PyTorch 実践入門

ディープラーニングの重要な基礎概念と、PyTorch を用いたディープラーニングの実装方法について、細部まで掘り下げて解説。限られたデータでニューラルネットワークを訓練する方法、訓練済みモデルのデプロイ方法など『ディープラーニング・プロジェクトのベストプラクティス』を提示します。

・ディープラーニングのメカニズムを解説
・Jupyter Notebook 上でサンプルコードを実行
・PyTorch を用いたモデル訓練の実施
・実データを使用するプロジェクトをベースに実践的解説
・本番環境へのさまざまなモデルデプロイ方法

PyTorch で実際にどのように組み込まれて実現されているのか、細部まで掘り下げた解説をしていますのでディープラーニングの活用を目指している開発者や詳しく知りたい方におすすめです。
Manning Publications『Deep Learning with PyTorch』の翻訳書

第 1 部 PyTorch の基礎
第 1 章 ディープラーニングと PyTorch の概要
第 2 章 訓練済みモデルの利用方法
第 3 章 PyTorch におけるテンソルの扱い方
第 4 章 さまざまなデータを PyTorch テンソルで表現する方法
第 5 章 ディープラーニングの学習メカニズム
第 6 章 ニューラルネットワーク入門
第 7 章 画像分類モデルの構築
第 8 章 畳み込み (Convolution)

第 2 部 ディープラーニングの実践プロジェクト: 肺がんの早期発見
第 9 章 肺がん早期発見プロジェクトの解説
第 10 章 LUNA データを PyTorch データセットに変換
第 11 章 結節候補を画像分類するモデルの構築
第 12 章 評価指標とデータ拡張を用いたモデルの改善
第 13 章 セグメンテーションを用いた結節の発見
第 14 章 結節・腫瘍解析システムの全体を構築

第 3 部 デプロイメント (Deployment)
第 15 章 本番環境にモデルをデプロイする方法
第 1 部 PyTorch の基礎
第 1 章 ディープラーニングと PyTorch の概要
第 2 章 訓練済みモデルの利用方法
第 3 章 PyTorch におけるテンソルの扱い方
第 4 章 様々なデータを PyTorch テンソルで表現する方法
第 5 章 ディープラーニングの学習メカニズム
第 6 章 ニューラルネットワーク入門
第 7 章 画像分類モデルの構築
第 8 章 畳み込み

第 2 部 ディープラーニングの実践プロジェクト: 肺がんの早期発見
第 9 章 肺がん早期発見プロジェクトの解説
第 10 章 LUNA データを PyTorch データセットに変換
第 11 章 結節候補を画像分類するモデルの構築
第 12 章 評価指標とデータ拡張を用いたモデルの改善
第 13 章 セグメンテーションを用いた結節の発見
第 14 章 結節・腫瘍解析システムの全体を構築

第 3 部 デプロイメント
第 15 章 本番環境にモデルをデプロイする方法

『PyTorch 実践入門』 (Eli Stevens、Luca Antiga、Thomas Viehmann 著、後藤 勇輝、小川 雄太郎、櫻井 亮佑、大串 和正 訳、マイナビ出版、2021 年 1 月刊) は、Manning Publications の『Deep Learning with PyTorch』を翻訳した書籍で、副題のとおり ディープラーニング の基礎から PyTorch による実装までを一続きで扱います。版元の紹介文は、重要な基礎概念と実装方法を細部まで掘り下げて解説し、限られたデータでニューラルネットワークを訓練する方法や訓練済みモデルのデプロイ方法といったプロジェクトの進め方を示す本だと説明しています。サンプルコードは Jupyter Notebook 上で実行する形で、ライブラリの関数を覚えるだけでなく、実データを使ったプロジェクトを最後まで通したい開発者に向いた一冊です。

3 部 15 章の構成、テンソルから肺がんの結節検出とデプロイまで

本書は 3 部 15 章です。第 1 部「PyTorch の基礎」は、ディープラーニングと PyTorch の概要、訓練済みモデルの利用方法から始まり、テンソルの扱い方、さまざまなデータをテンソルで表現する方法、学習のメカニズム、ニューラルネットワーク入門、画像分類モデルの構築、畳み込みまでの 8 章です。第 2 部は肺がんの早期発見を題材にした実践プロジェクトで、プロジェクトの解説に続いて、LUNA と呼ばれる CT 画像のデータを PyTorch のデータセットに変換し、結節の候補を画像分類するモデルを作り、評価指標とデータ拡張でモデルを改善し、セグメンテーションで結節を見つけ、最後に結節 / 腫瘍解析システムの全体を組み上げる 6 章が並びます。第 3 部は本番環境にモデルをデプロイする方法を扱う 1 章です。基礎、1 つの題材を通した実践、運用への橋渡しという並びは、目次からそのまま読み取れます。

テンソルと自動微分、少ない陽性を探す課題で学ぶ意味

PyTorch の土台は、多次元の配列であるテンソルと、計算の過程を記録して勾配を自動で求める仕組みです。画像も表データも文章も、まずテンソルとして表現できなければモデルに渡せないため、第 1 部がテンソルの扱いとデータの表現に複数の章を割いているのは理にかなっています。第 2 部の題材が教材として優れているのは、実務で起きる難しさがそろっている点です。CT 画像は 3 次元のデータで前処理が重く、結節にあたる候補は全体のごく一部しかないため、単純な正解率ではモデルの良し悪しを判断できません。適合率や再現率といった指標の選び方、データ拡張による水増し、分類とセグメンテーションの組み合わせ方は、医療画像に限らず不良品検知や不正検知のように「まれな対象を探す」課題全般に通じる考え方です。さらに学習したモデルを本番で動かす段階は、MLOps と呼ばれる運用の領域につながっており、第 3 部はその入口にあたります。

Python の経験を前提に読む本と、向かない読者

目次はディープラーニングと PyTorch の概要から始まり、プログラミング言語の入門の章は置かれていないため、Python の文法や NumPy の配列操作に慣れていると読み進めやすくなります。第 2 部は 1 つのプロジェクトを章をまたいで積み上げる構成なので、途中の章だけを拾い読みするより、時間を確保して順に手を動かす読み方が合います。逆に、ディープラーニングの理論を数式中心に体系立てて学びたい人や、文章生成のような言語系の題材を求める人には、本書の題材は合いません。目的に合う系統から選び直したい場合は、ディープラーニング本の選び方 で原理、理論、実装の違いを確認しておくと迷いが減ります。また 2021 年 1 月の刊行のため、その時点の PyTorch を前提にしている点は意識し、細かな API は公式ドキュメントで確かめながら進めるのが安全です。

公式チュートリアルで個々の機能は動かせたものの、データの準備から評価、改善、デプロイまでを 1 本の流れとして組み立てた経験がない人にとって、本書は価格に見合う実践書です。版元の案内ではコードが GitHub で公開されているため、手元で動かしながら 1 つの題材をやり切れば、自分の業務データに PyTorch を適用するときの段取りを具体的に描けるようになります。