- 追加された行はこの色です。
- 削除された行はこの色です。
*はじめに [#k8d83fec]
[[Keras>https://keras.io/ja/]]はディープ・ラーニング・ライブラリーの[[TensorFlow>https://www.tensorflow.org]]を使用するためのライブラリーです。
*インストール [#g811f7e5]
ここでは、Anacondaに追加する形でインストールします。
まず、Anaconda Navigatorを起動し、Environmentsを表示します。
#ref(./anaconda.png,25%,nolink)
次に、base (root)の横の三角形をクリックし、メニューを表示します。
#ref(./environments.png,25%,nolink)
メニューから、Open Terminalを選び、ターミナルを開きます。
#ref(./open_terminal.png,25%,nolink)
ターミナルを開いたら、念の為、CondaとMatplotlibをアップデートします。
#geshi(sh){{
conda update conda
conda update matplotlib
}}
CondaとMatplotlibをアップデートしたら、Kerasをインストールします。
TensorFlowはKerasと一緒にインストールされます。
#geshi(sh){{
conda install keras
}}
*使い方 [#t08ea9ce]
**ライブラリーの読み込み [#ka508f48]
ライブラリー名は ''keras'' です。
#geshi(python){{
import keras
}}
ライブラリーを読み込んで、次のようなメッセージが出てきたら、準備はできています。
#geshi(sh){{
Using TensorFlow backend.
}}
**予測モデル学習器の生成 [#k5247b2d]
Kerasを使うことで、ディープ・ラーニング・ライブラリーのTensorFlowをScikit-learnと同じように使えます。
ディープ・ラーニングというのは、ニューラル・ネットワークの中間層が2つ以上のものです。
ここでは、基本的な全結合の4層モデル（入力層、中間層2つ、出力層）を作成する例を示します。
ここで、Scikit-learnに付属しているIrisデータセットを例題として使います。
説明変数は花びらの長さ、幅、萼（がく）片の長さ、幅の4つ、目的変数はSetosaを表す0、Versicolorを表す1、Virginicaを表す2の3種類です。
まず、シーケンシャル・モデルの入れ物を作成します。
#geshi(python){{
from keras.models import Sequential
model = Sequential()
}}
次に、入力層と1つ目の中間層を追加します。
#geshi(python){{
from keras.layers import Dense
model.add(Dense(units=16, activation='relu', input_dim=4))
}}
''Dense'' は全結合のレイヤーです。
''units'' はこのレイヤーのユニット数、''activation'' は活性化関数（ここではランプ関数 ReLU）を表します。
''input_dim'' オプションは、最初の中間層だけに指定し、入力層のユニット数を表します。
説明変数が4つなので、入力層のユニット数は4です。
続いて、2つ目の中間層を追加します。
#geshi(python){{
model.add(Dense(units=8, activation='relu'))
}}
最後に、出力層を追加します。
#geshi(python){{
model.add(Dense(units=3, activation='softmax'))
}}
分類用なので、出力層の活性化関数をソフトマックス Softmax にしています。
出力が3種類なので、出力層のユニット数は3です。
全てのレイヤーを追加したら、モデルをコンパイルします。
#geshi(python){{
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
}}
''loss'' は損失関数、''optimizer'' は最適化手法、''metrics'' は評価尺度を表します。
ここでは、分類用なので、損失関数はカテゴリカル・クロスエントロピー categorical_crossentropy、評価尺度は精度 accuracy にしています。
最適化手法は、最もシンプルな確率的勾配法 SGD にしています。
**ニューラル・ネットワークの学習 [#zbb3432f]
まず、データを準備します。
Scikit-learnに付属しているIrisデータセットの目的変数は、[0, ..., 1, ..., 2, ...] という1次元ベクトルになっていますが、Kerasに付属している np_utils を用いて、これを [[1, 0, 0], ..., [0, 1, 0], ..., [0, 0, 1], ...] というOne hotベクトルに変換します。
#geshi(python){{
from sklearn import datasets
from keras.utils import np_utils
iris = datasets.load_iris()
X = iris.data
y = np_utils.to_categorical(iris.target)
}}
Scikit-learnと同じように、fitメソッドで学習します。
#geshi(python){{
model.fit(X, y, epochs=10, batch_size=150)
}}
''epochs'' は繰り返し数、''batch_size'' は重みの更新を事例いくつごとに行うかを表します。
Irisデータセットには事例が150個含まれているので、ここでは全部まとめて重みを更新しています。
この記事はまだ書きかけです。
![[PukiWiki]](https://xn--p8ja5bwe1i.jp:443/wiki/image/banner.png "[PukiWiki]")
