はじめに

AIモデルを一度作ってみたかったので、
WSL2環境でPyTorchを使って「手書き数字を認識するAIモデル」を動かしてみました。

モデル構築から推論（予測）まで、一通りの流れをまとめています。
初心者視点での備忘録です。

環境

OS: Windows 11 + WSL2 (Ubuntu)
Python: 3.x 系
PyTorch: 2.x 系
GPU: なし（CPU環境）

ステップ①：WSL2での準備

① Ubuntu を開いて、pip と Python を最新化

sudo apt update && sudo apt upgrade -y
sudo apt install python3-pip -y
python3 -m pip install --upgrade pip

② PyTorch のインストール

GPUがない環境なので、今回はCPU版をインストール。

pip install torch torchvision torchaudio

GPU対応マシンの場合は以下。

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

CUDA対応チェックは以下で確認できます。

nvidia-smi

③ インストール確認

python3 -c "import torch; print(torch.__version__, torch.cuda.is_available())"

出力例：

2.4.1 False

TrueならGPU利用可、Falseでも問題なし。

ステップ②：動くAIモデルを実行

以下を mnist.py として保存して実行。

python3 mnist.py

内容：

import torch
## nnはニューラルネットワークの略
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# データ準備
transform = transforms.ToTensor()
## MNISTは手書き文字の画像データセット
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)

# モデル定義
model = nn.Sequential(
  ## 画像（28×28の数字）を1列に並べる
  nn.Flatten(),
  ## 重み付き変換
  ### 数字の形から〇〇っぽい特徴を拾うイメージ
  nn.Linear(28*28, 128),
  ## マイナスをすべて0にする
  ### ノイズ除去
  nn.ReLU(),
  ## 最終判定
  nn.Linear(128, 10)
)

# 学習設定
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 学習ループ
for epoch in range(3):  # 短めに3エポックだけ
    for images, labels in train_loader:
        preds = model(images)
        loss = criterion(preds, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f"Epoch {epoch+1}: loss={loss.item():.4f}")

print("学習完了！")
torch.save(model.state_dict(), "mnist_model.pth")

出力例：

Epoch 1: loss=0.0838
Epoch 2: loss=0.0917
Epoch 3: loss=0.0348
学習完了！

data/ フォルダにMNIST（手書き数字データ）が自動ダウンロードされる
loss が減少していれば学習成功

ステップ③：自分で描いた数字を予測させる

① 画像を準備

条件：

白背景に黒文字
サイズ 28×28 px
PNG形式

例（自作した画像）：

② 推論スクリプト（predict.py）

import torch
import torch.nn as nn
from torchvision import transforms
from PIL import Image, ImageOps

# モデル構築
model = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 128),
    nn.ReLU(),
    nn.Linear(128, 10)
)

# 学習済みモデルを読み込み
model.load_state_dict(torch.load("mnist_model.pth", weights_only=True))
model.eval()

# 前処理
transform = transforms.Compose([
    transforms.Grayscale(),
    transforms.Resize((28, 28)), # サイズをMNISTと合わせる
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

img_path = "my_digit.png"
img = Image.open(img_path)
img = ImageOps.invert(img.convert("L"))  # ④ 白黒反転後の再実行時に追加
img_tensor = transform(img).unsqueeze(0)

# 推論
with torch.no_grad():
    outputs = model(img_tensor)
    predicted = torch.argmax(outputs, 1)
    print(f"予測された数字は → {predicted.item()} です！")

③ 実行結果

$ python3 predict.py
予測された数字は → 3 です！

ChatGPTに画像を確認してもらうと「5」と認識されていたため、
学習データ（MNIST）が「黒地に白文字」である点に気づきました。

④ 白黒反転後の再実行

python3 predict.py

結果：

予測された数字は → 4 です！

精度はまだ低めですが、学習データとの形式差を理解する良いきっかけになりました。

まとめ

概念	内容
学習	AIがデータからルールを学ぶ
推論（予測）	学んだルールを使って新しい入力に答える
モデルの保存/読み込み	学習結果を再利用できる

おわりに

PyTorchを実際に動かしてみると、
AIが「データを見て学び、答えを出す」流れがよく理解できました。

今回は単純なモデルでしたが、
次はWebアプリ連携などを試して、もう少し“AIっぽい”ものを作ってみたいです。