転移学習とは？事前学習済みモデルを活用する効率的なAI開発手法を解説

ImageNetで学習済みのVGG16から特徴抽出層を流用し、独自の分類タスク（犬vs猫）に転移学習する実装例です。畳み込み層の重みを固定して上位の全結合層だけを学習します。

import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras import layers, Model
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 1. ImageNet学習済みVGG16を読み込み（上位の全結合層は除外）
base_model = VGG16(
    weights="imagenet",
    include_top=False,          # 分類層を除外
    input_shape=(224, 224, 3),
)

# 2. 畳み込み層の重みを固定（学習しない）
base_model.trainable = False

# 3. 独自の分類ヘッドを追加
x = base_model.output
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dense(256, activation="relu")(x)
x = layers.Dropout(0.5)(x)
output = layers.Dense(1, activation="sigmoid")(x)  # 2クラス分類

model = Model(inputs=base_model.input, outputs=output)

model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
    loss="binary_crossentropy",
    metrics=["accuracy"],
)

# 学習パラメータの確認
total_params = model.count_params()
trainable_params = sum(
    tf.keras.backend.count_params(w) for w in model.trainable_weights
)
frozen_params = total_params - trainable_params
print(f"全パラメータ数:     {total_params:>12,}")
print(f"学習対象パラメータ: {trainable_params:>12,}")
print(f"固定パラメータ:     {frozen_params:>12,}")
# 全パラメータ数:       14,847,041
# 学習対象パラメータ:      132,353  <- ここだけ学習
# 固定パラメータ:       14,714,688  <- VGG16の重み（固定）

# 4. データの準備と学習
datagen = ImageDataGenerator(
    rescale=1.0 / 255,
    validation_split=0.2,
    horizontal_flip=True,
    rotation_range=15,
)

train_gen = datagen.flow_from_directory(
    "data/dogs_vs_cats",
    target_size=(224, 224),
    batch_size=32,
    class_mode="binary",
    subset="training",
)

val_gen = datagen.flow_from_directory(
    "data/dogs_vs_cats",
    target_size=(224, 224),
    batch_size=32,
    class_mode="binary",
    subset="validation",
)

history = model.fit(
    train_gen,
    epochs=10,
    validation_data=val_gen,
)

転移学習の核心はImageNetで学んだ汎用的な特徴（エッジ・テクスチャ・形状の認識）をそのまま流用し、独自タスクに必要な分類層だけを少量データで学習することです。この例では約1,480万パラメータのうち学習するのはわずか13万（0.9%）で、少ないデータでも高精度を達成できます。さらに精度を上げたい場合は、一度学習した後にbase_modelの一部層をunfreezeして微小な学習率でFine-tuningする二段階戦略が効果的です。