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

5.0

2,500円（税込）

獲得ポイント: 25pt 内訳

通常:

25pt

試し読みする

カートに入れる

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

5.0

投稿者：ひかぞぉ

投稿日：2021年7月26日

iOSでのDeepLearningでは役立ちます

iOSに関するDeepLearningの資料がネットでもなかなか見つからなくこのように本の形でまとめられているのはとてもうれしく思いました

すべてのレビューを見る