検索
TensorFlow 2＋Keras（tf.keras）入門
TensorFlow 2＋Keras（tf.keras）入門
機械学習の勉強はここから始めてみよう。ディープラーニングの基盤技術であるニューラルネットワーク（NN）を、知識ゼロの状態から概略を押さえつつ実装。さらにCNNやRNNも同様に学ぶ。これらの実装例を通して、TensorFlow 2とKerasにも習熟する連載。
※旧バージョン「TensorFlow 1.x」に対応した連載「TensorFlow入門」はこちらです。
第1回 初めてのニューラルネットワーク実装、まずは準備をしよう ― 仕組み理解×初実装（前編）（2019/09/19）
- ニューラルネットワークは難しくない
- ディープラーニングの大まかな流れ
1データ準備
・Playgroundによる図解
・Pythonコードでの実装例
2問題種別
・Playgroundによる図解
・Pythonコードでの実装例
3前処理
・Playgroundによる図解
・訓練用／精度検証用のデータ分割について
・ノイズについて
・Pythonコードでの実装例
第2回 ニューラルネットワーク最速入門 ― 仕組み理解×初実装（中編）（2019/10/17）
- 4“手法”の選択とモデルの定義： ニューロン
・Playgroundによる図解
- 入力
- 何らかの計算結果の出力
・Pythonコードでの実装例
- TensorFlow 2.0のインストール
- tensorflowパッケージのインポート
- Kerasにおけるモデルの書き方
- モデルの定義
- モデルへの入力と出力（フォワードプロパゲーション）
4“手法”の選択とモデルの定義： ニューラルネットワーク
・Playgroundによる図解
- ニューラルネットワークの基本形
- ニューロンの数を増やす
- レイヤー（層）の数を増やす
・Pythonコードでの実装例
- モデルの定義
4“手法”の選択とモデルの定義： 活性化関数
・Playgroundによる図解
- 活性化関数
・Pythonコードでの実装例
4“手法”の選択とモデルの定義： 正則化
・Playgroundによる図解
- 正則化
- 正則化率
・Pythonコードでの実装例
第3回 ディープラーニング最速入門 ― 仕組み理解×初実装（後編）（2019/12/16）
- 5“学習方法” の設計とモデルの生成： 損失関数
・Playgroundによる図解
- 回帰問題／分類問題でよく使われる損失関数
- 誤差とは
- なぜ「二乗」するか
・Pythonコードでの実装例
5“学習方法” の設計とモデルの生成： 最適化
・Playgroundによる図解
- 最適化とは
- 勾配法とは
・【コラム】偏微分と線形代数と統計学
・Pythonコードでの実装例
5“学習方法” の設計とモデルの生成： 学習率
・Playgroundによる図解
・Pythonコードでの実装例
6学習： トレーニング
・Playgroundによる図解
- バックプロパゲーション（誤差逆伝播法）
- エポック単位でのステップ学習
・Pythonコードでの実装例
6学習： バッチサイズ
・Playgroundによる図解
・Pythonコードでの実装例
7評価： 損失のグラフ
・Playgroundによる図解
・Pythonコードでの実装例
- 早期終了とCSVログ出力
8テスト： 未知データで推論と評価
・Playgroundによる図解
・Pythonコードでの実装例 - まとめ
第4回 知ってる!? TensorFlow 2.0最新の書き方入門（初中級者向け）（2020/02/27）
- TensorFlowにおける、3種類／6通りのモデルの書き方
・3種類のAPI
・6通りのモデルの書き方
・TensorFlow 2.0最新の書き方入門連載（全3回）について
・TensorFlowのエコシステム／機能構成図 - コードの書き方を実行するための準備
・前提条件
・データについて
・ディープニューラルネットワークのモデル設計 - （1）Sequentialクラスのコンストラクター利用［tf.keras - Sequential API］
・重み／バイアスの初期化指定【応用】
・学習と推論： 書き方入門（初中級者向け）で共通
・作成済みモデルのリセット - （2）Sequentialオブジェクトのaddメソッドで追加［tf.keras - Sequential API］
- （2）Sequentialオブジェクトのaddメソッドで追加［tf.keras - Sequential API］
- （3）Modelクラスのコンストラクター利用［tf.keras - Functional API］
- 次回について
第5回 お勧めの、TensorFlow 2.0最新の書き方入門（エキスパート向け）（2020/03/10）
- ・どの書き方を採用すべきか
- コードの書き方を実行するための準備
・前提条件 - （4）Modelクラスのサブクラス化［tf.keras - Subclassing／Imperative API］
・モデルの内容と構成図の出力について
- 方法1
- 方法2
- 方法3
・学習と推論： 書き方入門（エキスパート向け）
- 初中級者向け書き方の復習
- 推論
- 学習について
- オプティマイザ（最適化用オブジェクト）
- オプティマイザ（最適化用オブジェクト）
- 損失関数
- 評価関数
- tf.dataデータセット
- 学習（1回分）
- 勾配テープと自動微分
- 重みの更新
- 損失と正解率
- 精度検証の処理について
- @tf.functionとAutoGraph
・【コラム】訓練／評価モードについて
- 学習（ループ処理）
- 評価（メトリクス）
- 評価（推移グラフ） - 次回について
第6回 カスタマイズするための、TensorFlow 2.0最新の書き方入門（2020/03/23）
- ・今回の内容と方針について
- コードの書き方を実行するための準備
・前提条件 - （5）TensorFlow低水準APIでカスタム実装［TensorFlow Low-level API］
・基本パターン
・活性化関数のカスタム実装
・レイヤーのカスタム実装
・オプティマイザ（最適化アルゴリズム）のカスタム実装
・学習のカスタム実装について
・損失関数のカスタム実装
・評価関数（正解率や損失）のカスタム実装
・ここまでのカスタム実装の使用例 - （6）作成済みEstimatorsの利用［tf.estimator］（※非推奨）
- 次回以降について
第7回 回帰問題をディープラーニング（基本のDNN）で解こう（2020/05/25）
- 今回の内容と方針について
・回帰問題とは？
・今回、取り扱う回帰問題について
・今回、採用するTensorFlow 2の書き方について
・本稿で説明する大まかな流れ - （0）本ノートブックを実行するための事前準備
・前提条件 - （1）データの準備
・バッチデータの作成について - （2）モデルの定義
・ディープニューラルネットワークのモデル設計 - （3）学習／最適化（オプティマイザ）
- （4）評価／精度検証
- （5）テスト／未知データによる評価
・学習済みモデルによる推論結果のヒートマップ - 次回について
第8回 分類問題をディープラーニング（基本のDNN）で解こう（2020/06/08）
- 今回の内容と方針について
・分類問題とは？
・二値分類
・多クラス分類
・二値分類と多クラス分類の出力層の比較
・今回、取り扱う分類問題について
・今回、採用するTensorFlow 2の書き方について
・本稿で説明する大まかな流れ - （0）本ノートブックを実行するための事前準備
・前提条件 - ―――【多クラス分類編】―――
- （1）データの準備
・MNIST系の画像データセットのフォーマットについて
・入力データの正規化（Normalization） - （2）モデルの定義
・ディープニューラルネットワークのモデル設計 - （3）学習／最適化（オプティマイザ）
- （4）評価／精度検証
- （5）テスト／未知データによる評価
- 実運用のイメージ
・次のページは…… - ―――【二値分類編】―――
- （6）データの準備
・入力データの正規化（Normalization） - （7）モデルの定義
・ディープニューラルネットワークのモデル設計 - （8）学習／最適化（オプティマイザ）
- （9）評価／精度検証
- （10）推論／未知データによるテスト
- 実運用のイメージ
- 次回について
第9回 機械学習の評価関数（回帰／時系列予測用）を使いこなそう（2020/08/17）
- ・時系列予測について
- 二乗単位（MSE／MSLE）と、元の単位（MAE／RMSE／RMSLE）と、パーセント（MAPE／RMSPE）の使い分け
- 平均絶対誤差（MAE：Mean Absolute Error）
- 平均二乗誤差（MSE：Mean Squared Error）
・平均二乗誤差の平方根（RMSE：Root Mean Squared Error） - 平均二乗対数誤差（MSLE：Mean Squared Logarithmic Error）
・平均二乗対数誤差の平方根（RMSLE：Root Mean Squared Logarithmic Error） - 平均絶対パーセント誤差（MAPE：Mean Absolute Percentage Error）
・平均二乗パーセント誤差の平方根（RMSPE：Root Mean Squared Percentage Error）
第10回 機械学習の評価関数（二値分類用）の基礎を押さえよう（2020/10/27）
- 二値分類用［基礎編］（Binary classification）
・混同行列（Confusion Matrix）について
・正解率（Binary Accuracy）
・適合率（Precision）
・再現率（Recall）／感度（Sensitivity）
・特異度（Specificity）
・F値（F-measure、F-score）／F1スコア（F1-score）
・重み付きF値（Weighted F-measure）／Fβスコア（Fβ-score）
第11回 機械学習の評価関数（二値分類／多クラス分類用）を理解しよう（2021/03/04）
- 二値分類用［応用編］（Binary classification）
・LogLoss（Binary Logarithmic Loss）
・AUC（Area Under the ROC Curve）
・【コラム】Gini係数はAUCと密接に関連する評価指標
・PR-AUC（Area Under the Precision-Recall Curve、AUC-PR）／AP（Average Precision） - 多クラス分類用（Multi-class classification）
・正解率（Multi-class Accuracy）
・LogLoss（Multi-class Logarthimic Loss） - compile()＆fit()メソッド使用時に「評価」を実行する方法
番外編1 スタンドアロンKerasとtf.kerasの違いとは？ 〜 #AskTensorFlow より〜（2019/07/10）
- 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？
・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？
・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？
・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を使って、カスタムレイヤーを作成できますか？
・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？
・tf.kerasモデルもSavedModel形式で出力できますか？
番外編2 マルチバックエンドKerasの終焉、tf.kerasに一本化（2020/05/13）
- Keras公式サイトがtf.kerasを使っている!?
- Kerasの歴史
番外編3 tf.kerasが終了 Keras 3がTensorFlowから独立し、マルチバックエンド復活！（2024/05/22）
- Keras 3.0がTensorFlowから独立
- TensorFlow 2.16以降ではKeras 3がデフォルトに
- TensorFlowでKeras 3はどう書く？
- Keras 3やディープラーニングのライブラリについての私見
総合記事ランキング
- 生成AIに課金している約1000人が感じている課題 「ハルシネーション」を抑えた第1位は？
- “脱Docker”として注目の「Podman」と無料の管理ツール「Podman Desktop」とは Dockerとの違いは？
- 【Googleダークウェブレポート】自身の個人情報がダークウェブに流出していないか確認する
- Stability AI、無料で利用できる「Stable Diffusion 3.5 Large」に3種類の「ControlNet」を追加 何ができる？
- iPhone 16 Proを使い始めて、「最新のスマホなんかいらない」という呪いが解けた
- 日付から自動的に曜日を入力する【Googleスプレッドシート編】
- 2.5兆トークンを学習したOSSのコード生成LLM「OpenCoder」公開 プロジェクトが明す、コードLLM構築に重要な3要素とは
- 諸般の事情からPDF→JPEGに変換したいときの方法4種
- 互換性チェックをバイパスしてシステム要件を満たさないPCでもWindows 11 2024 Update（バージョン24H2）にする
- 「Windowsメモリ診断ツール」でメモリの不具合をチェックする