投稿者: パンプ筋

技術者ブログとして日ごろ取り組んでいる学習内容をご紹介します。今回はAI、ビッグデータをテーマにしている第1ユニットです。 今回のテーマはTensorFlowで画像を分類のための簡単なモデルの学習です。

TensorFlowは、機械学習やディープラーニングに広く使用されているオープンソースの機械学習ライブラリです。画像分類などのさまざまなタスクに使用できます。

Python言語を利用したTensorFlowで画像を分類するには、以下の手順を実行します。

1. TensorFlowをインストールする

pip install tensorflow

2. データセットを読み込む

この例では、MNISTデータセットを使用します。MNISTデータセットには、手書き数字の60,000枚のトレーニング画像と10,000枚のテスト画像が含まれています。

MNISTデータセットを読み込むには、次のコードを使用します。

import tensorflow as tf

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

このコードは、MNISTデータセットを読み込み、トレーニング画像とテスト画像に分割します。

3. データを前処理する

MNIST画像はグレースケールで、すべて28×28ピクセルのサイズです。モデルをトレーニングする前に、画像を正規化する必要があります。

画像を正規化するには、次のコードを使用します。

train_images = train_images / 255.0
test_images = test_images / 255.0

このコードは、画像の各ピクセルの値を0から1の範囲に正規化します。

4. モデルを定義する

この例では、シンプルなモデルを使用します。モデルには、畳み込み層と全結合層の2つの層があります。

畳み込み層は、画像から特徴を抽出します。全結合層は、畳み込み層で抽出された特徴に基づいて画像を分類します。

モデルを定義するには、次のコードを使用します。

model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
  tf.keras.layers.MaxPooling2D((2, 2)),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(10, activation='softmax')
])

このコードは、4層からなるモデルを定義します。

5. モデルをコンパイルする

モデルをコンパイルするには、損失関数、オプティマイザー、指標を指定する必要があります。

損失関数は、モデルがトレーニングデータに対してどれくらいうまく機能しているかを測定するために使用されます。オプティマイザーは、損失関数を最小化するためにモデルの重みを更新するために使用されます。指標は、トレーニングデータとテストデータに対するモデルのパフォーマンスを評価するために使用されます。

モデルをコンパイルするには、次のコードを使用します。

model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

このコードは、損失関数に「sparse_categorical_crossentropy」を、オプティマイザーに「adam」を、指標に「accuracy」を使用します。

6. モデルをトレーニングする

モデルをトレーニングするには、以下のコードを実行します。

model.fit(train_images, train_labels, epochs=10)

このコードは、モデルを10エポック（繰り返し）トレーニングします。

7. モデルを評価する

モデルを評価するには、以下のコードを実行します。

test_loss, test_accuracy = model.evaluate(test_images, test_labels)

print('Test loss:', test_loss)
print('Test accuracy:', test_accuracy)

このコードは、モデルのテストデータに対する精度を計算します。

8. 予測を行う

新しい画像に対して予測を行うには、以下のコードを実行します。

predictions = model.predict(test_images)

# Print the predictions
print(predictions)

このコードは、モデルがテスト画像に対して行った予測を出力します。

以上、画像認識への第一歩でした。このブログ記事では、TensorFlowを使用した画像分類のモデル学習の基本的な手順をご紹介しました。

皆さん、こんにちは！新入社員歓迎会の様子をお伝えします。今年は3名の新入社員を迎え、オフィス近くの韓国料理店で楽しいひと時を過ごしました。

まずは、健康診断が終わった後の食べ放題＆飲み放題。韓国料理の代表的なメニューである「サムギョプサル」と「チジミ」など、美味しい料理をたっぷり楽しみました。

新入社員のユーモラスな挨拶も終わり、次はレクリエーションの時間です。今回は「栄養当てゲーム」を開催しました。参加者はチームに分かれ、あらかじめ取り分けた料理の栄養素を当てるという面白いゲームです。

当てるのは以下の5つの食材と5つの栄養素です。

各チームは短い時間で回答を出しました。そして、結果は…

5位: フライドポテトチーム

4位:チジミチーム

3位:枝豆チーム

2位: ヤンニョムチキンチーム

1位:キムチチーム

最終的にはキムチチームが勝利しました！おめでとうございます！

主催者として、このイベントを開催した感想を一言お伝えします。社員一同、久しぶりの飲み会とあって、とても盛り上がりました。

笑顔がたくさん詰まっています。

今後も楽しい企画をご用意し、さらなる盛り上がりを目指していきます。次回のイベントもお楽しみに！

以上、新入社員歓迎会で行われた「栄養当てゲーム」の様子をご紹介しました。皆さんとの素敵な時間を共有できたこと、心から感謝しています。引き続き、より一層のチームワークを築いていきましょう！

今回のレクリエーション記事を担当します「パンプ筋」です。最近、Unityを学び始めていました。実際にUnityで制作されているゲームを体験してみたかったので、話題になっている宇宙人狼ゲーム「Among Us」を社員7人でやってみました。そちらについてお話させていただきます。

まずは「Among Us」について説明します。「Among Us」(アマングアス)は、宇宙を背景にしたオンライン人狼ゲームです。参加者はクルーメイト(Crewmate)と少数のインポスター(Impostor)の二つの役割に分けられます。

クルーメイトが勝つ方法は二つあり、インポスターを特定し、排除しながら、マップ上のタスクを完了するか、インポスターを全員排除することです。

インポスターの勝つ方法はクルーメイトがインポスターと同じ人数になるまでバレないようにクルーメイトを排除することです。

普通は他のプレイヤーとのコミュニケーションが制限されていますが、私たちはほとんど初心者だったので少し変わったやり方でボイスチャットを利用しながらやることにしました。自分がインポスターによって退場させられた時に声を出すのを我慢するのが難しかったですが、みんなで笑いながらやるのが楽しかったです。大体一時間を目途にゲームをしていましたが、予想以上に楽しく、気づいたら約二時間、経っていました。

これからもUnityを学びながら、学習のモチベーション維持のために、Unityで制作されたゲームをプレイしてみたいと思います。