【TensorFlow】統合されたKerasを使ってみよう！

今回は、

というあなたに送る、TensorFlowに統合されたKerasを使ってみようという記事です。

import文が引っかかるところですが、それ以外はほとんど困らないと思います。では、行ってみましょう！

TensorFlowとは

TensorFloは、機械学習や深層学習のプログラムを実装する際に使用できるライブラリです。

TensorFlowとは何か？については、以下の記事で説明していますので、よく分からない方は確認してみてくださいね。もちろん、インストールについても触れられていますので、安心してください！

Kerasとは

Kerasは、バックエンドにTensorFlowを利用できる深層学習ライブラリです。

なぜKerasを使うのか？

Kerasの公式ドキュメントに「なぜKerasを使うか？」というページがありますので、Kerasがすごいところは、そちらをご覧いただいた方が良いでしょう。

Kerasは、バックエンドとしてCNTKやTheanoも利用できますが、この記事ではTensorFlowに注目していきます。

2つのKeras

実はKerasには、2つのバージョンがあります。

バージョン	説明
TensorFlowから独立しているKeras	オリジナルのKeras。バックエンドにCNTKやTheanoを利用できる。別途Kerasのインストールが必要。import kerasで使える。
TensorFlowと統合されているKeras	人気が出たためTensorFlowに統合されたKeras。TensorFlowのバージョンによって、import tensorflow.contrib.keras、またはimport tensorflow.python.kerasで使える（今回説明しているのは後者）。

この記事では、タイトルにあるとおりTensorFlowと統合されているKerasを使ってみます。したがって、この記事に書かれているコードを試す範囲では、Kerasを別途インストールする必要はありません。

TensorFlowに統合されたKerasでMNISTに挑戦

まずは、インストールが必要なKerasのコードをご覧いただきます。

参考：https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py

'''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

これを、TensorFlowに統合されたKerasを使うように変更するには、冒頭の部分を以下のように修正します。

'''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
from tensorflow.python import keras
from tensorflow.python.keras.datasets import mnist
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Dropout, Flatten
from tensorflow.python.keras.layers import Conv2D, MaxPooling2D
from tensorflow.python.keras import backend as K

「batch_size = 128」以降は修正する必要がありませんので、説明はこれで終わりです。思ったより簡単に、2つのKerasを切り替えられることに驚きますね！

まとめ

今回は、Kerasには2つのバージョンがあることを説明し、互いに少しの手間で切り替えられることを説明しました。

TensorFlowに統合する前のKeras（TensorFlowから独立しているKeras）の情報はたくさんありますが、TensorFlowに統合されたKerasの情報は思いのほか少ないのが現在の状況です。

この記事をきっかけに、TensorFlowに統合されたKerasのユーザーが増え、関連記事が増えることを願います。それでは！