2-04　ステップ１：学習用Pythonで学習済みモデルを作成 　これから画像セットを使ってディープラーニングの学習を行います。Google ColabからUntitled1.ipynbといった「ノートブック」を開きましょう(GPUは必要ない）。 　学習用画像セットはここで作成したものでも良いですし、これを解凍して使っても良いです。”train_1.zip”を図2‐13のようにそのまま（解凍せずに）ノートブックにアップロードします（ネット環境によっては数分以上かかる）。 図2‐13　Google ColabにZIPをアップロード 　次にノートブックのコマンドセルに図2‐14のように !unzip train_1.zip とタイプして実行します。解凍されてtrain_1フォルダが現れ、同フォルダ以下には4つのサブフォルダがあります。 図2‐14　Google Colab上で解凍する ●色は４色、それぞれ千枚程度の学習用画像がある 　サブフォルダ0/1/2/3にはそれぞれ赤／緑／青／黄色のボール画像があります。適当にダブルクリックすると、図2‐15のようにボール画像が現れます。各フォルダに千枚程度、計数千枚のボール画像があります。 図2‐15　赤／緑／青／黄色のボール画像（学習用） ●学習のPythonを実行。Epoch（学習回数）は30回 　balls_float.pyは学習用プログラムです。図2‐16のようにドラッグ＆ドロップしてrunコマンドで実行します。 　図2‐17は実行中のようすですが、終了するには10分程度かかると思います。なお今回のPythonプログラムでは生成AIを使わないので、GPUはなくても実行できます 図2‐16　学習用Pythonプログラムの実行 図2‐17　学習回数は３０回、１０分程度かかる ●学習済みモデルがCSV形式でセーブされる 　図2‐18のようになると終了です。ファイル枠に「学習済みモデル」が生成されているのを確認しましょう。それらは重み係数やバイアスのCSVファイルからなります。 　CNNは畳み込みが4層、全結合が2層あるのでW1〜W6.csv, b1〜b6.csvの12ファイルになります。これらの内容は学習用プログラムを走らせるたびに変わるので注意しましょう（＊５） （＊５）Pythonプログラムにおいては、学習に使用する画像の順番をランダムに変えている。そのためプログラムを実行する度に重み係数とバイアスの値が変わってくる。認識率も微妙に変わってくるので注意） 図2‐18　学習済みモデルは１２個のCSVファイルからなる 次のページへ 目次へ戻る