💾 STEP 9: モデルの保存と読み込み

学習したモデルを保存して、いつでも再利用できるようにしよう

📋 このステップで学ぶこと

なぜモデルの保存が重要なのか？
モデル全体の保存（model.save()）
重みのみの保存（save_weights()）
モデルの読み込み方法
Google Driveへの保存（Google Colab対策）
保存形式の違い（.keras / .h5）

🎯 1. なぜモデルの保存が必要か？

1-1. Google Colabの問題

STEP 6で学んだように、Google Colabには重要な制限があります。

⚠️ Google Colabの制限（復習）

セッション切断：最大12時間で自動切断
アイドルタイムアウト：90分操作しないと切断
ストレージの一時性：セッション終了で全ファイル消失

😱 こんな経験ありませんか？

「5時間かけて学習したモデルが、セッション切断で全部消えた…」

これを防ぐために、モデルの保存が必須です！

1-2. 保存が必要な3つの理由

📌 理由1：学習結果を失わないため

数時間かけて学習したモデルを、いつでも再利用できます。
セッションが切れても安心！

📌 理由2：途中から学習を再開するため

50エポック学習した後、追加で50エポック学習したい場合：
保存したモデルを読み込んで、続きから学習できます。

📌 理由3：本番環境で使うため

学習したモデルをWebアプリやスマホアプリに組み込む際、
保存したモデルファイルを読み込んで予測を行います。

💾 2. モデル全体の保存（model.save()）

2-1. model.save()とは？

model.save()は、モデルのすべての情報を1つのファイルに保存します。

✅ model.save()で保存される情報

モデルのアーキテクチャ：層の構造（何層で、各層のユニット数は？）
重み（weights）：学習で獲得した全パラメータ
オプティマイザの状態：Adamなどの内部状態
コンパイル情報：損失関数、評価指標など

2-2. 基本的な使い方

📝 コードの解説

model.save(‘ファイル名’)

モデル全体を指定したファイル名で保存します。
拡張子は .keras（推奨）または .h5 を使います。

# モデルを作成して学習
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# データ準備
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train / 255.0
X_test = X_test / 255.0
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

# モデル構築
model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation=’relu’),
    Dense(64, activation=’relu’),
    Dense(10, activation=’softmax’)
])

model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’])

# 学習
model.fit(X_train, y_train, epochs=5, batch_size=128, validation_split=0.2)

# ★ モデルを保存 ★
model.save(‘my_model.keras’)
print(“モデルを保存しました！”)

実行結果：

Epoch 1/5
375/375 - loss: 0.3521 - accuracy: 0.9012 - val_loss: 0.1654 - val_accuracy: 0.9521
...
Epoch 5/5
375/375 - loss: 0.0523 - accuracy: 0.9845 - val_loss: 0.0912 - val_accuracy: 0.9732

モデルを保存しました！

2-3. 保存形式の違い

形式	拡張子	特徴	推奨度
Keras形式	.keras	TensorFlow 2.x の新しい標準形式	★★★★★ 推奨
HDF5形式	.h5	従来の形式、互換性が高い	★★★★☆ OK
SavedModel形式	フォルダ	TensorFlow Serving用	★★★☆☆ 特殊用途

# 保存形式の例

# 方法1: .keras形式（推奨）
model.save(‘my_model.keras’)

# 方法2: .h5形式（従来の形式）
model.save(‘my_model.h5’)

# 方法3: SavedModel形式（フォルダとして保存）
model.save(‘my_model_folder’)

📂 3. モデルの読み込み（load_model()）

3-1. load_model()とは？

load_model()は、保存したモデルを読み込んで、すぐに使える状態にします。

📝 コードの解説

load_model(‘ファイル名’)

保存したモデルファイルを読み込みます。
読み込んだモデルは、保存時と全く同じ状態です。

from tensorflow.keras.models import load_model

# ★ モデルを読み込み ★
loaded_model = load_model(‘my_model.keras’)

# 読み込んだモデルの確認
loaded_model.summary()

実行結果：

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 flatten (Flatten)           (None, 784)               0         
 dense (Dense)               (None, 128)               100480    
 dense_1 (Dense)             (None, 64)                8256      
 dense_2 (Dense)             (None, 10)                650       
=================================================================
Total params: 109,386
Trainable params: 109,386
Non-trainable params: 0
_________________________________________________________________

3-2. 読み込んだモデルで予測

# 読み込んだモデルで予測
predictions = loaded_model.predict(X_test[:5])

# 予測結果を表示
import numpy as np
for i in range(5):
    predicted_label = np.argmax(predictions[i])
    actual_label = np.argmax(y_test[i])
    print(f”画像{i+1}: 予測={predicted_label}, 正解={actual_label}”)

実行結果：

画像1: 予測=7, 正解=7
画像2: 予測=2, 正解=2
画像3: 予測=1, 正解=1
画像4: 予測=0, 正解=0
画像5: 予測=4, 正解=4

→ 保存前と同じ精度で予測できている！

3-3. 読み込んだモデルで追加学習

# 読み込んだモデルで追加学習（続きから学習）
loaded_model.fit(X_train, y_train, epochs=3, batch_size=128, validation_split=0.2)

# 追加学習後の評価
test_loss, test_acc = loaded_model.evaluate(X_test, y_test)
print(f”追加学習後のテスト精度: {test_acc:.4f}”)

実行結果：

Epoch 1/3
375/375 - loss: 0.0412 - accuracy: 0.9876 - val_loss: 0.0823 - val_accuracy: 0.9756
Epoch 2/3
375/375 - loss: 0.0321 - accuracy: 0.9901 - val_loss: 0.0789 - val_accuracy: 0.9778
Epoch 3/3
375/375 - loss: 0.0256 - accuracy: 0.9923 - val_loss: 0.0812 - val_accuracy: 0.9782

追加学習後のテスト精度: 0.9785

→ 保存した状態から続けて学習できた！

⚖️ 4. 重みのみの保存（save_weights()）

4-1. なぜ重みだけを保存する？

📊 model.save() vs save_weights() の違い

model.save()：
→ モデル構造 + 重み + オプティマイザ（全部入り）
→ ファイルサイズ大きめ
→ すぐに使える

save_weights()：
→ 重みのみ
→ ファイルサイズ小さい
→ 読み込み時にモデル構造を再定義する必要あり

✅ save_weights()を使う場面

ファイルサイズを小さくしたい：重みだけなので軽い
モデル構造を変更したい：一部の層だけ重みを転用
転移学習：事前学習済みの重みを別のモデルに適用

4-2. 重みの保存と読み込み

# 重みの保存
model.save_weights(‘my_weights.weights.h5′)
print(“重みを保存しました！”)

# 重みの読み込み（同じ構造のモデルが必要）
# まずモデル構造を再定義
new_model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation=’relu’),
    Dense(64, activation=’relu’),
    Dense(10, activation=’softmax’)
])

# 重みを読み込み
new_model.load_weights(‘my_weights.weights.h5′)
print(“重みを読み込みました！”)

# コンパイルが必要（重みだけではオプティマイザ情報がない）
new_model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’])

# 評価
test_loss, test_acc = new_model.evaluate(X_test, y_test)
print(f”テスト精度: {test_acc:.4f}”)

実行結果：

重みを保存しました！
重みを読み込みました！
313/313 - loss: 0.0823 - accuracy: 0.9756
テスト精度: 0.9756

→ 重みだけでも同じ精度で予測できる！

⚠️ 重み読み込み時の注意点

モデル構造が一致している必要あり：層の数、ユニット数が同じでないとエラー
コンパイルが必要：重みだけではオプティマイザ情報がないため

☁️ 5. Google Driveへの保存（Colab対策）

5-1. なぜGoogle Driveに保存する？

💡 Google Colabの問題を解決

Google Colabのセッションが切れると、Colab内のファイルはすべて消えます。

しかし、Google Driveに保存しておけば、セッションが切れてもファイルは残ります！

次回のセッションで読み込めば、学習の続きができます。

5-2. Google Driveのマウント

📝 コードの解説

drive.mount(‘/content/drive’)

Google DriveをColabに接続（マウント）します。
実行すると認証画面が表示されるので、Googleアカウントでログインします。

# Google Driveをマウント
from google.colab import drive
drive.mount(‘/content/drive’)

# マウント後、Google Driveは以下のパスでアクセス可能
# /content/drive/MyDrive/

実行結果：

Mounted at /content/drive

→ 認証が成功すると、Google Driveが使えるようになる

5-3. Google Driveへモデルを保存

# Google Driveにモデルを保存
model.save(‘/content/drive/MyDrive/my_model.keras’)
print(“Google Driveに保存しました！”)

# 確認
import os
if os.path.exists(‘/content/drive/MyDrive/my_model.keras’):
    print(“ファイルが存在します！”)

実行結果：

Google Driveに保存しました！
ファイルが存在します！

5-4. Google Driveからモデルを読み込み

# 新しいセッションでの読み込み

# 1. まずGoogle Driveをマウント
from google.colab import drive
drive.mount(‘/content/drive’)

# 2. モデルを読み込み
from tensorflow.keras.models import load_model
loaded_model = load_model(‘/content/drive/MyDrive/my_model.keras’)

# 3. 確認
loaded_model.summary()
print(“モデルを読み込みました！”)

5-5. 推奨するフォルダ構成

Google Drive
└── MyDrive
    └── DeepLearning       ← 専用フォルダを作成
        ├── models         ← モデル保存用
        │   ├── mnist_model.keras
        │   └── cifar10_model.keras
        ├── weights        ← 重み保存用
        │   └── best_weights.weights.h5
        └── data           ← データ保存用
            └── processed_data.npy

# フォルダ作成のコード
import os

# ベースパス
base_path = ‘/content/drive/MyDrive/DeepLearning’

# フォルダを作成
os.makedirs(f'{base_path}/models’, exist_ok=True)
os.makedirs(f'{base_path}/weights’, exist_ok=True)
os.makedirs(f'{base_path}/data’, exist_ok=True)

print(“フォルダを作成しました！”)

# モデルを保存
model.save(f'{base_path}/models/mnist_model.keras’)

🎯 6. 実践的な保存パターン

6-1. 学習中に定期的に保存（ModelCheckpoint）

ModelCheckpointを使うと、学習中に自動でモデルを保存できます。
これはSTEP 14で詳しく学びますが、基本的な使い方を紹介します。

from tensorflow.keras.callbacks import ModelCheckpoint

# 最良のモデルを自動保存
checkpoint = ModelCheckpoint(
    ‘best_model.keras’,         # 保存先
    monitor=’val_accuracy’,     # 監視する指標
    save_best_only=True,        # 最良の時だけ保存
    verbose=1
)

# 学習時にコールバックを指定
model.fit(
    X_train, y_train,
    epochs=10,
    validation_split=0.2,
    callbacks=[checkpoint]      # ここで指定
)

実行結果：

Epoch 1/10
Epoch 1: val_accuracy improved from -inf to 0.9521, saving model to best_model.keras
...
Epoch 5/10
Epoch 5: val_accuracy improved from 0.9732 to 0.9756, saving model to best_model.keras
...
Epoch 10/10
Epoch 10: val_accuracy did not improve from 0.9756

→ 精度が改善したときだけ自動保存される！

6-2. 完成コード（Google Drive対応）

from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.callbacks import ModelCheckpoint
from google.colab import drive
import os

# ===== 1. Google Driveをマウント =====
drive.mount(‘/content/drive’)
save_path = ‘/content/drive/MyDrive/DeepLearning/models’
os.makedirs(save_path, exist_ok=True)

# ===== 2. データ準備 =====
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train / 255.0
X_test = X_test / 255.0
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

# ===== 3. モデル構築 =====
model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation=’relu’),
    Dense(64, activation=’relu’),
    Dense(10, activation=’softmax’)
])

model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’])

# ===== 4. コールバック設定 =====
checkpoint = ModelCheckpoint(
    f'{save_path}/best_mnist_model.keras’,
    monitor=’val_accuracy’,
    save_best_only=True,
    verbose=1
)

# ===== 5. 学習 =====
history = model.fit(
    X_train, y_train,
    epochs=10,
    batch_size=128,
    validation_split=0.2,
    callbacks=[checkpoint]
)

# ===== 6. 最終モデルも保存 =====
model.save(f'{save_path}/final_mnist_model.keras’)
print(f”\nモデルを {save_path} に保存しました！”)

📝 STEP 9 のまとめ

✅ このステップで学んだこと

model.save()：モデル全体を保存（構造 + 重み + オプティマイザ）
load_model()：保存したモデルを読み込み
save_weights()：重みのみを保存（ファイルサイズ小さい）
load_weights()：重みを読み込み（同じ構造のモデルが必要）
Google Driveへの保存：セッション切断対策に必須
推奨形式：.keras形式（TensorFlow 2.x標準）

💡 覚えておくべき3つのポイント

# 1. モデル全体を保存
model.save(‘my_model.keras’)

# 2. モデルを読み込み
loaded_model = load_model(‘my_model.keras’)

# 3. Google Driveに保存（Colab対策）
from google.colab import drive
drive.mount(‘/content/drive’)
model.save(‘/content/drive/MyDrive/my_model.keras’)

🚀 次のステップへ

モデルの保存と読み込みを習得したので、次のSTEP 10では逆伝播（Backpropagation）の理論を学びます。

ニューラルネットワークがどのように学習するのか、その仕組みを理解しましょう！

📝 練習問題

問題1 やさしい

model.save()で保存される情報

model.save()で保存される情報として、含まれないものを選んでください。

A. モデルのアーキテクチャ（層の構造）
B. 学習した重み
C. 訓練データ
D. オプティマイザの状態

正解：C

model.save()で保存される情報

model.save()は訓練データを保存しません。

【model.save()で保存される情報】

✅ A. モデルのアーキテクチャ（層の構造）
✅ B. 学習した重み（パラメータ）
❌ C. 訓練データ（保存されない）
✅ D. オプティマイザの状態（Adamの内部状態など）
✅ コンパイル情報（損失関数、評価指標）

訓練データはモデルファイルには含まれません。
データは別途管理する必要があります。

問題2 やさしい

保存形式の推奨

TensorFlow 2.xで推奨されるモデルの保存形式はどれですか？

A. .pkl形式
B. .keras形式
C. .csv形式
D. .json形式

正解：B

.keras形式が推奨される理由

TensorFlow 2.xの新しい標準形式
モデル全体を1つのファイルに保存
読み込みが簡単

# 推奨される保存方法
model.save(‘my_model.keras’)

# 従来の形式（.h5）も使える
model.save(‘my_model.h5’)

問題3 ふつう

重みのみの保存

save_weights()で重みを保存した後、読み込む際に必要なことは何ですか？

A. 何もしなくてよい
B. 同じ構造のモデルを定義してからload_weights()を呼ぶ
C. 異なる構造のモデルでもload_weights()で読み込める
D. Google Driveにマウントする

正解：B

重み読み込みの手順

# 1. save_weights()で保存
model.save_weights(‘my_weights.weights.h5′)

# 2. 読み込み時：まず同じ構造のモデルを定義
new_model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation=’relu’),  # 元と同じ構造
    Dense(64, activation=’relu’),
    Dense(10, activation=’softmax’)
])

# 3. 重みを読み込み
new_model.load_weights(‘my_weights.weights.h5′)

# 4. コンパイルも必要
new_model.compile(optimizer=’adam’, loss=’categorical_crossentropy’)

注意：モデル構造が異なるとエラーになります。

問題4 ふつう

Google Colabでの保存

Google Colabでセッションが切れてもモデルを失わないためには、どこに保存すべきですか？

A. /content/フォルダ
B. /tmp/フォルダ
C. /content/drive/MyDrive/フォルダ（Google Drive）
D. デスクトップ

正解：C

Google Driveに保存する理由

【各フォルダの特徴】

/content/
→ Colabのデフォルトフォルダ
→ セッション終了で消える ❌

/tmp/
→ 一時フォルダ
→ セッション終了で消える ❌

/content/drive/MyDrive/（Google Drive）
→ セッション終了しても残る ✅
→ 次回のセッションで読み込める ✅

# Google Driveへの保存方法

from google.colab import drive
drive.mount(‘/content/drive’)

model.save(‘/content/drive/MyDrive/my_model.keras’)

問題5 むずかしい

model.save()とsave_weights()の使い分け

以下の場面で、save_weights()の方が適しているのはどれですか？

A. 学習したモデルをそのまま本番環境で使いたい
B. 事前学習済みの重みを別のモデル構造に転用したい
C. 追加学習のために途中の状態を保存したい
D. 同僚にモデルを共有したい

正解：B

使い分けの指針

【model.save()が適している場面】
✅ A. 本番環境で使いたい → 構造も含めて保存
✅ C. 追加学習したい → オプティマイザ状態も保存
✅ D. 共有したい → すぐに使える状態で共有

【save_weights()が適している場面】
✅ B. 重みを別のモデルに転用したい
   → 転移学習で事前学習済みの重みだけを使う
   → モデル構造を変更したい場合

例：VGG16の重みを、自分のカスタムモデルに転用

# 転移学習での使用例
# VGG16の重みを取得して、一部の層だけ使う

from tensorflow.keras.applications import VGG16

# 事前学習済みの重みを持つVGG16
base_model = VGG16(weights=’imagenet’, include_top=False)

# 自分のモデルに組み込む
# → この場合、重みだけを転用している

📝

学習メモ

ディープラーニング基礎 - Step 9

📋 過去のメモ一覧 ▼