Google ColabでKerasを使った画像分類入門（MNIST編）-忘れないようにメモ（忘却録）

1.はじめに
2.Google Colabとは？
3.環境準備：ColabでGPUを有効化する
4.必要なライブラリのインポート
5.データの準備
6.モデルの作成
7.学習と評価
8.結果とまとめ

はじめに

こんにちは、SHOU です！
今回は、Google Colabを使って、Kerasライブラリで手書き数字（MNIST）の画像分類に挑戦してみます。
Colabは、Googleが提供する無料のクラウドサービスで、GPUも無料で使えるので、初心者でも簡単にディープラーニングを試せるのが魅力です。これからAIや機械学習を学びたい方に、最初の一歩としておすすめの内容です。

Google Colabとは？

Google Colab（Colaboratory）は、ブラウザ上でPythonコードが実行できる環境で、TensorFlowやKerasなどのライブラリが最初からインストール済み。特別なセットアップ不要で、すぐに使い始めることができます。無料でGPU・TPUが使えるノートブックを共有できる学習・開発環境として非常に便利

環境準備：ColabでGPUを有効化する

まずは、Google Colabを開きましょう。そしてGPUを使う設定にします。 設定方法：
上部メニューから [ランタイム] → [ランタイムのタイプを変更] を選びます。
「ハードウェアアクセラレータ」を GPU に設定して保存。 GPUを選ぶことで、学習スピードが大幅アップします。

必要なライブラリのインポート

TensorFlowとKerasを使います。最初に以下のコードを実行しておきましょう。

import tensorflow as tf 
from tensorflow import keras
import numpy as np
print("TensorFlowバージョン:", tf.__version__)

バージョンが表示されれば準備OKです。

データの準備

今回はKeras内蔵のMNIST（手書き数字データセット）を使います。

# MNISTデータを読み込み
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() 
# データを0～1の範囲に正規化
x_train = x_train / 255.0
x_test = x_test / 255.0

このデータは、28×28ピクセルの手書き数字（0～9）の画像が含まれています。

モデルの作成

今回はシンプルな全結合ネットワークを構築します。

model = keras.models.Sequential([
    keras.Input(shape=(28, 28)),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'), 
    keras.layers.Dropout(0.2), 
    keras.layers.Dense(10, activation='softmax') 
])
 
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Flatten：28×28の画像を1次元に変換
Dense：全結合層（128ユニット）
Dropout：過学習防止
Dense（出力層）：10クラス分類

学習と評価

いよいよ学習＆評価です。

# モデルを学習（5エポック） 
model.fit(x_train, y_train, epochs=5) 
# テストデータで評価
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"テスト精度: {test_acc:.3f}")

5エポック程度なら、GPUを使うと数分で完了します。

結果とまとめ

私の環境では、テスト精度: 約0.98（=約98%）が出ました。シンプルなモデルでも、手書き数字はかなりの高精度で分類できることがわかります。 Google Colabは、無料＆簡単に使えるので、これから機械学習を始めたい方には本当におすすめです。
次回は、自分のデータセットを使ったり、畳み込みニューラルネットワーク（CNN）に挑戦して、さらに高精度を目指してみましょう！