【データ拡張の効果例】 CIFAR-10での実験結果： データ拡張なし： 訓練精度: 95% テスト精度: 78% ← 過学習している データ拡張あり： 訓練精度: 88% テスト精度: 85% ← 汎化性能が向上！ → 訓練精度は下がるが、テスト精度が上がる （これが理想的な状態）

from tensorflow.keras.preprocessing.image import ImageDataGenerator # データ拡張の設定 datagen = ImageDataGenerator( rotation_range=15, # ±15度の回転 width_shift_range=0.1, # 横方向に10%シフト height_shift_range=0.1, # 縦方向に10%シフト horizontal_flip=True, # 左右反転 zoom_range=0.1, # 10%ズーム fill_mode=’nearest’ # 空白は最近傍で埋める ) # 訓練データに適用 datagen.fit(X_train)

from tensorflow.keras.datasets import cifar10 from tensorflow.keras.utils import to_categorical from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout, BatchNormalization # データ準備 (X_train, y_train), (X_test, y_test) = cifar10.load_data() X_train = X_train.astype(‘float32’) / 255.0 X_test = X_test.astype(‘float32′) / 255.0 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) # データ拡張の設定 datagen = ImageDataGenerator( rotation_range=15, width_shift_range=0.1, height_shift_range=0.1, horizontal_flip=True, zoom_range=0.1 ) # モデル構築（前回と同じ） model = Sequential([ Conv2D(32, (3, 3), padding=’same’, activation=’relu’, input_shape=(32, 32, 3)), BatchNormalization(), Conv2D(32, (3, 3), padding=’same’, activation=’relu’), BatchNormalization(), MaxPooling2D((2, 2)), Dropout(0.25), Conv2D(64, (3, 3), padding=’same’, activation=’relu’), BatchNormalization(), Conv2D(64, (3, 3), padding=’same’, activation=’relu’), BatchNormalization(), MaxPooling2D((2, 2)), Dropout(0.25), Flatten(), Dense(512, activation=’relu’), Dropout(0.5), Dense(10, activation=’softmax’) ]) model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’]) # データ拡張を使った学習（fit_generatorではなくfitを使用） history = model.fit( datagen.flow(X_train, y_train, batch_size=64), # ★ ここがポイント epochs=50, validation_data=(X_test, y_test), steps_per_epoch=len(X_train) // 64 )

from tensorflow.keras import layers from tensorflow.keras.models import Sequential # データ拡張レイヤー data_augmentation = Sequential([ layers.RandomFlip(“horizontal”), # 水平反転 layers.RandomRotation(0.1), # ±10%回転 layers.RandomZoom(0.1), # ±10%ズーム layers.RandomTranslation(0.1, 0.1), # ±10%シフト ]) # モデルにデータ拡張を組み込む model = Sequential([ # データ拡張（訓練時のみ適用される） data_augmentation, # 正規化 layers.Rescaling(1./255), # CNNレイヤー layers.Conv2D(32, (3, 3), padding=’same’, activation=’relu’), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), # … 以下続く ])

import tensorflow as tf from tensorflow.keras import layers from tensorflow.keras.models import Sequential from tensorflow.keras.datasets import cifar10 from tensorflow.keras.utils import to_categorical from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau # データ準備（正規化はモデル内で行う） (X_train, y_train), (X_test, y_test) = cifar10.load_data() X_train = X_train.astype(‘float32’) # 正規化はモデル内で X_test = X_test.astype(‘float32′) / 255.0 # テストは先に正規化 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) # データ拡張レイヤー data_augmentation = Sequential([ layers.RandomFlip(“horizontal”), layers.RandomRotation(0.1), layers.RandomZoom(0.1), ], name=’data_augmentation’) # モデル構築 model = Sequential([ # 入力 layers.Input(shape=(32, 32, 3)), # データ拡張（訓練時のみ） data_augmentation, # 正規化 layers.Rescaling(1./255), # Block 1 layers.Conv2D(32, (3, 3), padding=’same’, activation=’relu’), layers.BatchNormalization(), layers.Conv2D(32, (3, 3), padding=’same’, activation=’relu’), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Dropout(0.25), # Block 2 layers.Conv2D(64, (3, 3), padding=’same’, activation=’relu’), layers.BatchNormalization(), layers.Conv2D(64, (3, 3), padding=’same’, activation=’relu’), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Dropout(0.25), # Classifier layers.Flatten(), layers.Dense(512, activation=’relu’), layers.Dropout(0.5), layers.Dense(10, activation=’softmax’) ]) model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’]) # コールバック callbacks = [ EarlyStopping(monitor=’val_loss’, patience=10, restore_best_weights=True), ReduceLROnPlateau(monitor=’val_loss’, factor=0.5, patience=5) ] # 学習 history = model.fit( X_train, y_train, epochs=50, batch_size=64, validation_data=(X_test * 255, y_test), # テストも元のスケールで callbacks=callbacks ) # 評価 test_loss, test_acc = model.evaluate(X_test * 255, y_test) print(f”\nテスト精度: {test_acc:.4f}”)