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 を使っ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てください。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、入力が単一の特徴量で、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、出力層をそれぞれ 1 層ずつ持つ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

モデルを次の設定でコンパイルします：

• 損失関数： 回帰タスクには平均二乗誤差を使用します。
• オプティマイザー： 確率的勾配降下法（SGD）を使用します。

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

ステップ5：モデルのトレーニング

トレーニングデータを使い、500エポックにわたってモデルをトレーニングします。トレーニング中、モデルは損失を最小化する方法を学習します。

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

ステップ6：予測の実行

トレーニング後は、モデルを使って新しいデータに対する予測を実行できます：

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

ステップ7：モデルの評価

モデルがパターンを正しく学習できていることを確認するため、トレーニング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を使って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、次のことを行いました：

• TensorFlowを使って、シンプルなニューラルネットワークを構築し、トレーニングしました。
• データセットの準備、モデルの作成、コンパイル、トレーニングという主要な手順について学びました。
• 予測を実行し、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について学びます。