JOSH GORDON: Hey, everyone.

｛機械学習｝レシピ

Welcome back.

みなさん こんにちは

In this episode, I'll show you how

ようこそ

to train your own image classifier starting from just

今回は皆さん自身の画像分類器に どう学習させるか

a directory of images.

画像のディレクトリから始めて

For example, say you want to build a classifier that

説明します

can tell the difference between a picture of a T.

例えば T レックスとトライセラトップス を区別する

rex and a triceratops.

分類器を作りたいとします

Or maybe you want to classify a painting

もしくはモネの絵とピカソの絵に

as being a Monet or Picasso.

分類したいとかです

To do that, we'll work with a code lab

そうする為に TensorFlow for Poets というコードラボで作業します

called TensorFlow for Poets.

これは画像分類器の学習を 始め作業するのに

And this is a great way to get started

良い方法です

learning about and working with image classification.

では早速２つ

Now two things off the bat.

まず このコードラボは高レベルです

First, this code lab is high level.

分類器に学習させるため 基本的に２つのスクリプトを

To train our classifier, we'll basically just need

実行すればいいだけです

to run a couple of scripts.

ですが 素晴らしいことは 分類器が作るものは

But what's impressive is what the classifier will create

私が２，３年前に 書けただろうものより

is better than what I could have written

優れていることです

myself just a few years ago.

先に進んだらコードラボの 動作の様子をお見せして

As we go, I'll show you how the code lab looks in action,

その理由についてコンテキストと 背景を付け加えましょう

and I'll add context and background

では始めましょう

on why it works so well.

TensorFlow for Poets で 画像分類器に学習させるには

OK, let's get started.

１つ、学習データを 供給すればいいだけです

To train an image classifier with TensorFlow for Poets,

ここではそれは単に 画像でいっぱいのディレクトリです

we'll only need to provide one thing-- training data.

私の案は

Here that's just directories full of images.

５種の花を区別する 分類器を作ることです

My plan is to create a classifier

バラや ひまわりなどですね

to tell the difference between five types of flowers--

これが私の学習データの様子です

roses, sunflowers, and so on.

５つのディレクトリがあり

And here's what my training data looks like.

各種の花にそれぞれ１つです

Notice that I have five directories, one

各ディレクトリの中に たくさんの写真があります

for each type of flower.

花で作業する理由は

Inside each directory are lots of pictures.

私達がコードラボに このデータセットを供給したからです

And the reason I'm working with flowers

だから皆さんはすぐ始められます

is we provided this data set in the code lab

皆さんが自分の画像 例えば恐竜とか絵を使いたいなら

so you can get started right away.

ディレクトリを作ってそれを Web からとった画像で

If you want to use your own images, say, for dinosaurs

埋めればいいだけです

or paintings, all you need to do is create a directory

始めるには各ディレクトリに 約１００個の画像が必要です

and fill it with images from the web.

学習データができたら 次は分類器を学習させる

We'll need about 100 images in each directory to start.

必要があります

Once we have our training data, the next thing we'll need to do

その為に TensorFlow を使います

is train our classifier.

TensorFlow はオープンソースの 機械学習ライブラリで

And for that, we'll use TensorFlow.

特に深層学習という 機械学習の一種で

TensorFlow as an open source machine learning library.

作業するのに役立ちます

And it's especially useful for working

深層学習はここ数年で 特に画像分類器のような領域で

with a branch of machine learning called deep learning.

大きな成果につながりました

Deep learning has led to great results in the last couple

それを今日やってみるわけです

years, especially in domains like image classification,

ここにその理由が１つあります

which we'll be working with today.

第１回で

And here's one reason why.

私達はりんごとオレンジの区分けの 話をしました

Recall that way back in episode one,

これを手作業でやるのは 不可能だと分かりました

we talked about telling the difference between apples

世界には変種があまりにも 多いですからね

and oranges.

でも今はまた分類器が入力として 特徴を捉えることも

We saw it's impossible to do this

知っています

by hand because there's too much variation in the world.

画像に関して 手作業で有用な特徴を抽出する

But now we also know that classifiers take features

コードを書くのは非常に難しいです

as input.

例えば 皆さんは１個の果物の 質感を検出する

And with images, it's incredibly hard

コードを書きたいと思わないでしょう

to write code to extract useful features by hand.

これを避けるために 深層学習を使います

For example, you wouldn't want to write code

それには画像の作業をする時に 大きな利点があるからです

to detect the texture of a piece of fruit.

こんな感じです

To get around this, we use deep learning

手作業で特徴を抽出する 必要がありません

because it has a major advantage when working with images.

代わりに 画像の特徴の 生ピクセルを使えます

And it's this.

あとは分類器がやります

You don't need to extract features manually.

学習データの様子の 違いを見る為に

Instead, you can use the raw pixels of the image's features,

アイリスのデータセットと

and the classifier will do the rest.

私達の画像のディレクトリを 比べてみましょう

To see the difference in our training data

アイリスで 各欄は 花を描く特徴です

looks, let's compare the Iris data set

手作業でこういう特徴が 出てきたわけですね

with our directories of images.

たとえば定規で花を 測るとかしてです

In Iris, each column is a feature

一方 TensorFlow for Poets での 学習データはこうです

that describes the flower.

それは単にラベル付きの名前です

And you can imagine we came up with these features

繰り返すと 分類器はただの関数

manually, say, by measuring the flower with a ruler.

f(x) = y です

Now by contrast, here's our training data

ここで X は画像のピクセルの ２次元配列で

in TensorFlow for Poets.

Y はバラのようなラベルです

It's just a list of labeled images.

深層学習の話では

And again, a classifier is just a function.

私達が使う分類器は ニューラルネットワークと呼ばれます

f of x equals y.

高レベルではそれはただ 別のタイプの分類器です

Here x is a 2D array of pixels from the image.

前回書いた最近接のものと 似たものです

And y is a label like rose.

違いはニューラルネットワークは

Now when we're talking about deep learning,

もっと複雑な関数を 覚えられることです

the classifier we'll be using is called a neural network.

このコードラボでは TensorFlow for Poets は

At a high level, that's just another type of classifier,

皆さんの代わりに背後で ニューラルネットワークを

like the nearest neighbor one wrote last time.

設定し学習させる仕事をします

The difference is a neural network

だからと言って TensorFlow コードが これまで見てきたものより

can learn more complex functions.

書くのが難しいわけではありません

In this code lab, TensorFlow for Poets

実は私が好きな TensorFlow プログラムの書き方は

takes care of setting up and training the neural network

TF Learn を使うことです

for you behind the scenes.

TF Learn は TensorFlow 上部の 高レベルの機械学習ライブラリです

That doesn't mean that TensorFlow code is any harder

構文はこれまで見てきたような scikit-learn に似ています

to write than what we've seen so far.

例えばここにお見せする コード片では

In fact, my favorite way of writing TensorFlow programs

ニューラルネットワークを インポートし

is by using TF Learn.

それを学習させ 新しいデータを 分類する方法を示します

And TF Learn is a high level machine learning library

皆さんは既に学んだ技術を使い これができます

on top of TensorFlow.

これについて今もっと学びたければ

And the syntax is similar to scikit-learn

動画説明欄にリンクを 書いておいたので

like we've seen so far.

確認してみてください

For example, here's a code snippet

では TensorFlow for Poets に戻って

that shows you how to import a neural network,

分類器に学習させましょう

train it, and use it to classify new data.

その為にまず このスクリプトから始めます

And you can do this using the skills you've already learned.

これはコードラボで 詳しくやったので

If you want to learn more, no pun intended,

ここではあまり多く話しませんが

about this stuff right now, I put links

あと２つのコンテキストを述べましょう

in the description you can check out.

皆さんが知りたいでしょうから

OK, now let's return to TensorFlow for Poets

まず このスクリプトは 分類器を学習させるのに

and train our classifier.

約２０分かかります

To do that, we'll kick it off with this script.

その時間は長いかと 考えてみてください

It's covered in detail in the code lab,

答えは「いいえ」です

so I won't say too much about it here.

陰で TensorFlow for Poets は

But I will give you context on two more things

実は分類器を一から 学習させてはいるのではなく

you might want to know about.

Inception という既存の 分類器から始めています

First, the script takes about 20 minutes

Inception は Google の最良の 画像分類器の１つで

to train the classifier.

オープンソースです

Now ask yourself, is that a long time?

私達の学習データにはほんの 数千の画像があるだけなのに

The answer turns out to be no.

Inception は 1000 の異なるカテゴリの

Under the hood, TensorFlow for Poets

1200 万の画像で学習させられました

isn't actually training a classifier from scratch.

Inception を学習させるのは ８ GPU の高速デスクトップで

Instead, it's starting with an existing classifier called

約２週間かかりました

Inception.

TensorFlow for Poets では まず Inception で始め

And Inception is one of Google's best image classifiers.

リトレーニングという技術を使い

And it's open source.

私達の画像で働くように それを合わせます

Whereas we have just a couple thousand images in our training

これで Inception が前に学習した パラメーターのいくつかを再利用し

data, Inception was trained on 1.2 million images

はるかに少ない学習データで 新しい高精度の分類器を作れます

from 1,000 different categories.

学習が終わるまで早送りします

Training Inception took about two weeks on a fast desktop

学習させた分類器ができたら 試してみれます

with eight GPUs.

そのためにウィキメディア・コモンズから このバラの画像をダウンロードして

In TensorFlow for Poets, we'll begin with Inception

分類器を使って

and then use a technique called retraining

どの種の花か予測させます

to adjust it to work with our images.

ご覧のように答を 正しく得ます

This lets us re-use some of the parameters Inception

また他種の花の確率も見れます

has previously learned so we can create a new high accuracy

さて分類器は私達が示した

classifier with far less training data.

学習データについて 知ってるだけです

I'll fast forward til our training finishes.

だから 例えばローマの コロシアムの画像を分類させれば

And once we have a trained classifier, we can try it out.

分類器はそれが花の種類だとして 予測しなければなりません

To do that, I'll download this image of a rose

まあ確率は低く出るでしょうがね

from Wikimedia Commons and use our classifier

終わりにあと１、２言わせてください

to predict what type of flower it is.

良い画像分類器にするには

As we can see, it gets it right.

肝心な点は多様性と量です

And we can see the confidence distribution

多様性とは異なる種のバラの 画像が多ければ多いほど

for the other types of flowers as well.

うまくいきます

Now keep in mind our classifier only

例えば学習データに

knows about the training data we've shown it.

赤白黄のバラの写真を含みます

So if we ask it to classify an image,

また 上からとか横からの 異なる角度で写した写真も入れます

say, of the Roman Colosseum, it must predict

更に 前景のバラの写真と

that it's a type of flower.

背景の写真を入れます

Hopefully, though, the confidence will be low.

量とは学習データが多ければ 多いほど

Now let me give you one or two more closing thoughts.

良い分類器を作れる可能性が 大きいということです

To train a good image classifier,

バラのフォルダーには数百の 画像が入っています

the name of the game is diversity and quantity.

Inception を再学習させるのに それで充分です

By diversity, I mean the more images

もっと少ない画像でも うまくいきそうです

of different types of roses we have, the better off we'll be.

精度が減るでしょうけれどね

For example, our training data includes

今はこれでおしまいです

pictures of red, white, and yellow roses.

次の段階として 皆さんは

We also have pictures taken at different angles,

もっと掘り下げ自分のTensorFlow を 作りたいことでしょう

say, from above or to the side.

ここにそのやり方を示す チュートリアルのリンクがあります

And we've included pictures of roses in the foreground

ここで見たのと全く同じ 技術を使えます

as well as the background.

ご視聴どうもありがとう

Now by quantity, I mean the more training data we have,

では次回にお会いしましょう

the better a classifier we're likely to create.

There are several hundred images inside the roses folder.

That's enough to retrain Inception.

And you can probably get away with even fewer images,

though your accuracy might decrease.

OK, that's it for now.

As a next step, you'll probably want

to dig deeper and try writing your own TensorFlow code.

Here's a link to a tutorial that will show you how to do that.

And you can use exactly the same technology we saw here.

As always, thanks very much for watching.

And I'll see you guys next time.

[MUSIC PLAYING]