こんにちは，怠惰人間です．前から少し日にちは空きましたが，tensorflow2系の使い方に関して，説明を行っていこうと思います．
前回解説しましたが，tensorflow 2系では，高級APIがKerasに統一化されました．そのため，今回は，Kerasの使い方，特にネットワークの作成方法に関して解説していこうと思います．
また，今回からこのページにはプログラムの重要箇所のみアップして，プログラムの全体像(動作可能なもの)はGoogle Colabで用意してあるので，実際の動作はそちらで確認してみてください！
今回のページのGoogle Colabはこちらです！
・Kerasの概要
まず初めに，Kerasでネットワークを学習->実行するには以下のステップを経由する必要があります．
今回は，上記のリストの内容を1つずつ解説していこうと思います．
1. ライブラリのインポート
利便性のために，tensorflow.keras.layerは「as」で短くしておくほうがいいと思います．
import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers
from tensorflow.keras.datasets import mnist2. データセットの用意
今回は，mnistを使用していこうと思います．手書き数字のデータセットで，1画像のサイズは(28×28)と小さいあれですね．
# Mnistのダウンロード
(x_train,y_train),(x_test,y_test)=mnist.load_data()ちなみに，今回はkerasのデータセットを使用していますが，tesnorflowにも「tensorflow_dataset」という似たような機能が存在しています．kerasのデータセット提供機能との違いは主に出力形式ですね．「keras.datasets」はnumpy形式でデータを提供するのに対し，「tensorflow_dataset」はtensorflow.dataset形式(後の回で説明します)で提供されます．使用感は，「keras.datasets」のほうが楽に使えますが，利便性などでは「tensorflow_dataset」が勝っているといったような印象ですね．
3. ネットワーク作成
Kerasには2種類のネットワーク作成方法が存在します．それぞれ
というもので，簡単に言うと，初級者用と上級者用のモデル構成方法になります．この2つは飽く迄ネットワークの構成方法の違いでしかないので，それ以外(学習等)の動作には影響しませんが，大きな違いが存在します．
・Sequential API
まず，Sequential APIの特徴を示します
- Functionalよりも簡単にネットワークが作成可能
- 見やすい(可読性が高い)
- 1入力1出力のネットワークしか作成できない
- ネットワークを分岐できない(ResBlockなどは作れない)
個人的には，Sequential APIは1入力1出力のネットワークしか作成できなかったり，ネットワークを分岐できないなどといったデメリットが存在するため，基本的に使用することは少ない印象です．別の回で説明する自作レイヤを使用すると，上記の弱点のうち，ネットワークを分岐できないという問題はある程度カバーすることができますが，それでも，次に紹介するFunctional APIのほうが使い勝手がいいですね．(Functional APIはtensorflow 1.X likeだからという側面もある)
では，実際にSequential APIを使用した際のネットワークの例を見ていきましょう．
#方法1
model=tf.keras.Sequential([
layers.Flatten(input_shape=x_train[0].shape),
layers.Dense(128,activation="relu"),
layers.Dense(10,activation="softmax")
])ちなみに，別の書き方でこのような記載方法もあります．どちらにせよ，動作は同じです．
#方法2
model=tf.keras.Sequential()
model.add(layers.Flatten(input_shape=x_train[0].shape))
model.add(layers.Dense(128,activation="relu"))
model.add(layers.Dense(10,activation="softmax"))どちらかというと，方法1のほうがSequential API likeだと個人的には感じます．方法2は何というか，Functional APIに書き方が似ているんですよね．
・Functional API
Functional APIはtensorflow 1系の記法にかなり近く，以下のように記述します．
input=layers.Input(shape=x_train[0].shape)
x=layers.Flatten()(input)
x=layers.Dense(128,activation="relu")(x)
output=layers.Dense(10,activation="softmax")(x)
model=keras.Model(inputs=input,outputs=output)「layer.hoge(XXX)(YYY)」のような独特の記法をしていますが，慣れれば案外平気です．ちなみに，hogeの例でいう(XXX)の部分で，そのレイヤ(e.g. CNN)の設定をし，(YYY)でレイヤへの入力を決定します．
ちなみに，Functionalでは，この(YYY)の部分が存在するおかげでネットワークの分岐が可能となっています．どういうことかというと，以下のようなイメージですね．
input1=layers.Input(shape=(~~))
input2=layers.Input(shape=(~~))
x1,x2=layer.分岐処理(~~)(input1)
x2=layer.処理A(~~)(x2)
x1=layer.結合処理(~~)(x1,x2)
x1=layer.処理B(~~)(x1)
x3=layer.処理C(~~)(input2,x2)
output1=layers.処理D(~~)(x1)
output2=layers.処理E(~~)(x2)
output3=layers.処理F(~~)(x3)
model=keras.Model(inputs=[input1,input2],outputs=[output1,output2,output3])この例を図に示すと，
のようになっています．見ればわかりますが，ネットワークが途中で分岐していますね．(YYY)に複数の入力を入れることが可能なので，このようなことができるのです．
入力を自由に操作できないSequential APIでは，このような操作はできません．
2021/02/12追記
Google Colabのほうに，複数入出力のやり方を追加しておきました．
4. ネットワークのコンパイル
コンパイル作業とは，作成したネットワークと損失関数，オプティマイザを関連付ける作業です．以下のように1命令で済みます．
model.compile(
optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"]
)また，モデルのコンパイルを行うと，ネットワークの可視化を行えるようになります．可視化は以下のように行います．
model.summary()出力はこのようになります．
5. ネットワークの学習
ネットワークの学習も，kerasは非常に単純で，「fit」メソッドを呼び出すだけで済みます．
result=model.fit(x_train,y_train,validation_split=0.2,epochs=5)今回は非常に少ない設定で学習を行っていますが，「fit」関数には多くの引数が存在するため，気になった人は，公式のページを確認してみてもいいかもしれません．
6. ネットワークのテスト
テストデータでの評価もこれまた楽で，また1命令で済みます．
evaluate_result=model.evaluate(x_test,y_test)なお，この関数の実行結果は，このようになります．
313/313 [==============================] - 1s 2ms/step - loss: 0.3445 - accuracy: 0.9329Mnistは非常にシンプルなデータなので，Dense(Fully Connected)レイヤだけで精度もかなり出ていることが分かりますね．
・まとめ
かなり適当にまとめてしまった感もありますが，簡単な使い方は分かるかと思います．疑問に思った部分は，自分でColabをいじくりまわしてもいいかもしれませんね．
- Kerasには「Sequential」と「Functional」の2種類のネットワーク作成方法がある
- 「Sequential」は初心者向けで見やすいコードが書ける
- 「Functional」は複数の入出力の設定とネットワーク内での分岐が可能
