Python

機械学習・深層学習モデルの開発を始めましょう

機械学習・深層学習モデルの開発を始めましょう。ここでは、簡単な例として、手書き数字認識（MNISTデータセット）を使って深層学習モデルを開発し、保存する方法を説明します。以下はTensorFlowとKerasを使った例です。

ステップ1: 環境のセットアップ

まず、必要なライブラリをインストールします。以下のコマンドを使用してください：

pip install tensorflow

ステップ2: データセットの準備

MNISTデータセットをロードして、トレーニングとテストデータに分けます。

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# MNISTデータセットをロード
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# データを正規化
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

# ラベルをカテゴリカルデータに変換
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# データの形状を調整
x_train = x_train.reshape((x_train.shape[0], 28, 28, 1))
x_test = x_test.reshape((x_test.shape[0], 28, 28, 1))

ステップ3: モデルの構築

次に、CNN（畳み込みニューラルネットワーク）モデルを構築します。

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=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

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

ステップ4: モデルのトレーニング

データセットを使ってモデルをトレーニングします。

model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.2)

ステップ5: モデルの評価

トレーニングしたモデルをテストデータで評価します。

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

ステップ6: モデルの保存

トレーニング済みモデルを保存します。

model.save('mnist_model.h5')

これで、基本的な深層学習モデルの開発と保存が完了しました。

スポンサーリンク

-Python
-