TensorFlowで最初のニューラルネットワークを構築する

このレッスンでは、TensorFlowを使用して単純なフィードフォワードニューラルネットワークを作成します。TensorFlowは、機械学習モデルの構築と学習に広く使われているフレームワークです。

ステップ1: TensorFlowのセットアップ

まず、TensorFlowがインストールされていることを確認します。インストールされていない場合は、次のコマンドでインストールできます。

pip install tensorflow

このレッスンで必要なライブラリもインポートします。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

ステップ2: データセットの準備

この例では、入力が1つの特徴量で、出力がその2倍になる単純なデータセットを使用します。

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

ステップ3: モデルの作成

入力層、隠れ層、出力層がそれぞれ1つずつある単純なモデルを作成します。隠れ層ではReLU活性化関数を使用します。

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

ステップ4: モデルのコンパイル

次の設定でモデルをコンパイルします。

• 損失関数: 回帰タスク向けの平均二乗誤差。
• オプティマイザー: 確率的勾配降下法（SGD）。

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

ステップ5: モデルの学習

学習データを使用して、モデルを500エポック学習させます。学習中、モデルは損失を最小化する方法を学びます。

# Train the model
model.fit(X, y, epochs=500, verbose=1)

ステップ6：予測を行う

学習後は、モデルを使用して新しいデータの予測を行えます。

# Predict on new data
print(model.predict([6]))

ステップ7: モデルの評価

パターンを正しく学習できていることを確認するため、学習データに対するモデルの性能を評価します。

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

実世界での応用

TensorFlowで構築したフィードフォワードニューラルネットワークは、次のような用途に適用できます。

• 予測分析: 売上やトレンドの予測。
• 分類: スパム検出、詐欺検出。
• 回帰: 価格予測、需要予測。

まとめと次のステップ

このレッスンでは、次の内容を学びました。

• TensorFlowを使用して、単純なニューラルネットワークを構築し、学習させました。
• データセットの準備、モデルの作成、コンパイル、学習という主要な手順を学びました。
• 予測を行い、モデルの性能を評価しました。

次は、画像処理タスク向けの畳み込みニューラルネットワーク（CNN）など、ニューラルネットワークをより高度なアーキテクチャへ拡張する方法を学びます。