人工知能による画像の分類
2
画像分類
• 画像分類は，与えられた画像に対して，次を
得ること
ラベルごとの確率
3
画像
ラベルごとの確率
（ラベルが１０個あれば，
確率は１０個求まる）
画像分類
システム
ここで行う画像の分類
4
• 画像を 10 種類に自動分類。
たくさんの画像
③ セルを上から順に実行する．
セルの実行の終了を確認してから、次のセルに移る
こと
7
最後まで続ける
Google
アカウント
が必要
ニューラルネットワークの例
8
入力データ
出力データ
ニューロン
10 個
ニューロン
128 個
種類は relu
種類は softmax
ニューラルネットワークを作成するプログラム
9
ニューラルネットワークの学習の様子
同じ教師データを繰り返し使って学習を行う
10
繰り返し回数：５回
繰り返しのたびに誤差が減少（loss の右横の数値）
ニューラルネットワークによる予測の様子
11
１０種類のどれに分類されたかを棒グラフで表示
（ラベルが１０個あるので，確率は１０個求まる）
青：正解、 赤や黒：不正解
学習不足と過学習
12
ニューラルネットワークの学習で気を付けること
• 学習には大量のデータが必要
学習の成功のため
• 同じ教師データを使って学習を繰り返す
学習不足の解消
• 学習の検証が必要
過学習が無いことの確認
13
ニューラルネットワークの学習
14
• 教師データ（学習のためのデータ）を使用
• 学習は自動で行われる
① 教師データにより，ニューラルネットを動かし，誤差を
得る
② ニューロン間の結合の重みの上げ下げにより、誤差を減
らす （最終層の結果が，手前の層の結合の重みに伝搬する
ことから，フィードバックともいわれる）
• ニューロンの数が増えたり減ったりなどではない
• 誤差が減らなくなったら、最適になったとみなす
学習不足
• ニューラルネットワークの学習では，学習のた
めのデータ（教師データ）を使う
• 教師データを１回使っただけでは，学習不足の
場合がある
→ 同じ教師データを繰り返し使って学習を行う．
繰り返しながら，誤差の減少を確認
15
１回
２回
３回
４回
誤差の減少
過学習
• 教師データでの学習を終了したとき
• 検証データで検証すると，
学習がうまくいっていないことが分かる場合がある
16
過学習なし
17
精度
エポック数
学習データ
検証データ
良くない
良い
学習の繰り返しとともに
精度が向上
過学習あり
18
精度
エポック数
学習データ
検証データ
良くない
良い
学習の繰り返しに伴い，
学習データでの精度は改善しても，
検証データでの精度が改善しない
ニューラルネットワークの学習では，
過学習が発生していないことを確認すること
19
• ３つのニューラルネットワークの学習曲線
ニューロン数
Baseline: 1層目は16個， 2層目は16個
Smaller: 1層目は4個， 2層目は4個
Bigger: 1層目は512個， 2層目は512個
ニューロン数が多いと過学習が起きやすい
21
実線は学習データ
点線は検証データ
学習の繰り返し
考察の例
次のグラフから次を読み取る
• 学習の繰り返し回数はいくつがよさそうか？
• 過学習は発生しているか、していないか？
22
精度
良くない
良い
1.0
0.0
実線は学習データ
点線は検証データ
学習の繰り返し
過学習の防止に役立つ技術
• データの拡張
教師データの拡張（増量）と再学習による解決
• ドロップアウト
学習の途中で，ニューロン間の結合をランダムに
無効化することで解決
• その他（正則化など）
23
• ドロップアウト等の技術により，過学習を緩和
24
青：ドロップアウト等なし オレンジ：ドロップアウト等あり
学習の繰り返し
実線は学習データ
点線は検証データ
