Keras: 深層学習ライブラリ

このページは https://keras.io/ja/ からの抜粋です。

Kerasとは#

Kerasは，Pythonで書かれた，TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリです． Kerasは，迅速な実験を可能にすることに重点を置いて開発されました． アイデアから結果に到達するまでのリードタイムをできるだけ小さくすることが，良い研究をするための鍵になります．

次のような場合で深層学習ライブラリが必要なら，Kerasを使用してください:

容易に素早くプロトタイプの作成が可能（ユーザーフレンドリー，モジュール性，および拡張性による）
CNNとRNNの両方，およびこれらの2つの組み合わせをサポート
CPUとGPU上でシームレスな動作

Keras.ioのドキュメントを読んでください．

KerasはPython 2.7-3.6に対応しています．

ガイドライン#

ユーザーフレンドリー: Kerasは機械向けでなく，人間向けに設計されたライブラリです．ユーザーエクスペリエンスを前面と中心においています．Kerasは，認知負荷を軽減するためのベストプラクティスをフォローします．一貫したシンプルなAPI群を提供し，一般的な使用事例で要求されるユーザーアクションを最小限に抑え，ユーザーエラー時に明確で実用的なフィードバックを提供します．
モジュール性: モデルとは，できるだけ制約の少ない接続が可能で，独立した，完全に設定可能なモジュールの，シーケンスまたはグラフとして理解されています．特に，ニューラルネットワークの層，損失関数，最適化，初期化，活性化関数，正規化はすべて，新しいモデルを作成するための組み合わせ可能な，独立したモジュールです．
拡張性: 新しいモジュールが（新しいクラスや関数として）簡単に追加できます．また，既存のモジュールには多くの実装例があります．新しいモジュールを容易に作成できるため，あらゆる表現が可能になっています．このことからKerasは先進的な研究に適しています．
Pythonで実装: 宣言形式の設定ファイルを持ったモデルはありません．モデルはPythonコードで記述されています．このPythonコードは，コンパクトで，デバッグが容易で，簡単に拡張できます．

30秒でKerasに入門しましょう．#

Kerasの中心的なデータ構造は__model__で，レイヤーを構成する方法です．主なモデルはSequentialモデルで，レイヤーの線形スタックです．更に複雑なアーキテクチャの場合は，Keras functional APIを使用する必要があります．これでレイヤーのなす任意のグラフが構築可能になります．

Sequential モデルの一例を見てみましょう．

from keras.models import Sequential

model = Sequential()

.add()で簡単にレイヤーを積み重ねることができます:

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

実装したモデルがよさそうなら.compile()で訓練プロセスを設定しましょう．

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

必要に応じて，最適化アルゴリズムも設定できます．Kerasの中心的な設計思想は，ユーザーが必要なときに完全にコントロール（ソースコードの容易な拡張性を実現する究極のコントロール）できる一方で，適度に単純にすることです．

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

訓練データをミニバッチで繰り返し処理できます．

# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)

代わりに，バッチサイズを別に規定できます．

model.train_on_batch(x_batch, y_batch)

1行でモデルの評価ができます．

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

また，新しいデータに対して予測もできます:

classes = model.predict(x_test, batch_size=128)

質問応答システムや画像分類，ニューラルチューリングマシン，word2vecやその他多くのモデルは高速かつシンプルに実装可能です．深層学習の根底にあるアイデアはとてもシンプルです．実装もシンプルであるべきではないでしょうか？

Kerasについてのより詳細なチュートリアルについては，以下を参照してください．

リポジトリのexamples folderにはさらに高度なモデルがあります．メモリネットワークを用いた質問応答システムや積層LSTMを用いた文章生成などです．