層の凍結と再学習（layer.trainable = False）

Kerasにおける転移学習やファインチューニングでは、「層の凍結（freeze）」や「再学習（unfreeze）」の操作が重要です。これらは、モデルの一部の層の重みを固定したり、再び学習可能にしたりすることで、学習効率や汎化性能を高めるために利用されます。

---

1. 層の凍結（layer.trainable = False）

概要

転移学習では通常、**事前学習済みモデル（例：VGG16, ResNet）をベースにして、新しいタスクに対する学習を行います。その際、事前学習モデルの一部またはすべての層の重みを固定（凍結）**することで、既存の知識（低レベル特徴など）を保持します。

凍結の方法（コード例）

python
from tensorflow.keras.applications import VGG16

# 事前学習済みモデル（全層含む）を読み込み
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# すべての層を凍結（学習不可に）
for layer in base_model.layers:
    layer.trainable = False

この設定により、model.fit()を行ってもこれらの層の重みは更新されず、固定された状態になります。

---

2. 新しいタスクのための出力層の追加

事前学習済みの部分に新しい出力層を追加して、新しいデータセットに適応させます。

python
from tensorflow.keras import models, layers

# 転移学習用の新しいモデル構築
model = models.Sequential([
    base_model,  # 凍結済みのベース
    layers.Flatten(),
    layers.Dense(256, activation='relu'),
    layers.Dense(10, activation='softmax')  # クラス数に応じて変更
])

---

3. 層の再学習（ファインチューニング）

概要

転移学習の第2段階として、凍結していた一部の層を再び学習可能（unfreeze）にすることで、より対象データに特化したモデルに調整する手法がファインチューニングです。

再学習の方法（コード例）

python
# 最後の数層だけ再学習可能にする
for layer in base_model.layers[-4:]:
    layer.trainable = True

※学習率は小さめに設定するのが一般的です（例：optimizer=Adam(learning_rate=1e-5)）。これは、事前学習済みの重みを大きく変えすぎないためです。

---

4. 凍結・再学習の流れ（まとめ）

---

5. 注意点

• BatchNormalization層は凍結・再学習の際の挙動が特殊です。訓練・推論のモードによって挙動が変わるため、凍結時は特に慎重に扱う必要があります。

• 層を再学習可能にした場合は、model.compile()を再度実行する必要があります。これは、コンパイル時に各層のtrainable状態が固定されるためです。

---

このように、Kerasではlayer.trainable = Falseを使うことで、事前学習モデルの層の学習可否を柔軟に制御し、効果的な転移学習・ファインチューニングが実現できます。