概要

TensorFlow+Kerasで画像系深層学習モデルを実装できるようにする

想定読者

Pythonの基礎知識があり、深層学習を理論より先に実装から入りたいエンジニア。CNNの基礎を習得しつつ、ノイズ除去・超解像・画像生成といった応用タスクまで手を動かして学びたい人

こんな人には向いていない

• TensorFlow 2.x以降のEager ExecutionやPyTorchを主軸に学びたい人(本書は2018年出版でTF1.x系のセッション/グラフAPIが前提であり、現在の実務APIとのギャップが大きい)
• NLP・音声認識・強化学習など、画像処理以外の応用分野を主目的に深層学習を学びたい人(第2部は全章が画像処理タスク)
• 数学的理論・確率的背景を丁寧に解説した教科書を求める人(本書は実装先行の構成であり、理論の詳解は別書を要する)

この本で身につくこと

• TensorFlowのグラフ構築とセッション実行の仕組みを理解し、Keras高レベルAPIで記述を簡略化できる
• Kerasを用いてCNNを構築・学習させ、画像分類タスクに適用できる
• VGG・ResNetなどの学習済みモデルを転移学習に活用する手順を理解できる
• CAE(畳み込みオートエンコーダ)を用いたノイズ除去・自動着色・超解像の実装手順を動かせる
• スタイル転送(画風変換)とGANを用いた画像生成の基礎的な実装を経験できる

ハイライト(外部からの言及)

第2部では、「ノイズ除去」「自動着色」「超解像」「画風変換」「画像生成」を取り上げています。TensorFlowやKerasの機能面を押さえつつ、現場で使用できるような実践的な深層学習モデルまでフォローしています。 — 出典

画像系深層学習の多様なユースケースをまとめて習得できる本書の特徴が端的に示されている箇所

章立て

第1章 機械学習ライブラリTensorFlowとKeras

TF/Kerasの全体像把握用。既に概要を知っている場合は読み飛ばし可

第2章 開発環境を構築する

バージョン固有の情報が多い。現在の環境では公式インストールガイドと照合しながら進めることを推奨

第3章 簡単なサンプルで学ぶTensorFlowの基本

第4章 ニューラルネットワークとKeras

第5章 KerasによるCNNの実装

画像分類の基礎として実務直結度が最も高い章。第1部の中核

第6章 学習済みモデルの活用

転移学習の実践的な入り口。業務応用への橋渡しになる

第7章 よく使うKerasの機能

第8章 CAEを使ったノイズ除去

第9章 自動着色

第10章 超解像

第11章 画風変換

第12章 画像生成

関連記事 / 参考情報

• コロナ社「統計的パターン認識と判別分析」本のレビュー — 統計的パターン認識書籍のレビュー記事。深層学習・機械学習の学習文脈での書籍選定参考として本書ISBNへの参照がある

学習のヒント

• 本書はTF 1.x系のセッション/グラフAPIを前提に書かれている。現在のTF 2.x(Eager Execution + tf.function)とはAPIが異なるため、第1〜3章を読む際は「TF2ではどう書き直すか」を意識しながら進めると、出版年の古さを補える
• 第2部の応用章(8〜12章)は各章の独立性が高い。超解像や画像生成など特定タスクに興味があれば、第1部の5〜6章で基礎を固めた後、目的の章に直接進むルートが効率的
• 開発環境構築(第2章)は特にバージョン依存情報が古い。TensorFlow公式サイトのインストールドキュメントで環境を整えてから、本書のコードのみを参照する使い方が実用的

前提知識

• PythonとNumPyを使った行列・配列操作の基本
• 線形代数の基礎(行列積・内積・テンソルの次元の概念)
• 機械学習の基本概念(損失関数・勾配降下法・過学習と正則化の意味)

次に読む本

ゼロから作るDeep Learning

本書で実装を先に経験した後、フレームワークに依存しない数学的背景と順伝播/逆伝播の仕組みを体系的に補完するのに適している

詳解ディープラーニング TensorFlow・Kerasによる時系列データ処理

画像処理中心の本書を終えた後、RNN・LSTMなどの時系列・NLP系モデルへ応用範囲を広げる際の次の一冊