Keras

NRIのOpenStandiaが提供するKeras最新情報

バージョンアップ情報
Keras情報

バージョンアップ情報

Keras情報

Kerasとは
主な特徴
類似プロダクト
Kerasのライセンス
参考情報
オープンソース年間サポートサービス

Kerasとは

Keras（ケラス）は、TensorFlowの上で実行可能な高水準のニューラルネットワークライブラリです。迅速な実験を可能にすることに重点を置いて開発されたため、簡単なPythonのコードで多くのモデルを素早く実装できます。ディープラーニングの初心者が実装を始めるには最も適したライブラリと言えます。

例えば、次のような４つの特徴を持つアヤメのデータを学習して、

がくの長さ
がくの幅
花弁の長さ
花弁の幅

3種類（versicolor、virginica、setosa）に分類するモデルを作成したい場合、

図: 3種類のアヤメ（左からversicolor、virginica、setosa）

次のようにニューラルネットワークのモデルで実現できますが、

以下のようなコードを実装するだけでこれを実現できます（※）。


# 必要なライブラリのインポート
 import tensorflow as tf
 import keras
 from sklearn import datasets, preprocessing
 from sklearn.model_selection import train_test_split
 from keras.layers.core import Dense, Activation
 from keras.models import Sequential
 from keras.utils import np_utils
            
 # アヤメのデータの読み込み（scikit-learnに含まれているサンプル）
 iris = datasets.load_iris()
 x = iris.data
 y = iris.target
            
 # データの前処理
 x = preprocessing.scale(x)
 y = np_utils.to_categorical(y)
            
 # 学習データとテストデータに分割
 x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)
            
 # モデルの作成
 model = Sequential()
 model.add(Dense(input_dim=4, units=3, activation='softmax'))
 model.compile(optimizer='adam', loss='categorical_crossentropy',
 metrics=['accuracy'])
            
 # 学習
 model.fit(x_train, y_train, epochs=50, batch_size=1, verbose=1)
            
 # 評価
 loss, accuracy = model.evaluate(x_test, y_test, verbose=0)
 print ('Accuracy', '{:.2f}'.format(accuracy))

※scikit-learnとTensorFlowも使用しています。

このように分かりやすいコードで実現できるのがKerasの特徴の1つです。この単純なモデルでの正確度は92%になりますが、モデルを改良することでさらに正確度が向上します。そして、未知のデータに対してはmodel.predict_classes()でどの種類か予測することができます。

もともと、KerasはTensorFlowの他にTheanoやCNTKなどの複数のフレームワークからバックエンドを選択できるライブラリでした。しかし、2020年6月にリリースされたバージョン2.4.0で、TensorFlow のみをバックエンドとするライブラリとなりました。TensorFlow 2.0以降では、TensorFlowのインストールと同時にKerasもインストールされることになります。

主な特徴

Kerasの公式サイトでは「Why choose Keras?」として、以下を挙げています。

Why choose Keras?

簡単かつ柔軟

一貫性のあるシンプルなAPIや提供しており、明確なエラーメッセージを返すため、学習が容易です。またTensorFlowの機能と統合されているため、機能の一部を柔軟にカスタマイズできます。

このようにKerasはとても使い勝手が良いOSSです。そのため、2019年の初めに行われた調査にて、過去2年間のKaggleコンテストの上位5社（N = 120）が使用しているディープラーニングのフレームワークの1位にもランクインしました。

図: Kaggleコンテスト上位5社で最も使用されたディープラーニングのフレームワーク

利用実績

2023年の初めの時点で、250万人もの開発者が使用しており、TensorFlowとともに、他の深層学習フレームワークよりも事業と研究コミュニティの両方で多く採用されています。Netflix、Uber、Yelp、Instacart、Zocdoc、Squareなど多くの企業がKerasを使用しています。また、CERNやNASAなどの大規模な科学機関の研究者にも採用されており、2022年にKaggleにより行われた調査ではその採用率は61%に達していました。

簡単にモデルを製品化

Kerasのモデルは、他のどの深層学習APIよりも幅広いプラットフォームに簡単にデプロイできます。

サーバー上のPythonランタイムまたはNode.jsランタイム
サーバー上でTFX / TF配信
TF.js経由のブラウザー
TF LiteやAppleのCoreMLを介したAndroidまたはiOS
Raspberry Pi、Edge TPU、または別の組み込みシステム

マルチGPU、分散学習のサポート

Kerasはスケーラブルです。TensorFlow DistributionStrategy APIを使用すると、大規模なGPUクラスタ（最大数千のデバイス）またはTPUポッド全体でモデルを簡単に実行でき、1EFLOPS以上の計算能力を実現します。
また、最新のNVIDIA GPUとTPUの混合精度学習をネイティブでサポートしており、学習と推論で最大2倍のスピードアップを提供できます。

機械学習ワークフローのすべてのステップをカバー

Kerasは、関連する多くのプロダクトとともに構成されるエコシステムの中心にあります。これにより、機械学習ワークフローのすべてのステップをカバーすることができます。

AutoKerasによる高速なモデルプロトタイピング
TF Cloudを介したGCPでのスケーラブルなモデルの学習
Keras Tunerによるハイパーパラメーターの調整
TensorFlowアドオンでの追加のレイヤー、損失、メトリック、コールバック...
TF Model Optimization Toolkitを使用した推論モデルの量子化とプルーニング
TF Liteでのモバイルや組み込み機器上でのモデルのデプロイ
TF.jsによるブラウザーでのモデルのデプロイ

等々

類似プロダクト

OSSの機械学習のフレームワークは他にも多数ありますが、Kerasのように他のフレームワーク（TensorFlow）をバックエンドにする高レベルのライブラリで有名なものはそれほど多くありません。その分野ではデファクトスタンダードなOSSと言えます。

TensorFlow
Pytorch
MXNet
CNTK
Deeplearning4j

Kerasのライセンス

Kerasのライセンスは、バージョン2.4まではMITライセンスです。
バージョン2.6 からはApache License2.0になっています。

MITライセンスは、X Window System (X11)などのソフトウェアに適用されていることから、X11ライセンス、またはXライセンスとも表記されます。MITライセンスは、数あるソフトウェアライセンスの中で最も制約が少なく、ソースコードの無償の使用のほか、改変、再配布することも認められています。Apache Licenseのコードが使用されていることの明記を条件に、ソースコードの自由な改変と公開が認められています。