事前学習モデルの利用（例：VGG16, ResNet）

Kerasにおける**転移学習（Transfer Learning）とファインチューニング（Fine-tuning）**は、大規模データセットで事前学習されたモデル（例：VGG16やResNet）を再利用することで、少量のデータでも高い性能を得るための手法です。以下に、その概念と具体的な実装方法を詳しく説明します。

1. 転移学習とは

転移学習とは、ImageNetなどの大規模データセットで訓練されたモデルの学習済み重みを、新しいタスクに再利用する技術です。一般的な画像認識の特徴（エッジ、模様など）は多くのタスクに共通しているため、最初の層（低レベルの特徴抽出器）をそのまま活用し、最後の全結合層だけを入れ替えることで、高い精度を短時間で実現できます。

2. 事前学習モデルの例

Kerasは以下のような事前学習済みモデルを提供しています（keras.applicationsモジュール）：

  • VGG16 / VGG19：シンプルな構造で理解しやすい。特徴抽出タスクに適している。

  • ResNet50 / ResNet101：残差接続（Residual connection）を使って非常に深いネットワークを安定的に学習可能。

  • InceptionV3：異なるサイズの畳み込みを組み合わせて効率よく特徴抽出。

  • MobileNet / EfficientNet：軽量でモバイル端末にも適している。

3. 転移学習の手順（VGG16を例に）

python
from tensorflow.keras.applications import VGG16
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras import Input

# 入力サイズを指定
input_tensor = Input(shape=(224, 224, 3))

# VGG16を読み込み（全結合層は除く、重みはImageNet）
base_model = VGG16(weights='imagenet', include_top=False, input_tensor=input_tensor)

# 学習済み層を凍結（変更しない）
for layer in base_model.layers:
    layer.trainable = False

# 新しい分類ヘッドを構築
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(128, activation='relu')(x)
output = Dense(10, activation='softmax')(x)  # 10クラス分類

# 新しいモデルを定義
model = Model(inputs=base_model.input, outputs=output)

4. ファインチューニング（Fine-tuning）

ファインチューニングは、一部の上位層（後半の層）を再学習させて、新しいタスクに特化させる手法です。以下のようにして、特定の層以降を再学習させます。

python
# 一部の層を学習可能に設定（例：後半の4層だけ）
for layer in base_model.layers[-4:]:
    layer.trainable = True

学習率は小さく設定（例：1e-5程度）することが推奨されます。大きすぎると事前学習済みの知識を破壊してしまう可能性があるためです。

5. モデルのコンパイルと訓練

python
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_data, train_labels, epochs=10, validation_data=(val_data, val_labels))

6. 利点と注意点

利点

  • 少ないデータでも高精度が出る

  • 訓練時間を大幅に短縮できる

  • 精度が安定しやすい

注意点

  • 入力サイズや前処理が事前学習モデルに合っている必要がある

  • 過学習しやすいためEarlyStoppingなどのコールバックも併用するとよい

まとめ

事前学習モデル（VGG16, ResNetなど）を利用した転移学習とファインチューニングは、Kerasにおいて非常に有効な手法です。まず特徴抽出器としてモデルを活用し、最終層をカスタマイズ。その後、必要に応じて上位層を微調整することで、新しいタスクに対して効率的に対応できます。

生成日：2025/05/22