はじめに
最近機械学習に少し興味があるのですが、Google Colaboratory
という無料でPythonのプログラムを実行できる環境があることを知りました。
このGoogle Colab
には以下のようなメリットがあります。
- 開発環境を整えなくてOK
- GPUを使える
- 簡単に共有できる
これを早速触ってみたので、その一通りの使い方を残しておきたいと思います。
新規プロジェクト作成
まずは以下のリンクからGoogle Colab
を開いてください。
左上のファイル -> ノートブックを新規作成
を選択すればコーティングできるような画面が開きます。
あと名前を変えておいた方が良いでしょう。
また自動でこのコードはGoogle Drive
に保存され、Colab Notebook
というフォルダ内に入っています。
Linuxコマンド
実際にコーティングをする前にどのようなライブラリが入っているかをみてみましょう。
最初に!
をつけることでLinuxコマンドが打てるようになります。
!pip freeze
機械学習のライブラリであるtensorflow
が入っていることが分かります。
コーディング
実際に簡単な機械学習のコードを書いてみましょう。
# TensorFlow をインストール import tensorflow as tf # MNIST データセット(手書きの数字)をロード mnist = tf.keras.datasets.mnist # 学習データとテストデータに振り分ける (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 # モデルの形状を定義(多層パーセプトロンMLP) model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) # 条件を決める(ハイパーパラメータの設定) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # モデルの学習 model.fit(x_train, y_train, epochs=5) # 学習済みのモデルがどれくらいの精度か評価 model.evaluate(x_test, y_test, verbose=2)
Shift + Enter
を押すことでコードを実行できます。
GPUを使う
さらにGPUを駆使することで実行速度を早くできる可能性が高いです。
ランタイム -> ランタイムのタイプを変更
を選択、GPU
を選びます。
さいごに
一通りプロジェクトの作成からコードの実行までをやってみました。
めんどくさい箇所は全部Google先生がやってくれるので本当に便利ですよね。
これで機械学習の勉強も捗りそうです。
ではまた。