6.3.6 CNN 実践：画像分類

この節の位置づけ

ここは、これまでの内容をまとめて動かす節です。小さな画像データセットを作り、CNN を学習し、検証し、予測を確認し、次に何を試すべきかを判断します。

学習目標

• 画像分類の完整なワークフローを作る。
• 画像 tensor を [N, C, H, W] 形式で扱う。
• CrossEntropyLoss で CNN を学習・検証する。
• 混同行列と単一サンプルの確率を確認する。
• この toy task から実画像へ進むと何が増えるかを理解する。

---

最小の閉じた流れ

画像分類プロジェクトには、次の流れが必要です。

画像→ラベル→train/validation split→CNN→loss→optimizer→metrics→誤分類確認

検証と誤分類確認を飛ばしてはいけません。モデルが「動く」ことと、正しい手がかりを学んだことは別です。

完整な実験：4 クラス CNN を学習する

この実験では、4 つの単純なクラスを使います。

Label	Pattern
0	縦線
1	横線
2	右下がり対角線
3	右上がり対角線

完整なスクリプトを実行します。

import numpy as np
import torch
from torch import nn

SEED = 42
np.random.seed(SEED)
torch.manual_seed(SEED)

CLASS_NAMES = ["vertical", "horizontal", "diag_down", "diag_up"]


def make_image(label, size=16, noise=0.08):
    img = np.zeros((size, size), dtype=np.float32)
    c = size // 2
    if label == 0:
        img[:, c] = 1.0
    elif label == 1:
        img[c, :] = 1.0
    elif label == 2:
        for i in range(size):
            img[i, i] = 1.0
    elif label == 3:
        for i in range(size):
            img[i, size - 1 - i] = 1.0

    img += np.random.randn(size, size).astype(np.float32) * noise
    return np.clip(img, 0.0, 1.0)


def make_dataset(per_class=120):
    X, y = [], []
    for label in range(len(CLASS_NAMES)):
        for _ in range(per_class):
            X.append(make_image(label))
            y.append(label)

    X = np.array(X, dtype=np.float32)
    y = np.array(y, dtype=np.int64)
    idx = np.random.permutation(len(X))
    X = torch.tensor(X[idx]).unsqueeze(1)
    y = torch.tensor(y[idx])
    split = int(len(X) * 0.8)
    return X[:split], y[:split], X[split:], y[split:]


class TinyCNNClassifier(nn.Module):
    def __init__(self, num_classes=4):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv2d(1, 8, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(8, 16, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 32, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.AdaptiveAvgPool2d((1, 1)),
        )
        self.head = nn.Linear(32, num_classes)

    def forward(self, x):
        x = self.features(x)
        x = x.flatten(1)
        return self.head(x)


def accuracy(logits, y):
    return (logits.argmax(dim=1) == y).float().mean().item()


def confusion_matrix(pred, y, num_classes):
    matrix = torch.zeros(num_classes, num_classes, dtype=torch.int64)
    for true_label, pred_label in zip(y, pred):
        matrix[true_label, pred_label] += 1
    return matrix


X_train, y_train, X_val, y_val = make_dataset()
print("data_lab")
print("train:", tuple(X_train.shape), tuple(y_train.shape))
print("val  :", tuple(X_val.shape), tuple(y_val.shape))

model = TinyCNNClassifier(num_classes=len(CLASS_NAMES))
with torch.no_grad():
    z = X_train[:4]
    print("shape_lab")
    print("input:", tuple(z.shape))
    print("features:", tuple(model.features(z).shape))
    print("logits:", tuple(model(z).shape))

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

for epoch in range(1, 81):
    model.train()
    train_logits = model(X_train)
    train_loss = loss_fn(train_logits, y_train)

    optimizer.zero_grad()
    train_loss.backward()
    optimizer.step()

    if epoch == 1 or epoch % 20 == 0:
        model.eval()
        with torch.no_grad():
            val_logits = model(X_val)
            val_loss = loss_fn(val_logits, y_val)
        print(
            f"epoch={epoch:02d} "
            f"train_loss={train_loss.item():.4f} "
            f"val_loss={val_loss.item():.4f} "
            f"train_acc={accuracy(train_logits, y_train):.3f} "
            f"val_acc={accuracy(val_logits, y_val):.3f}"
        )

model.eval()
with torch.no_grad():
    val_logits = model(X_val)
    val_pred = val_logits.argmax(dim=1)
    cm = confusion_matrix(val_pred, y_val, len(CLASS_NAMES))
    probs = torch.softmax(val_logits[0], dim=0)

print("confusion_matrix rows=true cols=pred")
print(cm)
print("sample_prediction")
print("true:", CLASS_NAMES[y_val[0].item()])
print("pred:", CLASS_NAMES[val_pred[0].item()])
print("probs:", [round(v, 3) for v in probs.tolist()])

期待される出力：

data_lab
train: (384, 1, 16, 16) (384,)
val  : (96, 1, 16, 16) (96,)
shape_lab
input: (4, 1, 16, 16)
features: (4, 32, 1, 1)
logits: (4, 4)
epoch=01 train_loss=1.3883 val_loss=1.3776 train_acc=0.245 val_acc=0.188
epoch=20 train_loss=0.0193 val_loss=0.0080 train_acc=1.000 val_acc=1.000
epoch=40 train_loss=0.0000 val_loss=0.0000 train_acc=1.000 val_acc=1.000
epoch=60 train_loss=0.0000 val_loss=0.0000 train_acc=1.000 val_acc=1.000
epoch=80 train_loss=0.0000 val_loss=0.0000 train_acc=1.000 val_acc=1.000
confusion_matrix rows=true cols=pred
tensor([[30,  0,  0,  0],
        [ 0, 22,  0,  0],
        [ 0,  0, 18,  0],
        [ 0,  0,  0, 26]])
sample_prediction
true: vertical
pred: vertical
probs: [1.0, 0.0, 0.0, 0.0]

出力を読む

出力	意味
train: (384, 1, 16, 16)	384 枚のグレースケール訓練画像
features: (4, 32, 1, 1)	CNN が各画像を 32 個の特徴値へ圧縮した
logits: (4, 4)	4 サンプル、それぞれ 4 クラススコア
val_acc=1.000	この単純な検証セットを学習できた
混同行列の対角線	真のクラスと予測クラスが一致している

混同行列は行ごとに読みます。行が真のラベル、列が予測ラベルです。対角線以外の数が誤分類です。

残す証拠

分類実行カードを 1 つ保存します。

データ形状

train と validation のテンソル形状

モデル形状

input → features → logits

指標

検証 accuracy と loss

混同行列

行=true、列=pred

サンプル予測

真のラベル、予測ラベル、確率

次の確認

ノイズを増やす、サンプルを減らす、新しいクラスを追加する、または実画像の split を使う

なぜここで GAP を使うのか

モデルは AdaptiveAvgPool2d((1, 1)) を使っています。この文脈では Global Average Pooling と考えてよいです。[N, 32, H, W] を [N, 32, 1, 1] に変えます。

分類ヘッドは小さくなります。

[N, 32, 1, 1]→flatten→[N, 32]→Linear(32, 4)

この節では、GAP によって 16 * 3 * 3 のような壊れやすい手計算も避けられます。

結果を診断する

症状	ありそうな原因	次の行動
train も val も悪い	モデルが弱い、ラベルが悪い、LR 問題	shape を表示し、サンプルを見て、LR を調整
train は良いが val が悪い	過学習または split の問題	データ追加、augmentation、regularization
loss が動かない	ラベル間違い、勾配なし、LR が小さい	loss.backward()、ラベル、学習可能パラメータを確認
高い確信度で間違える	データ偏りやパターン漏洩	サンプルとクラス分布を確認
1 クラスだけ予測する	クラス不均衡または最適化問題	クラス数と logits を表示

Toy Task から実画像へ

この節では意図的に小さな合成データを使いました。実プロジェクトでは次が増えます。

• Dataset と DataLoader。
• 画像ファイルの読み込み。
• source ごとの train/validation/test split。
• data augmentation。
• pretrained backbone または転移学習。
• model checkpoint。
• precision、recall、クラス別 accuracy などの指標。

流れは同じです。道具が本格的になるだけです。

よくあるミス

ミス	修正
training loss だけを見る	必ず validation metrics を計算する
channel 次元を忘れる	[N, C, H, W] を使う
CrossEntropyLoss の前に softmax する	生の logits を CrossEntropyLoss に渡す
間違った例を見ない	混同行列とサンプルを確認する
validation が training に似すぎる	実画像では source ごとに分割する

練習

1. noise を 0.08 から 0.25 に増やす。検証結果はどう変わるか。
2. per_class を 120 から 10 に減らす。モデルはまだ汎化できるか。
3. AdaptiveAvgPool2d を外し、Flatten head を使う。Linear はどの shape を受け取るべきか。
4. 四角い枠など、もう 1 クラス追加する。
5. 誤分類があれば、検証セットの最初の 5 件を表示する。

参考実装と解説

1. noise が増えるとクラス境界が曖昧になり、検証精度は下がりやすくなります。誤分類例もより重要な診断材料になります。
2. クラスあたり 10 件では訓練データに合わせることはできても、検証結果は大きく揺れやすくなります。
3. Flatten 後の入力次元は最後の feature map の C x H x W です。まず shape を表示してから Linear を設定します。
4. 新クラスを追加するなら、生成関数、label map、モデル出力次元、評価コードをまとめて更新します。
5. 誤分類は true label、predicted label、サンプル index を一緒に表示します。noise、クラス類似、容量不足のどれが原因か考えます。

まとめ

• 完整な画像分類ループには、データ、ラベル、分割、モデル、loss、指標、誤分類分析が含まれる。
• PyTorch の CNN 入力は [N, C, H, W]。
• CrossEntropyLoss は確率ではなく logits を受け取る。
• GAP は分類ヘッドをコンパクトにし、shape のミスを減らす。
• 検証とエラー分析は後付けではなく、モデル作業の一部です。