> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# Keras
export const ColabLink = ({url}) =>
Try in Colab
;
W\&B を使用して、機械学習の 実験管理 、 データセット の バージョン管理 、および プロジェクト の共同作業を行いましょう。
この Colabノートブック では `WandbMetricsLogger` コールバック を紹介します。この コールバック を [実験管理](/models/track/) に活用してください。トレーニングと検証の メトリクス を、システム メトリクス と共に W\&B に ログ 記録します。
## セットアップとインストール
まず、最新バージョンの W\&B をインストールします。その後、この Colab インスタンスで W\&B を使用するための認証を行います。
```shell theme={null}
pip install -qq -U wandb
```
```python theme={null}
import os
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras import models
import tensorflow_datasets as tfds
# W&B 関連のインポート
import wandb
from wandb.integration.keras import WandbMetricsLogger
```
W\&B を初めて使用する場合、またはログインしていない場合は、 `wandb.login()` を実行した後に表示されるリンクからサインアップ/ログインページに移動できます。[無料アカウント](https://wandb.ai/signup) への登録は数クリックで簡単に行えます。
```python theme={null}
wandb.login()
```
## ハイパーパラメーター
再現可能な 機械学習 のためには、適切な設定（config）システムを使用することが推奨されるベストプラクティスです。W\&B を使用して、すべての 実験 の ハイパーパラメーター を追跡できます。この Colab では、シンプルな Python の `dict` を設定システムとして使用します。
```python theme={null}
configs = dict(
num_classes=10,
shuffle_buffer=1024,
batch_size=64,
image_size=28,
image_channels=1,
earlystopping_patience=3,
learning_rate=1e-3,
epochs=10,
)
```
## データセット
この Colab では、TensorFlow Dataset カタログの [Fashion-MNIST](https://www.tensorflow.org/datasets/catalog/fashion_mnist) データセット を使用します。TensorFlow/Keras を用いたシンプルな 画像分類 パイプライン を構築することを目指します。
```python theme={null}
train_ds, valid_ds = tfds.load("fashion_mnist", split=["train", "test"])
```
```python theme={null}
AUTOTUNE = tf.data.AUTOTUNE
def parse_data(example):
# 画像を取得
image = example["image"]
# image = tf.image.convert_image_dtype(image, dtype=tf.float32)
# ラベルを取得
label = example["label"]
label = tf.one_hot(label, depth=configs["num_classes"])
return image, label
def get_dataloader(ds, configs, dataloader_type="train"):
dataloader = ds.map(parse_data, num_parallel_calls=AUTOTUNE)
if dataloader_type == "train":
dataloader = dataloader.shuffle(configs["shuffle_buffer"])
dataloader = dataloader.batch(configs["batch_size"]).prefetch(AUTOTUNE)
return dataloader
```
```python theme={null}
trainloader = get_dataloader(train_ds, configs)
validloader = get_dataloader(valid_ds, configs, dataloader_type="valid")
```
## モデル
```python theme={null}
def get_model(configs):
backbone = tf.keras.applications.mobilenet_v2.MobileNetV2(
weights="imagenet", include_top=False
)
backbone.trainable = False
inputs = layers.Input(
shape=(configs["image_size"], configs["image_size"], configs["image_channels"])
)
resize = layers.Resizing(32, 32)(inputs)
neck = layers.Conv2D(3, (3, 3), padding="same")(resize)
preprocess_input = tf.keras.applications.mobilenet.preprocess_input(neck)
x = backbone(preprocess_input)
x = layers.GlobalAveragePooling2D()(x)
outputs = layers.Dense(configs["num_classes"], activation="softmax")(x)
return models.Model(inputs=inputs, outputs=outputs)
```
```python theme={null}
tf.keras.backend.clear_session()
model = get_model(configs)
model.summary()
```
## モデルのコンパイル
```python theme={null}
model.compile(
optimizer="adam",
loss="categorical_crossentropy",
metrics=[
"accuracy",
tf.keras.metrics.TopKCategoricalAccuracy(k=5, name="top@5_accuracy"),
],
)
```
## トレーニング
```python theme={null}
# W&B Run を初期化
run = wandb.init(project="intro-keras", config=configs)
# モデルのトレーニング
model.fit(
trainloader,
epochs=configs["epochs"],
validation_data=validloader,
callbacks=[
WandbMetricsLogger(log_freq=10)
], # ここで WandbMetricsLogger を使用していることに注目してください
)
# W&B Run を終了
run.finish()
```