はじめてのニューラルネットワーク（Keras Sequential）

TensorFlow には Keras という高レベル API が統合されており、ニューラルネットワークの構築から訓練までを簡潔に記述できる。Keras の中でもっとも基本的なモデル構築方法が Sequential API だ。層を上から順に積み重ねるだけでモデルが完成するため、はじめてニューラルネットワークを組む場面に適している。

Sequential モデルとは

Sequential モデルは、層（レイヤー）を一直線に積み上げる構造を持つ。入力が最初の層に入り、各層を順番に通過して最終的な出力に到達する。分岐や合流のない単純な構造であれば、これだけで十分に対応できる。

この直線的な流れが Sequential の名前の由来になっている。

最小構成のコード

手書き数字の分類（MNIST）を題材に、もっとも基本的な Sequential モデルを組んでみる。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# データの読み込みと前処理
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 784).astype("float32") / 255.0
x_test = x_test.reshape(-1, 784).astype("float32") / 255.0

# Sequential モデルの構築
model = keras.Sequential([
    layers.Dense(128, activation="relu", input_shape=(784,)),
    layers.Dense(64, activation="relu"),
    layers.Dense(10, activation="softmax"),
])

# コンパイル
model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"],
)

# 訓練
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.1)

# 評価
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"テスト精度: {test_acc:.4f}")

28×28 ピクセルの画像を 784 次元のベクトルに平坦化し、2 つの隠れ層を経て 10 クラスの確率分布を出力する。コード量はわずかだが、これだけで 97% 前後の精度が出る。

各パーツの役割

モデル構築からは少し離れて、compile と fit に渡している要素を整理しておく。

model.summary() で構造を確認する

構築したモデルの全体像は summary メソッドで確認できる。

model.summary()

実行すると、各層の名前、出力の形状、パラメータ数が表示される。たとえば最初の Dense 層は入力 784 × ユニット 128 + バイアス 128 で、パラメータ数は 100,480 になる。意図した構造になっているかどうかを訓練前に必ず確認しておきたい。

add メソッドによる層の追加

リストで一括指定する以外に、add メソッドで 1 層ずつ追加する書き方もある。

add を使う場合のコードは次のようになる。

model = keras.Sequential()
model.add(layers.Dense(128, activation="relu", input_shape=(784,)))
model.add(layers.Dense(64, activation="relu"))
model.add(layers.Dense(10, activation="softmax"))

どちらの書き方でも生成されるモデルはまったく同じものになる。好みやプロジェクトの方針に合わせて選べばよい。

Dropout で過学習を抑える

訓練データに対しては精度が高いのに、テストデータでは精度が落ちる現象を過学習と呼ぶ。Sequential モデルでも Dropout 層を挟むだけで簡単に対策できる。

model = keras.Sequential([
    layers.Dense(128, activation="relu", input_shape=(784,)),
    layers.Dropout(0.3),
    layers.Dense(64, activation="relu"),
    layers.Dropout(0.3),
    layers.Dense(10, activation="softmax"),
])

Dropout は訓練時にニューロンの一部をランダムに無効化する。0.3 を指定すると 30% のニューロンが毎回ランダムに落とされるため、特定のニューロンへの依存を防ぎ、汎化性能の向上が期待できる。推論時には Dropout は自動的に無効になるので、特別な切り替えは不要だ。

Sequential の限界

Sequential API は強力だが、すべてのモデルに対応できるわけではない。

分岐や複数入力が必要になった場合は Functional API を使うことになる。ただし、画像分類や回帰、テキスト分類など多くの基本的なタスクでは Sequential で十分に対応できるため、まずはこの API でモデル構築に慣れておくのがよいだろう。

まとめのクイズ