マシンラーニング本番システム

第20章. 構想問題のためのMLパイプライン

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

この章と次の章では、一般的なML問題の全体像を示す2つのMLパイプラインを説明する。問題を設定し、その解決策をどのように実装したかを紹介する。前の章を読み取り、その詳細を参照することを前提とする。

この章では、典型的なコンピュータ・ビジョンの問題を説明する。我々は画像分類問題のためのMLパイプラインを設計している。MLモデルそのものは驚くようなものではないが、複雑なモデルを作ることが目的ではない。私たちはモデルをシンプルなものにしたかった。そうすれば、MLパイプライン（ML本番システムの興味深い側面）に集中できる。

この例では、ペットの画像をネコとイヌに分類するMLモデルを学習したい（図20-1）。

図20-1. 分類問題

この例では、MLモデルについて簡単に説明し、前の章を踏まえてパイプラインに焦点を当てる。特に、画像データをどのようにインジェストするか、あるいはどのように前処理するかについて強調する。

警告

この記事を書いている時点では、TFXはアップルのシリコン・アーキテクチャに基づくノートPCをサポートしていない。このアーキテクチャに基づくノートPC（例えばM1s）を使用している場合は、GoogleのColabをTFXと連携させることを強くお勧めする。

データ

この例では、Microsoft Researchが編集した公開データセットを使用する。このデータは、犬と猫の写真25,000枚からなり、2つのフォルダに分けられている。サンプルコードには2つのシェルスクリプトが含まれており、それぞれの環境（ローカルデプロイ、Kubeflow、Google Cloud Vertex）にデータをセットアップするのに役立つ。1つのスクリプトは、データセットをローカルコンピューターにダウンロードする。このスクリプトは、自分のコンピューターから例に従いたい場合に使用する。リモートのGoogle Cloudバケットにデータセットをダウンロードしてセットアップするシェルスクリプトも提供する（computer_vision/scripts/set_up_vertex_run.sh）。

我々のモデル

サンプルモデルはTensorFlowとKerasを使って実装した。MobileNetと呼ばれるKaggleの事前学習済みモデルを再利用した。MobileNetは、何年もの間、コンピュータ・ビジョンの問題解決に最適な選択肢だった。このモデルは160×160×3ピクセルの画像を受け付ける。事前訓練されたモデルはベクトルを出力し、それをニューラルネットワークの密なレイヤーを通してさらに制約し、最後に出力ノード（1つはカテゴリー「犬」を表し、もう1つはカテゴリー「猫」を表す）を持つソフトマックス・レイヤーを通して制約する。

コード全体の設定を以下のコードブロックに示す：

  image_input = tf.keras.layers.Input(
      shape=(constants.PIXELS, constants.PIXELS, 3),
      name=utils.transformed_name ...