More than 5 years have passed since last update.

Keras / Tensorflowで始めるディープラーニング入門

Last updated at 2018-04-12Posted at 2017-09-09

概要

Keras(Tensorflowバックグラウンド)を用いた画像認識の入門として、MNIST(手書き数字の画像データセット)で手書き文字の予測を行いました。

実装したコード(iPython Notebook)はこちら(Github)をご確認下さい。

MNISTデータセットサンプル:

- 実装した

前提

Kerasとは

Kerasとは、Pythonで書かれたニューラルネットワークのライブラリです。
バックエンドとしてTensorFlow、CNTK、Theanoのライブラリを選択することができます。
人間にとって分かりやすい設計の為、初心者でも簡単に迅速なプロトタイピングが可能となっています。

日本語ドキュメントも充実しています。インストール方法は公式HPをご参照下さい。

インストール

Kerasに加え、今回バックエンドとして利用するTensorflowもインストールします。

pip install --upgrade tensorflow
pip install keras

2つのモデル記述方法

kerasでは、ネットワークの層（レイヤー）を記述する方法が2つあります。

Sequentialモデル

ネットワークを1列に積み重ねていく、シンプルな方法です。

サンプルコード：

from keras.models import Sequential
from keras.layers import Dense, Activation

# モデルの作成
model = Sequential()

# モデルにレイヤーを積み上げていく
model.add(Dense(units=64, input_dim=100))
model.add(Activation('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))

# 訓練プロセスの定義
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

# 訓練の実行
# (x_train, y_trainはNumpy行列の学習データ)
model.fit(x_train, y_train, epochs=5, batch_size=32)

# 予測の実行
classes = model.predict(x_test, batch_size=128)

Functional API

複雑なネットワークの記述が可能な方法です。
Sequentialモデルと異なり、複数の出力や共有レイヤーの定義等が可能となっています。

サンプルコード：

from keras.layers import Input, Dense
from keras.models import Model

# インプットの定義
inputs = Input(shape=(784,))

# レイヤーの定義
nw = Dense(64, activation='relu')(inputs)
nw = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# モデルの定義(インプットとレイヤーを指定)
model = Model(inputs=inputs, outputs=predictions)

# 訓練プロセスの定義
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

#  訓練の実行
model.fit(data, labels)

# 予測の実行
classes = model.predict(x_test, batch_size=128)

実装

今回は、2種類のモデルをFunctional APIを用いて実装してみます。
1つは単純な全結合のみのモデル、もう1つはCNN(Convolution Neural Network:畳み込みニューラルネットワーク)のモデルです。