Pythonのディープラーニングのサンプルコードについて

2023年12月20日

Pythonでディープラーニングを実装する際には、TensorFlowやPyTorchのようなライブラリが一般的に使用されます。

ここでは、TensorFlowを用いた基本的なディープラーニングのサンプルコードについて説明します。

このサンプルでは、手書き数字の認識（MNISTデータセット）を行う簡単なニューラルネットワークを構築します。

必要なライブラリのインストール

まず、TensorFlowをインストールする必要があります。

これは通常、以下のコマンドで行えます（環境によってはpipの代わりにpip3を使用）。

pip install tensorflow

サンプルコード

以下のコードは、TensorFlowを使用して単純なニューラルネットワークを構築し、MNISTデータセットでトレーニングと評価を行う例です。

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.losses import SparseCategoricalCrossentropy
from tensorflow.keras.optimizers import Adam

# MNISTデータセットの読み込み
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 画像データの正規化
train_images = train_images / 255.0
test_images = test_images / 255.0

# モデルの構築
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 入力層（28x28ピクセルの画像を平滑化）
    Dense(128, activation='relu'),  # 隠れ層（128ユニット）
    Dense(10, activation='softmax') # 出力層（10クラス）
])

# モデルのコンパイル
model.compile(optimizer=Adam(),
              loss=SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

# モデルのトレーニング
model.fit(train_images, train_labels, epochs=5)

# モデルの評価
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test Accuracy: {test_acc}")

このコードでは、以下の手順でディープラーニングモデルのトレーニングと評価を行っています。

データの読み込みと前処理:
MNISTデータセットを読み込み、画像データを0から1の範囲に正規化しています。
モデルの構築:
Sequential モデルを使用して、入力層、隠れ層（ReLU活性化関数を使用）、出力層（Softmax活性化関数を使用）を持つニューラルネットワークを構築しています。
モデルのコンパイル:
モデルをコンパイルする際に、最適化アルゴリズム（Adam）、損失関数（Sparse Categorical Crossentropy）、評価指標（精度）を指定しています。
トレーニング:
fit メソッドを使用して、トレーニングデータでモデルをトレーニングしています。
評価:
evaluate メソッドを使用して、テストデータでモデルの性能を評価しています。