CNN（画像分類、転移学習）

機械学習フレームワークTensorFlowにおけるCNN（畳み込みニューラルネットワーク）を用いた画像分類および転移学習について、以下に詳しく説明します。

---

1. CNN（畳み込みニューラルネットワーク）の概要

CNN（Convolutional Neural Network）は、画像認識に特化したニューラルネットワークの一種で、主に以下の層で構成されます：

• 畳み込み層（Conv2D）：画像から局所特徴（エッジやテクスチャ）を抽出。

• 活性化関数（ReLUなど）：非線形性を導入。

• プーリング層（MaxPooling2D）：空間的なサイズを縮小し、計算効率と特徴の抽象度を高める。

• 全結合層（Dense）：高次特徴を分類タスクに使用。

---

2. TensorFlowでのCNN画像分類モデル構築の流れ

ステップ1：データの準備

python
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.utils import to_categorical

(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = to_categorical(y_train), to_categorical(y_test)

ステップ2：モデルの構築

python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2,2)),
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D((2,2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

ステップ3：コンパイルと学習

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

model.fit(x_train, y_train, epochs=10, validation_split=0.2)

ステップ4：評価と予測

python
model.evaluate(x_test, y_test)
predictions = model.predict(x_test)

---

3. 転移学習（Transfer Learning）

転移学習は、既に大規模データで学習済みのモデル（例：MobileNet, ResNet）をベースにして、新しいタスクに適用する手法です。特徴抽出部分をそのまま活かし、出力層だけを新しい分類タスク用に再学習させます。

実装例：MobileNetV2の転移学習

python
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.models import Model
from tensorflow.keras.layers import GlobalAveragePooling2D, Dense

# 事前学習済みモデルを読み込み（出力層なし）
base_model = MobileNetV2(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
base_model.trainable = False  # 凍結（fine-tuningしない）

# 新しい分類層を追加
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

学習と評価

python
# 必要に応じてデータのリサイズと前処理が必要
# model.fit(x_train_resized, y_train, ...)
# model.evaluate(x_test_resized, y_test)

---

4. 転移学習の応用と利点

• 少量データでも高精度が可能

• 学習時間が大幅に短縮される

• 汎用的な特徴抽出器として高性能

---

5. まとめ

---

TensorFlowを使ったCNNと転移学習は、画像分類タスクの精度向上と開発効率化に非常に有効なアプローチです。特に、少量のラベル付きデータで高性能モデルを構築したい場合に、転移学習は重要な戦略となります。