概要

TensorFlow でモデルを構築し Web・モバイル・クラウドへデプロイするまでを通して学ぶ

想定読者

プログラミング経験はあるが機械学習は未経験で、コンピュータビジョン・NLP・時系列予測を実装レベルで身につけたい開発者

こんな人には向いていない

• 機械学習の数理的背景(統計・線形代数・確率論)を体系的に学びたい人には理論解説が薄い
• PyTorch やフレームワーク非依存のML設計を求める人には TensorFlow 固有の内容に偏りがある
• すでに TensorFlow を本番運用している人には基礎〜中級の内容が中心で新たな発見は少ない

読了後にできるようになること

• TensorFlow と Keras を用いた画像分類モデルの構築と CNN による特徴量検出ができる
• テキストデータの前処理・埋め込み・RNN を組み合わせた感情分析モデルを実装できる
• 時系列データのシーケンスモデル(畳み込み・回帰)を構築し予測精度を評価できる
• TensorFlow Lite を使って Android / iOS アプリへモデルを組み込める
• TensorFlow.js でブラウザ上でのモデル推論と転移学習を実装できる
• TensorFlow Serving を用いてクラウドへのモデルデプロイを行い、倫理・公平性の観点も押さえられる

本書のキー概念(章解説)

• 第 1 章 TensorFlow概要 — Google Colab 環境のセットアップと基本的な Tensor 操作の確認に最適
• 第 2 章 コンピュータビジョン入門
• 第 3 章 基礎からの発展：画像の特徴量検出 — CNN の畳み込みとプーリング層の役割を実験で直感的に理解できる章
• 第 4 章 TensorFlow Datasetsを使った公開データセットの利用
• 第 5 章 自然言語処理入門
• 第 6 章 埋め込みによる感情のプログラム化
• 第 7 章 自然言語処理のための回帰型ニューラルネットワーク
• 第 8 章 TensorFlowによるテキストの生成
• 第 9 章 シーケンスと時系列データの理解
• 第 10 章 シーケンスを予測するモデルの作成
• 第 11 章 畳み込みと回帰によるシーケンスモデルの構築 — Part I の集大成。ここまでの三領域(CV・NLP・時系列)を横断して比較できる
• 第 12 章 TensorFlow Liteの紹介 — Part II デプロイ編の入口。モバイル向け量子化・最適化の概念を把握するための章
• 第 13 章 AndroidアプリでTensorFlow Lite
• 第 14 章 iOSアプリでTensorFlow Lite
• 第 15 章 TensorFlow.jsの紹介
• 第 16 章 TensorFlow.jsによるコンピュータビジョン
• 第 17 章 Pythonモデルの再利用とJavaScriptへの変換
• 第 18 章 JavaScriptでの転移学習
• 第 19 章 TensorFlow Servingへのデプロイ — 本番 REST API 化の手順を最も簡潔に示した章。インフラ担当が参照するケースが多い
• 第 20 章 AI倫理、公平性、プライバシー — 連邦学習など実務で意識が高まるトピックをコード例と共に紹介

ハイライト

• AIに疎いプログラマ向けの、実践的なAI、機械学習の入門書！ プログラミングの基本的な知識はあるものの、AIについては詳しくないプログラマが、ゼロから学んでいけるように、コードを示して解説する実践的なアプローチを取っています。(本書の対象読者と学習アプローチが最も端的に示されている冒頭記述)
• Web、モバイル、クラウド、組み込み向けに実装する豊富な具体例を通して、基本的な知識、TensorFlowによるモデル構築、特徴量検出を使うCVの実装、実際のNLP、AndroidやiOSへのモデルの埋め込み、Webおよびクラウド上へのモデルのデプロイといった実践的な知識とテクニックを習得することができます。(CV・NLP・時系列・デプロイまで一冊でカバーする構成の広さを示す最良の記述)

編集メモ

Qiita 言及記事 0件(ISBN 直接検索・書名検索いずれもヒットなし)。オライリー公式ページにて出版確認済み(2022-06)。外部言及シグナルが確認できないため supplementary と判定

読む前に押さえておきたいこと

• Python の基本的な読み書き(リスト・辞書操作・関数定義レベル)
• NumPy の基本操作(配列生成・スライシング)があると序盤の進みが速い
• 微積分・線形代数の知識は前提としていないが、損失関数や勾配降下法の概念を雰囲気で知っていると章をまたいだ理解がつながりやすい

学習のコツ

• Google Colab で各章のサンプルコードを実際に実行しながら読み進める構成なので、読み飛ばしより手を動かす順序を維持するほうが効果が高い
• Part I(1〜11章)のモデル構築編と Part II(12〜20章)のデプロイ編は独立性が高い。モバイル開発者は 12〜14章だけを先に参照する読み方も成立する
• TensorFlow Datasets(4章)は実際のプロジェクトで公開データセットを使う際のボイラープレートとして再利用できる。章単体でリファレンスとして活用できる
• 20章の AI 倫理・連邦学習は実務での導入検討フェーズで読むと応用しやすい。技術トレンドとして押さえるだけなら最終章から読み始めても機能する