カテゴリ一覧 著者一覧
機械学習 iOS Python
Core ML Tools実践入門 - iOS × DEEP LEARNING
0件
2,500円（税込）
獲得ポイント: 25pt
通常:
25pt

Core ML Tools実践入門 - iOS × DEEP LEARNING

堤 修一 (著)  
ダウンロード： PDF EPUB
本書はCore ML Toolsの実践入門書です。

KerasやTensorFlowを用いて構築した機械学習／ディープラーニングのモデルをiOSで利用するために必要な変換ツールである「Core ML Tools」（Pythonパッケージ名としては`coremltools`）の利用方法を**さまざまなモデルをつくりながら**学んでいきます。

最初はわずか2行のコードで変換することからはじめてCore ML Toolsに入門しつつ、もっと高度な変換方法や、モデルのサイズを縮小する方法、パイプラインを構築する歩法、オンデバイスで学習できるようにする方法等も解説していきます。

また巻末には「逆引きリファレンス」も収録しています。開発の現場で「どう書くんだっけ？」となったときに大いに役立つことでしょう。

サンプルコードはGitHubよりダウンロード可能です。

目次

はじめに
対象読者
動作環境
サンプルコード

第1章　準備
1.1　Core ML Toolsとは
  • Core ML Tools？ coremltools？
1.2　Core ML Toolsの環境構築
  • 1.2.1　Core ML Toolsのインストール
  • 1.2.2　TensorFlowのインストール
  • 1.2.3　Kerasのインストール
  • 1.2.4　動作確認
  • KerasとCore ML Tools

第2章　Core ML Toolsはじめの一歩
2.1　2行のコードで学習済みモデルをロードする
2.2　2行のコードでCore MLモデルに変換する
2.3　変換したモデルを.mlmodelファイルとして保存

第3章　Core MLモデル作成の基礎
3.1　HDF5ファイルを読み込む
3.2　Core MLモデルに変換する
  • 3.2.1　.mlmodelファイルとして保存する
  • 3.2.2　Core MLモデルの入力の型とVisionフレームワーク
3.3　Core MLモデルの入力の型を変更する
  • 3.3.1　Core MLモデルの入力形式を確認する
  • 3.3.2　入力の型をグレースケール画像に変更する
  • Core MLモデルから自動生成されるSwiftコード
3.4　iOSで推論を実行
  • 3.4.1　作成したCore MLモデルをプロジェクトに追加する
  • 3.4.2　VNCoreMLModelの初期化
  • 3.4.3　VNCoreMLRequestの作成
  • 3.4.4　VNImageRequestHandlerの作成／推論処理の開始
  • 3.4.5　推論結果の処理
  • Visionはどのように画像分類モデルを判定するか？

第4章　オンデバイス学習 - UpdatableなCore MLモデルの作成
4.1　モデルのパーソナライゼーション
4.2　ベースとなるモデルの作成
  • モデルの現状を確認
4.3　Updatableなモデルに変換する
4.4　損失関数をセットする
4.5　最適化アルゴリズムをセットする
4.6　エポック数をセットする
4.7　モデルを保存する

第5章　オンデバイス学習 - iOSで学習
5.1　MLUpdateTask
  • 5.1.1　mlmodelc
  • 5.1.2　MLBatchProvider, MLArrayBatchProvider
  • 5.1.3　MLTask
  • 5.1.4　オンデバイスモデル更新タスクの全体感
5.2　学習データの準備
  • 5.2.1　MNISTデータセットをプロジェクトに追加する
  • 5.2.2　学習データからMLArrayBatchProviderオブジェクトを作成する
5.3　学習タスクの実行
5.4　オンデバイスで学習したモデルを保存する / MLUpdateContext, MLWritable
5.5　推論処理の実行

第6章　TensorFlowモデルの変換 - 基礎編
6.1　tfcoreml
6.2　tfcoremlを用いたCore MLモデルへの変換（最小実装）
  • 6.2.1　学習済みモデル（.pbファイル）を読み込む
  • 6.2.2　TensorFlowのグラフ定義を読み込む
  • 6.2.3　出力テンソルの名前を取得する
  • 6.2.4　tfcoremlを用いて変換する
6.3　より扱いやすいCore MLモデルに変換する
  • 6.3.1　クラスラベルを指定する
  • 6.3.2　入力の型を画像に変更する
6.4　iOSで推論を実行
6.5　入力画像の前処理を指定する

第7章　TensorFlowモデルの変換 - 画風変換モデル
7.1　学習済みモデルからグラフ定義を読み込む
7.2　変換に必要なグラフの情報を取得する
  • 7.2.1　入力テンソルの名前を取得する
  • 7.2.2　出力テンソルの名前を取得する
7.3　tfcoremlを用いて変換する
  • 7.3.1　入力テンソルのshapeを指定する
7.4　Core MLモデルの出力の型を変更する
7.5　iOSで画風変換を実行
  • 7.5.1　複数の入力を持つCore MLモデルをVisionで使う
  • 7.5.2　出力画像を取得する

第8章　Flexible Shape - 超解像モデル
8.1　Flexible Shapeとは／使いどころ
8.2　超解像モデルをCore MLモデルに変換する
  • 8.2.1　利用する超解像モデル
  • 8.2.2　カスタム損失関数を使用しているKerasモデルの読み込み
  • 8.2.3　Core MLモデルに変換する
  • 8.2.4　Core MLモデルの出力の型を変更する
8.3　Flexible Shapeを適用する
  • 8.3.1　Flexible Shapeの適用可否を確認する
  • 8.3.2　入力・出力の画像サイズを範囲で指定する
  • 8.3.3　Flexible Shapeを適用したモデルのSpecification Version
8.4　iOS側での推論処理の実行

第9章　Core MLモデルのサイズを小さくする
9.1　本章で利用する感情認識モデルについて
9.2　重みを16ビット化する
  • 9.2.1　16ビット化が推論結果の精度に与える影響
  • 9.2.2　Core MLモデルを16ビット化する手順
9.3　クォンタイズ
  • 9.3.1　クォンタイズ実行手順
9.4　iOSでの推論結果の比較
9.5　さらなるモデルサイズ削減
  • 9.5.1　ルックアップテーブルを利用した量子化
  • 9.5.2　モデルの一部を共通化

第10章　パイプラインモデルとリンクモデル（Linked Model）
10.1　パイプラインの構築
  • 10.1.1　coremltools.models.pipelineモジュール
  • 10.1.2　PipelineClassifierオブジェクトの生成
  • 10.1.3　パイプラインにモデルを追加
  • 10.1.4　MLModelオブジェクト生成
10.2　リンクモデル（Linked Model）
  • 10.2.1　リンクモデルとは／リンクモデルを使用するメリット
  • 10.2.2　パイプラインとリンクモデル
  • 10.2.3　リンクモデルの作成方法
Create MLのモデルはなぜ小さいのか
  • 10.2.4　Create MLとパイプライン
  • 10.2.5　Vision FeaturePrint

第11章　モデルの可視化
11.1　Netron
  • 11.1.1　インストール方法
  • 11.1.2　使用方法
11.2　coremltoolsのvisualize_spec
11.3　TensorBoard
  • 11.3.1　TensorFlowモデルのグラフを可視化
  • 11.3.2　Kerasでの学習状況を可視化
11.4　Kerasのplot_model

第12章　mlmodelファイルフォーマット
12.1　mlmodelファイルフォーマットを理解するメリット
12.2　.protoファイルの読み方
12.3　coremltoolsとprotobuf
  • 12.3.1　*_pb2
  • 12.3.2　.protoファイルのコンパイル
  • 12.3.3　_pb2.pyと.protoの比較
  • 12.3.4　mlmodelファイルのデシリアライズ
12.4　protobuf API
  • 12.4.1　WhichOneof()
  • 12.4.2　HasField()
  • 12.4.3　ClearField()
  • 12.4.4　add(), append(), extend()
  • 12.4.5　CopyFrom()
  • 12.4.6　ByteSize()

付録A　coremltools逆引きリファレンス
A.1　MLModelオブジェクトを生成する
  • .mlmodelファイルから生成する
  • spec（Model_pb2.Model）から生成する
A.2　モデルのspec（Model_pb2.Model）を取得する
  • .mlmodelファイルから取得する
  • MLModelオブジェクトから取得する
A.3　.mlmodelファイルの保存・読み込み
  • .mlmodelファイルを読み込む
  • .mlmodelファイルとして保存する
A.4　NeuralNetworkBuilderを生成する
A.5　モデルの中身を調べる
  • モデルを可視化（ビジュアライズ）する
  • モデルのバージョン（Specification Version）を確認する
  • モデルのdescriptionをログに出力する
  • ネットワークの情報をログに出力する
  • NeuralNetworkBuilderでモデルの入力・出力形式を確認する
  • モデルのレイヤー一覧を出力する
  • モデルの中間層の入出力形式を調べる
A.6　Core MLモデルにクラスラベルを与える
  • ラベル文字列の配列を渡す
  • クラスラベルファイルのパスを渡す
A.7　モデルの入力・出力をカスタマイズする
  • 入力・出力名を指定する
  • 変換時に入力の型を画像型にする
  • 変換済みモデルの入力・出力の型を画像型にする
  • 入力テンソルのshapeを指定する
  • 入力画像の前処理を指定する
A.8　モデルサイズを圧縮する
  • 重みを16ビット（半精度）化する
  • 重みをクォンタイズする
A.9　オンデバイス学習関連
  • モデルがUpdatableかどうかを調べる
  • Updatableなレイヤー一覧を出力
  • Updatableなモデルに変換する
  • 学習で使用する損失関数をセットする
  • 損失関数のサマリを確認する
  • 学習で使用する最適化アルゴリズム（オプティマイザ）をセットする
  • 最適化アルゴリズムを確認する
  • エポック数をセットする
A.10　Flexible Shape関連
  • Flexible Shapeの適用可否を確認する
  • 入力・出力の画像サイズを範囲で指定する
  • 入力・出力に複数の画像サイズを指定する
A.11　misc.
  • 利用中のcoremltoolsのバージョンを確認する

付録B　Keras入門
B.1　Kerasとは
  • B.1.1　tf.kerasとスタンドアロン版Keras
B.2　Kerasでカスタムモデル作成
  • B.2.1　モデルのネットワークを定義する
  • B.2.2　モデルのコンパイル
  • B.2.3　モデルの学習
  • B.2.4　モデルの評価
  • B.2.5　モデルの保存

参考文献

奥付

ユーザーレビュー

レビューがありません
書籍をシェアする