Python APIの基本的な使い方

Microsoft Cognitive Toolkit（CNTK）は、Pythonから直感的にモデル構築・学習・推論を行える強力な機械学習フレームワークです。以下では、CNTKのPython APIの基本的な使い方を段階的に詳しく説明します。

---

1. CNTKのインポート

まず、CNTKをPythonスクリプトにインポートします。

python
import cntk as C

---

2. 入力変数とラベルの定義

CNTKでは、C.input_variableで入力データの変数を定義します。

python
# 入力: 特徴量数は2次元（例：x, y）
input_var = C.input_variable(2)

# 教師ラベル（1または0）
label_var = C.input_variable(1)

---

3. ネットワークモデルの定義

CNTKではDense（全結合層）などのユーティリティを用いてモデルを定義できます。

python
# シンプルな1層のニューラルネットワーク
model = C.layers.Dense(1, activation=C.sigmoid)(input_var)

---

4. 損失関数と評価関数の定義

学習には損失関数が必要です。分類問題でよく使われるのはバイナリクロスエントロピーです。

python
# 損失関数（誤差）
loss = C.losses.binary_cross_entropy(model, label_var)

# 評価関数（正解率などの指標に使う）
metric = C.metrics.binary_classification_error(model, label_var)

---

5. トレーナーの設定

学習アルゴリズム（例：SGD）と一緒にトレーナーを定義します。

python
# 学習率の設定
learning_rate = 0.1
learner = C.sgd(model.parameters, C.learning_parameter_schedule(learning_rate))

# トレーナーの定義
trainer = C.Trainer(model, (loss, metric), [learner])

---

6. モデルの学習

データを使ってトレーニングループを回します。

python
# 学習データ（例）
import numpy as np
features = np.array([[0,0], [0,1], [1,0], [1,1]], dtype=np.float32)
labels   = np.array([[0], [1], [1], [0]], dtype=np.float32)  # XOR問題

for epoch in range(1000):
    for x, y in zip(features, labels):
        trainer.train_minibatch({input_var: [x], label_var: [y]})

---

7. 推論（予測）

学習済みモデルを使って新しいデータを予測します。

python
output = model.eval([[1.0, 1.0]])
print("Prediction:", output)

---

8. モデルの保存と読み込み

python
# 保存
model.save("xor_model.dnn")

# 読み込み
loaded_model = C.Function.load("xor_model.dnn")

---

補足

• CNTKはNumPy互換のデータ形式を多く使用します。

• モデル定義にC.layers.Sequentialを使って複雑なモデルも構築可能です。

• GPUも自動で活用されるため、高速な計算が可能です。