モデルの構築、コンパイル、学習、評価、予測の流れ

Kerasは、ニューラルネットワークを簡潔かつ直感的に記述できる高水準の機械学習フレームワークです。ここでは、「モデルの構築、コンパイル、学習、評価、予測の流れ」について、Sequential API をベースに詳しく解説します。

1. モデルの構築（Build）

モデルは、複数の層（Layer）を順番に積み重ねることで構築します。最も基本的な方法は Sequential クラスを使うものです。

python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

この例では：

  • 入力は784次元（例：MNIST画像を1次元にフラット化）

  • 隠れ層を2つ（ReLU活性化関数）

  • 出力層は10クラスの分類用（Softmax関数）

2. モデルのコンパイル（Compile）

構築したモデルに対して、学習時の設定（損失関数、最適化手法、評価指標）を指定します。

python
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

主な引数：

  • optimizer: パラメータの更新手法（例：SGD, Adam）

  • loss: 損失関数（タスクに応じて変更）

  • metrics: 学習中に評価する指標（通常は精度など）

3. モデルの学習（Fit）

トレーニングデータを用いて、モデルの重みを調整します。

python
history = model.fit(
    x_train, y_train,
    epochs=10,
    batch_size=32,
    validation_split=0.2
)

主な引数：

  • x_train, y_train: 学習データ

  • epochs: エポック数（データを何周学習するか）

  • batch_size: 一度に学習に使うサンプル数

  • validation_split: 検証用データに使う割合

4. モデルの評価（Evaluate）

学習後、未知のテストデータに対して性能を評価します。

python
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

戻り値は損失値と指定した評価指標（この例では精度）です。

5. モデルの予測（Predict）

学習済みモデルを用いて、新しいデータに対して出力を予測します。

python
predictions = model.predict(x_new)

predictions は出力層の値（Softmax出力など）であり、分類問題では argmax を取ることでクラスラベルを決定します。

python
import numpy as np
predicted_labels = np.argmax(predictions, axis=1)

全体の流れまとめ

text
構築 → コンパイル → 学習 → 評価 → 予測

この一連の流れは、Kerasによってシンプルに記述できるよう設計されています。直感的なAPI設計により、初心者から上級者まで広く利用されています。

生成日：2025/05/22