ディープラーニングモデルを自動構築するAutoML OSS「AutoKeras」：AutoML OSS入門（7）（1/3 ページ）

AutoML OSSを紹介する本連載第7回は、KerasベースのAutoML OSSである「AutoKeras」を解説します。AutoKerasは、ENAS（Efficient Neural Architecture Search）によりニューラルネットワークの構造設計とハイパーパラメーターチューニングを自動で行うツールです。

[鶴田彰, 八木真理奈, 猪狩義貴, 田村広平, 喜多陵，共著]

印刷

通知 連載「％」の新着をメールで通知

髫穂ｹ晢ｽ�Post

Shareシェア

はてなブックマーク

SharePocket Button

本記事で紹介したノートブックはGitHubにて公開しています。すぐに実行できますので、ぜひご利用ください。

　本連載第6回では、最小限のPythonコードでAutoMLを実現するローコード機械学習ライブラリ「PyCaret」を紹介しました。今回はディープラーニングモデルを自動構築する「AutoKeras」を紹介します。

AutoKerasとは

　AutoKerasは、TensorFlowまたはMicrosoft Cognitive Toolkit（CNTK）などの高レベルAPIであるKeras（現在はtf.keras〈※〉）をベースとしたAutoMLシステムで、テキサスA&M大学のData Labで開発されました。

　AutoKerasの目標は、公式サイトで“The goal of AutoKeras is to make machine learning accessible to everyone.”と書かれているように、機械学習を誰もが近づきやすいものにすることです。

※現在KerasはTensorFlowに取り込まれ、以前のKerasと区別するためにtf.kerasと呼ばれることがあります。

開発元	テキサスA&M大学 Data Lab
GitHub公開日	2017年11月
リポジトリ	https://github.com/keras-team/autokeras
実装言語	Python
ライセンス	Apache-2.0 License
公式サイト	https://autokeras.com/
表1 AutoKerasの基本情報

　AutoKerasは以下のような識別器クラスを備えており、画像をはじめテキストやテーブルデータなどを扱うことができます。

識別器	機能
ImageClassifier	画像の分類
ImageRegressor	画像による回帰
TextClassifer	テキストの分類
TextRegressor	テキストによる回帰
StructuredDataClassifier	構造化データの分類
StructuredDataRegressor	構造化データによる回帰
TimeSeriesForecaster	時系列予測
表2 AutoKerasの識別器

　そして、各識別器クラスは、以下のようなメソッドを備えています。

メソッド	機能
fit()	学習
predict()	予測
evaluate()	評価
export_model()	モデルのエクスポート
表3 識別器クラスのメソッド一覧

　具体例は次の章で説明しますが、AutoKerasの基本的な使い方は非常に簡単で、以下のような短いコードで学習や予測ができます。

import autokeras as ak
 
clf = ak.ImageClassifier()
# 学習
clf.fit(X_train, y_train)
# 予測
predictions = clf.predict(X_test)

主な特徴

　AutoKerasは、AutoMLができる他のOSS（オープンソースソフトウェア）と比較して次のような特徴があります。

• Efficitent Neural Architecture Search（ENAS）によるニューラルネットワークの構造設計
• マルチモーダル＆マルチタスクにも対応

ENASによるニューラルネットワークの構造設計

　AutoKerasはENASと呼ばれる効率的な最新のNeural Architecture Searchを実現しており、最適なニューラルネットワーク構造を自動で見つけてくれます。

　AutoKerasのシステムアーキテクチャを図1に示します。API呼出し後の処理フローは次のようになっています。

1. Searcherのベイジアンオプティマイザーは、CPUを使って新しいニューラルアーキテクチャを生成する
2. Graphモジュールは、生成されたニューラルアーキテクチャからRAM上にパラメーターを持つ実際のニューラルネットワークを構築する
3. Model Trainerは、構築されたニューラルネットワークをGPUにコピーし、学習する
4. 学習済みのニューラルネットワークはストレージに保存される

図1 AutoKerasのシステム概要（出典:Auto-Keras: An Efficient Neural Architecture Search System）

マルチモーダル＆マルチタスクにも対応

　AutoKerasでは、図2に示すようなマルチモーダルおよびマルチタスクニューラルネットワークモデルによる予測もできます。

図2 マルチモーダル＆マルチタスクニューラルネットワークモデルの例（出典:公式チュートリアル）

　マルチモーダルとは、さまざまな種類の情報（画像、テキスト、構造化データ）のことで、複数のデータソースからモデルを学習する仕組みをマルチモーダル学習といいます。例えば、写真を分類するために、画像に加えて、撮影日時や撮影場所（位置情報）などの構造化データも利用するような場合が考えられます。

　同じ入力特徴量から複数のターゲットを予測するマルチタスクにも対応しています。複数のターゲットを1つのモデルで学習することをマルチタスク学習といいます。例えば、写真に写っている人物の性別を判定するだけでなく、その年齢を予測することなどが考えられます。

　AutoModelクラスを使用して、マルチモーダルおよびマルチタスクニューラルネットワークを初期化し、学習するコードの例を示します。

# モデルの初期化
model = ak.AutoModel(
    inputs=[ak.ImageInput(), ak.StructuredDataInput()],
    outputs=[
        ak.RegressionHead(metrics=["mae"]),
        ak.ClassificationHead(loss="categorical_crossentropy", metrics=["accuracy"]),
    ],
    overwrite=True,
    max_trials=2
)
# モデルの学習
model.fit(
    [image_data, structured_data],
    [regression_target, classification_target],
    epochs=3
)