🔧
生成AIを活用したカスタムデータモデルの構築

2025/04/08に公開
こんにちは！この記事では、初心者の方でも理解できるように、生成AIを活用してカスタムデータモデルを構築する方法について説明します。生成AIは、画像生成やテキスト生成など、多くの分野で活用されています。この技術を使って、自分だけのデータモデルを作成する方法を学んでいきましょう。

 生成AIとは？まずは生成AIについて簡単に説明します。生成AIとは、**生成的敵対ネットワーク（GAN: Generative Adversarial Network）や変分オートエンコーダ（VAE: Variational Autoencoder）**などの技術を使って、新しいデータを生成するAI技術のことです。これらの技術は、画像や音声、テキストなどのデータを生成するために使われます。

 生成AIの基本的な仕組み生成AIの基本的な仕組みは、以下のように説明できます：

生成モデル: 新しいデータを生成するモデルです。例えば、GANでは「ジェネレーター」と呼ばれる部分がこれにあたります。

判別モデル: 生成されたデータが本物か偽物かを判断するモデルです。GANでは「ディスクリミネーター」と呼ばれます。

学習プロセス: 生成モデルと判別モデルが競い合うことで、生成モデルがよりリアルなデータを生成できるように訓練されます。

 カスタムデータモデルの構築それでは、生成AIを使ってカスタムデータモデルを構築する方法を具体的に見ていきましょう。ここでは、PythonとTensorFlowを使って、画像生成のための簡単なGANを構築する例を紹介します。

 必要なライブラリのインストールまずは、必要なライブラリをインストールします。Pythonのパッケージ管理ツールであるpipを使って、次のコマンドを実行してください。
pip install tensorflow numpy matplotlib

 データセットの準備今回は、簡単な画像データセットを使います。例えば、手書き数字の画像データセットであるMNISTを使用します。このデータセットは、TensorFlowのデフォルトデータセットに含まれています。
import tensorflow as tf

# MNISTデータセットをロード
(train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()
# データを正規化
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
train_images = (train_images - 127.5) / 127.5

 GANの構築次に、GANを構築します。ここでは、ジェネレーターとディスクリミネーターの2つのモデルを定義します。

 ジェネレーターの構築ジェネレーターは、ランダムなノイズから画像を生成するモデルです。
from tensorflow.keras import layers

def make_generator_model():
    model = tf.keras.Sequential()
    model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Reshape((7, 7, 256)))
    model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))

    return model

 ディスクリミネーターの構築ディスクリミネーターは、画像が本物か偽物かを判別するモデルです。
def make_discriminator_model():
    model = tf.keras.Sequential()
    model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))
    model.add(layers.LeakyReLU())
    model.add(layers.Dropout(0.3))

    model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
    model.add(layers.LeakyReLU())
    model.add(layers.Dropout(0.3))

    model.add(layers.Flatten())
    model.add(layers.Dense(1))

    return model

 モデルのコンパイルと訓練モデルをコンパイルし、訓練を行います。GANの訓練は、ジェネレーターとディスクリミネーターを交互に訓練することで行われます。
import numpy as np

cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)

def discriminator_loss(real_output, fake_output):
    real_loss = cross_entropy(tf.ones_like(real_output), real_output)
    fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)
    total_loss = real_loss + fake_loss
    return total_loss

def generator_loss(fake_output):
    return cross_entropy(tf.ones_like(fake_output), fake_output)

generator = make_generator_model()
discriminator = make_discriminator_model()

generator_optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)

EPOCHS = 50
noise_dim = 100
num_examples_to_generate = 16

seed = tf.random.normal([num_examples_to_generate, noise_dim])

@tf.function
def train_step(images):
    noise = tf.random.normal([BATCH_SIZE, noise_dim])

    with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
        generated_images = generator(noise, training=True)

        real_output = discriminator(images, training=True)
        fake_output = discriminator(generated_images, training=True)

        gen_loss = generator_loss(fake_output)
        disc_loss = discriminator_loss(real_output, fake_output)

    gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)
    gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)

    generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))
    discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))

def train(dataset, epochs):
    for epoch in range(epochs):
        for image_batch in dataset:
            train_step(image_batch)

        # 進捗を確認するために画像を生成
        generate_and_save_images(generator, epoch + 1, seed)

    # 最終エポック後の画像を生成
    generate_and_save_images(generator, epochs, seed)

def generate_and_save_images(model, epoch, test_input):
    predictions = model(test_input, training=False)

    fig = plt.figure(figsize=(4, 4))

    for i in range(predictions.shape[0]):
        plt.subplot(4, 4, i+1)
        plt.imshow(predictions[i, :, :, 0] * 127.5 + 127.5, cmap='gray')
        plt.axis('off')

    plt.savefig('image_at_epoch_{:04d}.png'.format(epoch))
    plt.show()

 モデルの訓練の開始データセットをバッチに分けて、訓練を開始します。
BUFFER_SIZE = 60000
BATCH_SIZE = 256

train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

train(train_dataset, EPOCHS)

 結果の確認訓練が進むにつれて、生成される画像の質が向上していることを確認できます。これにより、生成AIを使ってカスタムデータモデルを構築する方法を学ぶことができました。

 まとめこの記事では、生成AIを活用してカスタムデータモデルを構築する方法を学びました。GANを使って、手書き数字の画像を生成するモデルを構築し、訓練する方法を具体的なコード例を通じて説明しました。生成AIは非常に強力なツールであり、さまざまな分野での応用が期待されています。興味を持った方は、ぜひ他のデータセットやモデルを試してみてください。
もし、この記事が役に立ったと思ったら、ぜひシェアしてください。そして、次回もお楽しみに！
生成AIとは？

生成AIの基本的な仕組み

カスタムデータモデルの構築

必要なライブラリのインストール

データセットの準備

GANの構築

ジェネレーターの構築

ディスクリミネーターの構築

モデルのコンパイルと訓練

モデルの訓練の開始

結果の確認

まとめ

Discussion
