概要

CNN・RNN・転移学習をNumPy/TF2/PyTorchの3実装で習得する

想定読者

Pythonの基礎はあるがディープラーニングは未経験で、画像認識・時系列処理を手を動かしながら学びたい入門者

こんな人には向いていない

• TensorFlowまたはPyTorchをすでに業務で使用しており、モデルのチューニングや本番運用の知見を求める実務者には内容が基礎寄りすぎる
• 純粋なPyTorchユーザーとして最新アーキテクチャ（Transformer・拡散モデル等）を学びたい読者には扱う手法が限定的
• 数学的な厳密さを重視する読者には、数式の導出よりも実装コードの比重が大きいため補足書籍が必要になる場合がある

読了後にできるようになること

• NumPy・TensorFlow2（Keras）・PyTorchの3フレームワークで同一タスクを実装し、各APIの設計思想の違いを体感できる
• 畳み込みニューラルネットワーク（CNN）の構造とプーリング・ドロップアウトの役割を実装レベルで理解できる
• CIFAR-10でデータ拡張を組み合わせ、90%精度に到達するモデルを自力で構築できる
• VGG16などの事前学習済みモデルを用いた転移学習・ファインチューニングを実施できる
• RNN・LSTMを用いた時系列データ処理（対話文脈解析等）をコードとして実装できる
• OpenCVによる顔・瞳孔検出など古典的物体検出と深層学習の位置づけを整理できる

本書のキー概念(章解説)

• 第 1 章 ディープラーニングの概論と主要アーキテクチャ（CNN・RNN） — 全体像を把握するための導入。フレームワーク比較の文脈も提示される
• 第 2 章 開発環境の構築・Python基礎・JupyterNotebook/Google Colab — 環境差異でつまずく前に全フレームワーク共通基盤を整備する章
• 第 3 章 数学的基礎（テンソル・行列演算・微積分・バックプロパゲーション） — 数式の説明は概要レベル。深掘りは別書で補うことを想定する
• 第 4 章 勾配降下法による最適化とパーセプトロン実装
• 第 5 章 多層ニューラルネットワークとFashion MNIST画像認識（3フレームワーク並列実装） — 本書最大の特徴である3実装対比が初めて本格展開される章
• 第 6 章 CNNによる画像認識（プーリング・ドロップアウト）
• 第 7 章 CIFAR-10汎用物体認識とデータ拡張（90%精度目標） — 実践的精度追求の体験が得られる。データ拡張の効果を数値で確認できる
• 第 8 章 セマンティック理解とVGG16転移学習・犬猫分類 — 転移学習の実務的活用例として参照価値が高い
• 第 9 章 RNN・LSTMによる時系列生成と対話一貫性解析・アンサンブル学習
• 第 10 章 OpenCVを用いた顔・瞳孔検出（古典的物体検出）

ハイライト

• TensorFlow2のライブラリを取り上げ、ディープラーニングの基礎理論から2次元フィルター、転移学習、時系列データ、自然言語処理などを楽しく学べる入門書です。(3フレームワーク並列実装という本書の構成的特徴が凝縮された自己紹介文)

編集メモ

Qiita記事での直接言及は確認されず（ISBN検索0件）。楽天ランキング履歴も入力になし。2021年2月刊行で第2版という実績はあるが外部シグナルが数値として取得できないため supplementary とする

読む前に押さえておきたいこと

• Pythonの基本文法（リスト・内包表記・関数定義）を書いた経験があること
• NumPyの行列演算（ndarray・reshape・dot）の基礎操作
• 高校レベルの微分の概念（連鎖律まで厳密に理解している必要はない）

学習のコツ

• 第5章から3フレームワークの並列実装が始まるため、まず1フレームワーク（KerasまたはPyTorch）を選んで全章を通読し、2周目で他フレームワークの実装差分を追う読み方が理解の定着に効果的
• 第3章の数学基礎は概要レベルのため、線形代数・微分の基礎に不安がある場合は先に薄めの数学入門書を1冊挟むとスムーズ
• 第7章（CIFAR-10・データ拡張）と第8章（転移学習）は実務への応用が最も直結するため、時間が限られる場合はここを優先的に手を動かす
• Google Colabに対応しているため、ローカル環境のGPU設定に詰まった場合はColab上での動作確認を先に行うと学習が止まらない