認してみます。最初の5データを並べてみました。まとめて書くとわかりにくい！という方は下のコードと同じ内容なので、参考にしてみてください。

plt.figure(figsize=(12,5))

plt.subplot(1, 5, 1)
plt.title(target_name[y[0]])
plt.imshow(x[0])

plt.subplot(1, 5, 2)
plt.title(target_name[y[1]])
plt.imshow(x[1])

plt.subplot(1, 5, 3)
plt.title(target_name[y[2]])
plt.imshow(x[2])

plt.subplot(1, 5, 4)
plt.title(target_name[y[3]])
plt.imshow(x[3])

plt.subplot(1, 5, 5)
plt.title(target_name[y[4]])
plt.imshow(x[4])

モデルを作成する

input_shape = (train_x.shape[1], train_x.shape[2], 1)

model = Sequential(name='test_model')
model.add(Flatten(name='Flatten', input_shape=input_shape))
model.add(Dense(128, activation='relu', name='Dense'))
model.add(Dropout(0.2, name='Dropout'))
model.add(Dense(10, activation='softmax', name='Output'))

model.summary()

基本的なモデル作成の流れは、

となります。コード中の「name=」は省略可能なので、最初はさらに簡単なコードにすることが可能です。

model=Sequential()

「model=Sequential()」でモデルを作成します。

今回はコードをすべて１ブロック内に記入していますが、最初に書くときは入力ミスやデータの次元の問題などで、とにかくエラーが出ると思います。そのため以下のように１ブロックずつわけて記入し、モデルが完成してから１ブロックにコピーするとスムーズだと思います。このような書き方ができるのもSequentialモデルの良いところです。

なお、モデルにリスト形式でモデルを与える方法もあるので、CNNを使ったモデルを以下に示しておきます。CNNに関しては以下の記事を参照してください。

機械学習ＣＮＮを理解する！初学者が押さえておきたいポイントを解説機械学習の学習者向けにCNNについて解説します。Pythonでの実装を視野に モデル内で何を行っているか、畳み込みとはどういうことなのかなど 実際の計算も踏まえわかりやすく解説していきます。...

model_1 = Sequential([
    Conv2D(16, kernel_size=(3, 3), strides=(1, 1), padding='same', activation='relu', input_shape=input_shape, name='Conv'),
    MaxPooling2D((2, 2), strides=(1, 1), name='Pooling'),
    Flatten(name='Flatten'),
    Dense(128, activation='relu', name='Dense'),
    Dropout(0.2, name='Dropout'),
    Dense(10, activation='softmax', name='Output'),
], name='test_model_2')

model_1.summary()

Flatten

「Flatten」は入力データを１次元に並べます。入力データはデータ確認のところでもあるように28ｘ28のデータですが、ニューラルネットワークでは１次元のデータを解析します。そのため、入力データを１列のデータに変換するのがFlattenです。

なお、Flattenに限ったことではないのですが、入力層には「input_shape」を指定しましょう。これをしないとデータの形状がわからないため、のちの「summary()」でモデルの形を参照できません。なお、ここで指定しなくても、のちの「model.compile」をすればsummaryを参照できるようになります。

Dense

「Dense」は全結合層を作成します。全結合層とは、前の層すべてと結合されている層です。層の数と活性化関数を指定します。層の数、活性化関数に関しては以下の記事を参照していただけるとよいと思います。今回はreluを使用しています。

機械学習のMLPとは？多層パーセプトロンについて解説機械学習におけるMLP（多層パーセプトロン）について、なんとなく聞いたことあるという方からニューラルネットワークとどのようにかかわっているかまで。機械学習とMLPについて考えてみます。...

Dropout

ドロップアウトを追加します。ドロップアウトは先ほどの全結合層で結合されているすべての接続のうち、特定の割合で接続を切って学習します。これによって、学習用データだけに特化して学習が進む過学習、オーバーフィッティングに効果があります。

モデルの学習

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_x, train_y, epochs=40, validation_data=(val_x, val_y))

モデルをcompileして、optimizerとlossを指定し、学習します。

学習時の記録は「history」に記録されていきます。以下のようにhistoryに記録されている情報を呼び出すことにより学習時の記録が確認できます。

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['loss', 'val_loss'], loc='upper left')
plt.show()

このようにすることで、学習時のlossとval_lossの推移が確認できます。

なお、「loss」と「val_loss」の違いですが、「loss」は学習時のlossの値で、正解と予測の差分です。この値を少なくするように学習を進めます。「val_loss」は検証用データでlossを計算した値です。

先ほども出てきたように、モデルは「loss」の値を少なくするように学習データを使用して学習を進めます。ただし学習データのみを使用して学習するため、学習データのみにあてはまり新たなデータでうまく予測できなくなる、いわゆるオーバーフィッティング状態になることがあります。グラフ上では「loss」が下がっていくのに「val_loss」が上がってしまう状態です。

モデルの学習は、どのようなデータに対してもよい予測精度を保つことが目的なので、このようなオーバーフィッティングを起こしていないかを確認するためにこのように２つのロスを確認します。

なお、先ほど参考で作成したCNNのモデルの結果とlossの値を比較してみましょう。下記のようにCNNで認識率が上がっていることが確認できます。

まとめ

今回はkerasの実装をベースにTensorflowとkerasについてみてきました。kerasは比較的簡単なコードで非常に有効なニューラルネットワークを作成することが可能です。ぜひこの内容をきっかけとしてマスターしていただければと思います。