スタンドアロンKerasとtf.kerasの違いとは？ ～ #AskTensorFlow より～：TensorFlow 2＋Keras（tf.keras）入門

「スタンドアロンKerasとtf.kerasは何が違うのか？」「tf.kerasが、将来的にTensorFlowから削除される可能性はあるのか？」など、TensorFlow 2.0時代のKerasに関する一般的な疑問と、それへのTensorFlowチームメンバーからの回答をまとめる。

[一色政彦，デジタルアドバンテージ]

印刷

通知 連載「％」の新着をメールで通知

鬯ｮ�ｫ驕ｨ繧托ｽｽ�ｹ隴趣ｽ｢�ｽ�ｽ�ｽ�ｽPost

Shareシェア

はてなブックマーク

SharePocket Button

連載目次

　Kerasといえば、TensorFlowをイメージする人が多いだろう。実際、大半のKerasユーザーはそのバックエンドとしてTensorFlowを使っているのではないだろうか。

　現実的にTensorFlowとKerasの結び付きは強い。最新のTensorFlow（次期バージョンの2.0も含む）では、Pythonコードでimport tensorflow as tfした後であれば、tf.kerasからKerasの各機能にすぐにアクセスできる。これは、TensorFlow内にKerasの機能が標準で同梱されているためだ。

　このTensorFlow同梱版のKerasはtf.kerasと呼ばれている。

　しかし、元々のKerasは（TensorFlow専用ではなく）下記の3種類からバックエンドを選択＆指定してから使用する仕組みとなっている。

• TensorFlow： グーグルが開発したフレームワーク
• Theano： モントリオール大学のLISA/MILA Labが開発したフレームワーク
• CNTK： マイクロソフトが開発したフレームワーク

　誤解／混乱している人も少なくないと思うが、

• TensorFlow同梱版の「tf.keras」： インストールはpip install tensorflow
• 純正版の「スタンドアロンKeras」： インストールはpip install keras

は別々に存在することに注意してほしい。だとすれば、「tf.kerasとスタンドアロンKerasでは、何が異なるのか？」が気になってくる。※2020/05/13追記：現在は、スタンドアロンKeras（＝マルチバックエンドKeras）はメンテナンスモードとなって、tf.kerasがメインになっており、本稿の内容は一部異なってきているので注意してほしい。詳しくは「マルチバックエンドKerasの終焉、tf.kerasに一本化」を参照してほしい。

　また、Kerasの作者であるFrançois Chollet（@fchollet）氏は、今はグーグル社員である。ということは、「今後のKerasはtf.kerasのみになってしまう可能性があるのか？」と、スタンドアロンKerasの将来性についての疑問も生じる。

　上記の通り、Kerasは少し複雑な提供形態や開発状況になっているので、さまざまな疑問が出てくる状況である。このような数々の疑問点について、「YouTube：TensorFlowチャンネル」の＃AskTensorFlowシリーズ最新の配信動画（下記リンク先）で、Q＆A形式で回答していた。

• TensorFlow 2.0 and Keras (#AskTensorFlow) - YouTube

　知りたい人が多い内容だと思うので、本稿ではその内容を文章で書き起こし、筆者なりにまとめた。

　ちなみに、＃AskTensorFlowシリーズは、ディープラーニングや機械学習の初心者が視聴するのにちょうどよいレベルのTensorFlow紹介動画であり、定期的に発信されているので、興味がある方はぜひチェックしてみてほしい。なお、Twitterでハッシュタグ「#AskTensorFlow」を付けて英語で質問すれば、あなたの疑問もこのシリーズで解説してもらえるかもしれない。

図1　グーグルTensorFlowチームのSoftware EngineerであるAlexandre Passos氏（左）と、同チームのDevelopr AdovocateであるPaige Bailey氏（右）

　さっそくKerasに関するQ＆Aの内容を見ていこう。質問や回答の内容は読み物として成立するように意訳したので、あらかじめご了承いただきたい。以下、会話調で記述する。

Kerasに関するQ＆A

スタンドアロンKerasとtf.kerasは何が違うのでしょうか？

　Kerasはtf.kerasとして（図2）、TensorFlow 2.0（2019年7月5日時点ではまだベータ版）に統合されました。

図2　TensorFlow 2.0に同梱されているKerasである「tf.keras」のドキュメント

　しかし、スタンドアロンKerasは確実に今後も存続します（図3）。

図3　スタンドアロンKerasのドキュメント

　tf.kerasではTensorFlow用の最適化が多く施されていますが、それらの機能はまだスタンドアロンKerasには導入されていません。Kerasの発展について、質問や意見、懸念などがある場合は、ぜひKerasユーザー向けSIG（Special Interest Group：興味を持つ人のための特別グループ）（図4）にご参加の上、お知らせください。

図4　Kerasユーザー向けSIG

スタンドアロンKerasの全機能は、tf.kerasにも含まれていますか？

　シンプルな回答は「いいえ」になります。

　スタンドアロンKerasは、例えばTheanoバックエンドやCNTKバックエンドなど、tf.kerasが持っていない機能をたくさん持っています。しかし、全ての便利な機能（例えばオプティマイザー、メトリクス、損失関数、レイヤー、モデル構築APIといった、Kerasを使ってモデルを訓練しデプロイするための機能）は、tf.kerasにも含まれていますのでご安心ください。

　もちろん、スタンドアロンKerasとtf.kerasの構文は、全く同じではない（例えば図5）にしても非常に似ています。なので、スタンドアロンKerasに精通しているのであれば、tf.kerasもそのまま使いこなせます。

図5　tf.kerasとスタンドアロンKerasでは例えばモジュール名（階層名）が違う

TensorFlow 2.0は、スタンドアロンKerasにどんな変化をもたらすのでしょうか？

　良い質問ですね。その答えは、「まだ定義されていない」ということになります。

　先ほど述べた通り、Kerasユーザー向けSIG（グループの公式サイト、図6）があり、このグループでKerasの新機能を議論・検討しています。そこで、スタンドアロンKerasとtf.kerasの相互関係を定義していっているわけです。

図6　Keras API SIG公式サイト

　理想的には、グーグルがtf.kerasに実装した全ての優れた機能が、オープンソースである元々のスタンドアロンKerasへと逆輸入されてほしいです。そのために、ぜひ皆さんにもSIGに参加してご協力していただければ非常にうれしいです。※著注：ちなみに、Slackコミュニティーもあります。

tf.kerasには、ベイジアン層（Baysian Layer）のサポートはありますか？

　tf.keras自体には、ベイジアン層の機能は含まれていません。しかし、確率論的推論と統計分析のためのライブラリである「TensorFlow Probability（TFP）」には含まれています。

　TFPには、ベイジアン層に関するさまざまな機能が含まれており、例えばたった1行コードを変えるだけで、ディープニューラルネットワークを、ガウス過程（Gaussian Process）に変更するなど、クールなことがいろいろとできます。

　また、『Bayesian Methods for Hackers（ハッカーのためのベイズ手法）』という著名な入門者向け学習コンテンツのTFP利用版も用意しており、下記リンク先からインターネット上でコードを実行しながら読めます。

• Prologue: Why we do it.
• Chapter 1: Introduction to Bayesian Methods（図7）
• Chapter 2: A little more on PyMC
• Chapter 3: Opening the Black Box of MCMC
• Chapter 4: The Greatest Theorem Never Told
• Chapter 5: Would you rather lose an arm or a leg?
• Chapter 6: Getting our prior-ities straight

図7　『Bayesian Methods for Hackers』のChapter 1

tf.kerasを使って、カスタムレイヤーを作成できますか？

　もちろん。自由に作成可能です。

　tf.kerasにも標準のレイヤーや、損失関数、メトリクス、オプティマイザー、モデルなど、スタンドアロンKerasと同等のものが同梱されており、それらを簡単に拡張することもできます。

　もしKerasチームと同じレベルで一からカスタマイズをしたいのでれば、tf.keras.layers.Layerクラスを継承して独自のレイヤー（層）を作るだけです（※参考：「Custom layers | TensorFlow」、図8）。ちなみに、独自のメトリクスや損失関数も同様に作成可能です。

図8　カスタムレイヤーの作成例（TensorFlow公式サイトより）

　独自の損失関数やレイヤーを作成したら、TensorFlow AddonsのSIGに参加し、ぜひGitHubの：tensorflow/addons（図9）にPR（プルリクエスト）で提出することで、オープンソースコミュニティーに貢献してもらえるとうれしいです。

図9　『Bayesian Methods for Hackers』のChapter 1

tf.keras名前空間は、TensorFlow 2.0の将来的なリリースで削除されてしまう可能性はあるのでしょうか？

　もちろん、ありません。

　TensorFlow 2.0（以下、TF 2.0）は安定したパブリックAPIであり、tf.kerasだけでなく、TF 2.0 APIに含まれる各シンボルは、少なくともTF 3.0になるまでは存続する予定です。

　それだけでなく、TF 1.0から取り除かれたシンボルでさえも、tf.compat.v1モジュール（図10）をインポートすることで継続的に利用可能です。

図10　tf.compat.v1モジュールの公式ドキュメント

　よって、既にTF 2.0で利用中のものは、少なくともTensorFlowのバージョンが2.Xである限りは使い続けられます。安心してください。

tf.kerasモデルもSavedModel形式で出力できますか？

　はい。tf.kerasで作成したモデルは、SavedModel形式（＝TensorFlowの標準出力フォーマット）でエクスポートできます。

　SavedModel形式なので、

• モバイル端末向けのTensorFlow Lite
• Web向けのTensorFlow.js
• モデル運用サーバーのTensorFlow Serving

など、TensorFlowエコシステムにおけるさまざまな運用環境で使用可能です。

　実はSavedModel形式は、TensorFlow 2.0における最も大切な機能の一つとして開発に力を入れています。われわれTensorFlowチームは、TensorFlowのモデルを持っていきたい場所であればどんなプラットフォームにでもどんなデバイスにでも、しかもできるだけ簡単に、エクスポートできるようにしたいのです。

　ちなみに、SavedModel形式で保存された出力モデルであれば、それをPython上のtf.kerasモデルに戻し、それを使って推論するようなことも可能です（図11）。「本当にシームレスで使いやすい」と感じていただけると思います。

図11　SavedModel形式の出力モデルをPython上のtf.kerasモデルに戻して推論を実行しているサンプルコード（公式サイトより）

---

　以上が「TensorFlow 2.0 and Keras (#AskTensorFlow) - YouTube」の全内容である。まとめると、TensorFlowを使うユーザーであれば、tf.kerasを使っておけば、何も問題ないということである。特に初心者はtf.kerasから始めるのがお勧めだ。Please follow on Twitter @DeepInsiderJP.

「TensorFlow 2＋Keras（tf.keras）入門」

驍ｵ�ｺ髦ｮ蜻ｻ�ｿ�ｽ鬯ｨ�ｾ�ｽ�｣鬮ｴ莠･�ｳ�ｨ�ｽ蝣､�ｸ�ｲ驕抵ｿｽﾂ€�ｽ�｣鬮ｴ驛∵ｭ難ｿｽ�ｨ陋滂ｿｽ�ｽ�ｺ闕ｵ譏ｴ�樣Δ譎｢�ｽ�ｩ驛｢譎｢�ｽ�ｼ驛｢譎冗樟�つ€鬮ｦ�ｪ遶企ｦｴﾂ€蜈ｷ�ｽ�ｻ鬯ｪ�ｭ�ｽ�ｲ驍ｵ�ｺ陷ｷ�ｶ�ｽ�ｽ New