【ImageNetデータセット】 ・1400万枚以上の画像 ・1000クラスの分類タスク ・VGG16, ResNet, MobileNetなどが学習済み これらのモデルは「一般的な画像の特徴」を学習済み： – 浅い層：エッジ、色、テクスチャ – 中間層：目、耳、車輪などのパーツ – 深い層：顔、車、建物などの物体 → この知識は他のタスクにも活用できる！

from tensorflow.keras.applications import VGG16, ResNet50, MobileNetV2 # VGG16を読み込み（ImageNetの重みを使用） vgg16 = VGG16( weights=’imagenet’, # ImageNetで学習済みの重み include_top=False, # 分類層を含めない（★重要） input_shape=(224, 224, 3) ) # ResNet50を読み込み resnet50 = ResNet50( weights=’imagenet’, include_top=False, input_shape=(224, 224, 3) ) # MobileNetV2を読み込み（軽量） mobilenet = MobileNetV2( weights=’imagenet’, include_top=False, input_shape=(224, 224, 3) )

from tensorflow.keras.applications import VGG16 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout # 事前学習済みモデルを読み込み base_model = VGG16( weights=’imagenet’, include_top=False, input_shape=(224, 224, 3) ) # ★ 重要：ベースモデルの重みを固定 base_model.trainable = False # 新しいモデルを構築 model = Sequential([ base_model, GlobalAveragePooling2D(), Dense(256, activation=’relu’), Dropout(0.5), Dense(10, activation=’softmax’) # 10クラス分類の場合 ]) model.compile( optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) model.summary()

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 vgg16 (Functional)          (None, 7, 7, 512)         14,714,688
                                                       （Non-trainable）
 global_average_pooling2d    (None, 512)               0         
 dense (Dense)               (None, 256)               131,328   
 dropout (Dropout)           (None, 256)               0         
 dense_1 (Dense)             (None, 10)                2,570     
=================================================================
Total params: 14,848,586
Trainable params: 133,898  ← 学習するのはこれだけ！
Non-trainable params: 14,714,688

# Step 1: 特徴抽出（前のセクションと同じ） base_model = VGG16(weights=’imagenet’, include_top=False, input_shape=(224, 224, 3)) base_model.trainable = False model = Sequential([ base_model, GlobalAveragePooling2D(), Dense(256, activation=’relu’), Dropout(0.5), Dense(10, activation=’softmax’) ]) model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’]) # 分類層を先に学習 model.fit(X_train, y_train, epochs=5, validation_data=(X_val, y_val)) # Step 2: ファインチューニング # ベースモデルを解凍（最後の数層のみ） base_model.trainable = True # VGG16の最後の4層だけを学習可能に for layer in base_model.layers[:-4]: layer.trainable = False # 低い学習率で再コンパイル（★重要） from tensorflow.keras.optimizers import Adam model.compile( optimizer=Adam(learning_rate=1e-5), # 非常に低い学習率 loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) # ファインチューニング model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))

“”” CIFAR-10 転移学習（MobileNetV2使用） Google Colabで実行可能 “”” import numpy as np from tensorflow.keras.datasets import cifar10 from tensorflow.keras.utils import to_categorical from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau import tensorflow as tf # ===== 1. データ準備 ===== (X_train, y_train), (X_test, y_test) = cifar10.load_data() # CIFAR-10は32×32なので、224×224にリサイズ X_train_resized = tf.image.resize(X_train, (96, 96)) # MobileNetは96以上 X_test_resized = tf.image.resize(X_test, (96, 96)) # 正規化（MobileNetV2用の前処理） from tensorflow.keras.applications.mobilenet_v2 import preprocess_input X_train_processed = preprocess_input(X_train_resized) X_test_processed = preprocess_input(X_test_resized) y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) print(f”訓練データ: {X_train_processed.shape}”) # ===== 2. ベースモデル（MobileNetV2） ===== base_model = MobileNetV2( weights=’imagenet’, include_top=False, input_shape=(96, 96, 3) ) base_model.trainable = False # 重みを固定 # ===== 3. モデル構築 ===== model = Sequential([ base_model, GlobalAveragePooling2D(), Dense(256, activation=’relu’), Dropout(0.5), Dense(10, activation=’softmax’) ]) model.compile( optimizer=Adam(learning_rate=1e-3), loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) # ===== 4. Step 1: 特徴抽出 ===== print(“=== Step 1: 特徴抽出 ===”) callbacks = [ EarlyStopping(patience=5, restore_best_weights=True), ReduceLROnPlateau(factor=0.5, patience=3) ] history1 = model.fit( X_train_processed, y_train, epochs=10, batch_size=64, validation_split=0.1, callbacks=callbacks ) # ===== 5. Step 2: ファインチューニング ===== print(“\n=== Step 2: ファインチューニング ===”) base_model.trainable = True # 最後の20層だけ学習可能に for layer in base_model.layers[:-20]: layer.trainable = False model.compile( optimizer=Adam(learning_rate=1e-5), # 低い学習率 loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) history2 = model.fit( X_train_processed, y_train, epochs=10, batch_size=64, validation_split=0.1, callbacks=callbacks ) # ===== 6. 評価 ===== test_loss, test_acc = model.evaluate(X_test_processed, y_test) print(f”\n🎯 テスト精度: {test_acc:.4f}”)

=== Step 1: 特徴抽出 ===
Epoch 1/10 - accuracy: 0.6523 - val_accuracy: 0.7812
...
Epoch 5/10 - accuracy: 0.8234 - val_accuracy: 0.8456

=== Step 2: ファインチューニング ===
Epoch 1/10 - accuracy: 0.8567 - val_accuracy: 0.8723
...
Epoch 8/10 - accuracy: 0.9012 - val_accuracy: 0.8934

🎯 テスト精度: 0.8856

→ ゼロから学習するより大幅に高精度！