深層学習のライブラリ!Kerasの使い方【初心者向け】

初心者向けにディープラーニングのライブラリであるKerasとは何か、どうやって使うのか解説しています。Tensorflowなどと同じく深層学習を使って開発を行う際に使います。実際にプログラムを書いて作成しているので、参考にしてみてください。

テックアカデミーマガジンは受講者数No.1のプログラミングスクール「テックアカデミー」が運営。初心者向けにプロが解説した記事を公開中。現役エンジニアの方はこちらをご覧ください。 ※ アンケートモニター提供元:GMOリサーチ株式会社 調査期間:2021年8月12日~8月16日  調査対象:2020年8月以降にプログラミングスクールを受講した18~80歳の男女1,000名  調査手法:インターネット調査

監修してくれたメンター

nakamoto

アジマッチ有限会社代表取締役社長。書籍化歓迎。対応業務:PHP(Laravel)、機械学習、Vue.js、LAMP・AWS、越境EC、CTO、エンジニア採用、CTO、経営者の不安解決コンサルティング。

今回は、深層学習(ディープラーニング)のライブラリであるKerasについて解説します。

Kerasを学習することで、簡単なコードで機械学習のアルゴリズムのライブラリを利用できます。

実務でも、文章自動生成、画像認識、自動応答などの分野でKerasを利用するので、Kerasを学習してみてください。

 

目次

1時間でできる無料体験!
大石ゆかり

田島メンター!Kerasというのは何でしょうか?

田島悠介

深層学習(ディープラーニング)のライブラリのことだよ。TensorFlowやTheanoのような他のライブラリより、簡単にプログラムを書くことができるんだ。

大石ゆかり

どのような機能があるのですか?

田島悠介

例を見ながら説明していくね!

 

Kerasとは

Kerasは、オープンソースの 深層学習(ディープラーニング) のライブラリです。

ライブラリとは、便利な機能を使いやすくまとめているプログラムです。

ライブラリについては、自分で必要な本を書くのではなく、図書館のように読みたい本がまとまっている施設で、必要な本を読んで利用するというような便利機能です。

Kerasは、「ケラス」と読みます。

Kerasは、TensorFlowやMicrosoft Cognitive Toolkit(CNTK)、ONNX、Theanoといった他の深層学習(ディープラーニング)のライブラリの上で動作します。

TensorFlowとは、「テンソルフロー」や「テンサーフロー」と読みます。

TensorFlowは、Googleが開発したニューラルネットという脳機能の特徴をシミュレーションする計算ライブラリです。

Microsoft Cognitive Toolkit(CNTK)とは、「マイクロソフトコグニティブツールキット」と読みます。

Microsoft Cognitive Toolkit(CNTK)は、マイクロソフトが開発した統合深層学習ツールキットです。

Theanoとは、「テアノ」と読みます。

Theanoは、直感的な数式を実装することで、深層学習の微分を実行することができるライブラリです。

Kerasの情報は、公式サイトやブログ、GitHubなどから入手できます。

 

Keras公式サイト

Kerasに関する情報を体系的に得ることができます。

簡単なチュートリアル(Getting Start)もあります。

Keras公式サイト

 

Keras公式ブログ

Kerasに関する最新情報、サンプルプログラムなどが公開されています。

ブログ

 

Keras 公式GitHub

Kerasのソースコードが公開されています。

GitHub

 

Kerasを利用するには

Kerasを利用するには、Anacondaなどの開発環境のパッケージを使うのが簡単です。

Anacondaについては、効率的に開発!AnacondaでPythonの環境構築する方法 を参考にしてみてください。

Anacondaは、データ分析やグラフ描画など、Pythonでよく利用されるライブラリを含んだ開発環境です。

なお、Anacondaなどの開発環境を利用せず、手動でKerasをインストールして利用することもできますが、今回は解説しておりません。

テックアカデミーAIコースでは、コマンドから指定してTensorFlowをインストールしたり、プログラム内でKerasをインポートして利用する学習を行っておりますので、ご興味があればぜひご覧ください。

 

Kerasのインストール方法

AnacondaにKerasをインストールするには、次の操作を参考にしてください。

1.メニュー画面のEnvironmentsから、Not Installedを選択し、検索BOXに「keras」と入力します。

2.一覧にKerasが表示されますので、チェックボックスで選択し、画面右下のApplyボタンを押すことでインストールできます。

同様に、TensorFlowも検索し、インストールしておきましょう。

 

[PR]機械学習で挫折しない学習方法を動画で公開中

Kerasを使った深層学習(ディープラーニング)

それでは、Kerasを使った深層学習(ディープラーニング)のプログラムを作ってみましょう。

このプログラムは、KerasのGitHubのサンプルプログラム「mnist_mlp」を参考にしています。

このプログラムは、MNISTという手書き文字の画像のデータセットを分類するものです。

MNISTは60,000件の訓練データと10,000件のテストデータで構成されています。

各データ(画像)は28×28ピクセルの白黒画像です。

MNIST

ソースコード全体はこちらです。

一部コメントを日本語にしています。

開発環境によってエラーが出る場合は、ご自身の環境に合わせて実行環境の修正をしておくと良いですよ。

 

サンプルコード

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop

batch_size = 128  # 訓練データを128ずつのデータに分けて学習させる
num_classes = 10 # 分類させる数。数字なので10種類
epochs = 20 # 訓練データを繰り返し学習させる数

# 訓練データ(train)とテストデータ(test)を取得する
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 元のデータは1次元の配列なので、それを画像ごとの配列に整形する
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# y(目的変数)には0から9の数字が入っているが、Kerasで扱いやすい形に変換する
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

# モデルの作成
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(num_classes, activation='softmax'))

model.summary()

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

# 学習は、scrkit-learnと同様fitで記述できる
history = model.fit(x_train, y_train,
 batch_size=batch_size,
 epochs=epochs,
 verbose=1,
 validation_data=(x_test, y_test))

# 評価はevaluateで行う
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

 

概要解説

それでは、Kerasでモデルを作成して学習する部分を見ていきましょう。

その他の部分は、ソースコードのコメントを参考にしてください。

# Kerasでは、Sequentialという箱を用意して、そこに深層学習(ディープラーニング)のネットワーク層を追加していきます。
model = Sequential()
 model.add(Dense(512, activation='relu', input_shape=(784,)))
 model.add(Dropout(0.2))
 model.add(Dense(512, activation='relu'))
 model.add(Dropout(0.2))
 model.add(Dense(num_classes, activation='softmax'))
 model.add(Dense(512, activation='relu', input_shape=(784,)))

これが、1つのネットワーク層を表します。

Denseというのは、入力と出力をすべて接続するネットワークです。

 

入力と出力について

model.add(Dense(512, activation='relu', input_shape=(784,)))について解説します。

input_shape=(784,)では、入力が784(28×28)であることを意味します。

512では、出力が512であることを意味します。

 

ドロップアウト層について

model.add(Dropout(0.2))について解説します。

Dropoutとは、学習を防止するドロップアウト層を意味します。

今回はドロップアウトの引数を0.2にしていますが、一般的には、0.2から0.5の間の数値で指定します。

ドロップアウトというのは、意図的に一定割合のノードを使わないように指示することによって、使用したノードの重みを最適化する手法です。

ドロップアウトは、ランダムで指定された割合の出力値を0にします。

深層学習(ディープラーニング)の場合、一部の答えを0にして伝えることで精度が良くなるため、ドロップアウトを利用しています。

 

実行結果

Train on 60000 samples, validate on 10000 samples
Epoch 1/20
60000/60000 [==============================] - 12s 200us/step - loss: 0.2476 - acc: 0.9233 - val_loss: 0.0932 - val_acc: 0.9687
Epoch 2/20
60000/60000 [==============================] - 13s 219us/step - loss: 0.1043 - acc: 0.9681 - val_loss: 0.0856 - val_acc: 0.9732
Epoch 3/20
60000/60000 [==============================] - 13s 214us/step - loss: 0.0750 - acc: 0.9771 - val_loss: 0.0963 - val_acc: 0.9722
Epoch 4/20
(中略)
Epoch 19/20
60000/60000 [==============================] - 10s 171us/step - loss: 0.0201 - acc: 0.9951 - val_loss: 0.1096 - val_acc: 0.9829
Epoch 20/20
60000/60000 [==============================] - 11s 176us/step - loss: 0.0179 - acc: 0.9953 - val_loss: 0.1102 - val_acc: 0.9840
Test loss: 0.11024194015
Test accuracy: 0.984

エポックサイズにより20回繰り返し学習しています。

徐々に学習精度が上がり、最終的には0.984になっていることが確認できますね。

 

田島悠介

Kerasについて、理解は深まったかな?

大石ゆかり

概要やプログラムの書き方など、勉強になりましたー!

田島悠介

サンプルプログラムをもとに、いろいろ試して学習を深めるといいよ!

深層学習画像認識自然言語処理については、また別のところで説明するね。

大石ゆかり

分かりました。ありがとうございました!

 

コラム

実は私も!?独学で損する人の特徴

「スクールは高いから独学で成功する」という気持ちの方は多いと思います。
もちろんその方が金額は低く抑えられるでしょう。
ただ 独学には向き不向きがあり、実はスクールが向いている人も大勢います。

そんな方のために参考として、 テックアカデミー卒業生がスクールを選んだ理由 をご紹介します。

  • ・困って挫折しそうなときに、質問や相談できる相手がいる環境で学んでいきたいなと思った
  • ・わかった気になっているだけだったので、自分を追い込む環境に置いた方がいいと感じた
  • ・スクールのカリキュラムで市場に求められるスキルを学ぶべきと思った

少しでも当てはまる部分があれば、 スクールが向いているかもしれません。
お試しのつもりで、まずは一度 無料相談 に参加してみませんか?

現役エンジニア・デザイナーに何でも気軽に相談できる30分すべて無料で できます。
無理な勧誘は一切ない ので、お気軽にご参加ください。

今なら相談した方限定の割引・参加特典付き! 無料相談はこちら

まとめ

今回は、深層学習(ディープラーニング)ライブラリのKerasについて解説しました。

Kerasの情報が掲載されている公式サイト、公式ブログ、公式GitHubを紹介しました。

Kerasを簡単に利用することができる、Anacondaでインストールする方法を紹介しました。

Kerasを実際に動作させてみるサンプルプログラムを解説しました。

これからKerasを勉強したい、機械学習を使って何か作ってみたいという方は最初に理解しておくと良いですよ。

 

機械学習・AIを学習中の方へ

これで解説は終了です、お疲れさまでした。

  • つまずかず「効率的に」学びたい
  • 副業や転職後の「現場で使える」知識やスキルを身につけたい

機械学習・AIを学習していて、このように思ったことはありませんか?

テックアカデミーのAIコースでは、第一線で活躍する「プロのエンジニア」が教えているので、効率的に実践的なスキルを完全オンラインでしっかり習得できます。

合格率10%の選考を通過した、選ばれたエンジニアの手厚いサポートを受けながら、Pythonのライブラリを使い、機械学習の応用までを実践的に学ぶことができます。

まずは一度、無料体験で学習の悩みや今後のキャリアについて話してみて、「現役エンジニアから教わること」を実感してみてください。

時間がない方、深く知ってから体験してみたい方は、今スグ見られる説明動画から先に視聴することをおすすめします!

初心者・未経験でもできる。まずはテックアカデミーに相談しよう

プログラミングを独学していて、このように感じた経験はないでしょうか?

  • ・調べてもほしい情報が見つからない
  • ・独学のスキルが実際の業務で通用するのか不安
  • ・目標への学習プランがわからず、迷子になりそう

テックアカデミーでは、このような 学習に不安を抱えている方へ、現役エンジニア講師とマンツーマンで相談できる機会を無料で提供 しています。
30分間、オンラインでどんなことでも質問し放題です。

「受けてよかった」と感じていただけるよう 厳しい試験を通過した講師 があなたの相談に真摯に向き合います。

「ただ気になることを相談したい」
「漠然としているがプロの話を聞いてみたい」

こんな気持ちでも大丈夫です。

無理な勧誘は一切ありません ので、まずはお気軽にご参加ください。
※体験用のカリキュラムも無料で配布いたします。(1週間限定)

今なら参加者限定の割引特典付き! 無料相談を予約する