ディープラーニング実践ガイド ―クラウド、モバイル、ブラウザ、エッジデバイス向けAIアプリ開発入門

5章予測の初心者もマスターに: 畳み込みニューラルネットワークの精度の最大化

　「1章　人工知能の概観」で、責任あるAIの重要性を学びました。その構成要素の1つとして、モデルの頑健性について議論しました。日常的に利用でき、正確で安定している場合にのみ、ユーザーは我々のAIを信頼してくれます。もちろん、基準はアプリケーションが使われる状況にもよります。例えば食べ物の分類器が誤ってパスタをパンだと分類しても、大きな問題にはならないでしょう。しかし、自動運転車が歩行者を路上の標識と間違えたら、大きな事故が予想されます。そこでこの章では、より正確なモデルを作成するという重要な課題に取り組みます。

　次に訓練を行う際のために、モデルの精度を高める余地がどこにあるかを見つけられるようになることが目標です。まず、指針を得るためのツールを紹介します。そして残る解説の大部分では、実験をとても重視したアプローチをとります。ベースラインを定め、変化させるパラメーターを特定し、その変化によるモデルの性能や訓練の時間への影響を確認します。この章で利用するコードの多くは1つのJupyterノートブックにまとめられており、チェックリストを元にインタラクティブな操作が可能です。読者の訓練のスクリプトに組み込みやすいよう、再利用性を重視して作成しました。

　モデルを訓練する際には、以下のような点について疑問に思うことが多いと考えられます。

• 自分のネットワークを訓練したいのだが、転移学習を使うべきかすべて自分で訓練するべきかわからない。どちらが自分のシナリオに適しているのだろうか。
• まともな結果を得るためには、どの程度の量のデータを訓練のパイプラインに与えればよいのか。
• モデルが正しい情報を学習し、誤った相関に影響されることがないようにしたい。このことを確かめるにはどうすればよいのか。 ...