Python 3.7向けにSageMaker PyTorch Containerをビルドする

先日、Flairを使ったモデルを構築し、SageMakerのトレーニングジョブに投げたところモデルの保存で躓いた。原因を調べたところ、pickleでダンプしようとしていたオブジェクトの中に、Python 3.6ではダンプできないオブジェクトがあるようだった。そこで、SageMakerのトレーニングで使われているPythonのバージョンを3.6から3.7に上げたところモデルの保存をできるようになった。

以下に、作成したDockerfileを貼っておく。これをCodeBuildでビルドし、ECRに登録後、SageMakerのEstimatorで登録したイメージを指定すれば使うことができる。

FROM nvidia/cuda@sha256:4979db047661dc0003594fb20d37cce6d6c7e989252f4e3fb0beb39874a078e2

LABEL maintainer="Amazon AI"

ARG PYTHON_VERSION=3.7.7
ARG OPEN_MPI_VERSION=4.0.1
ARG CUBLAS_VERSION=10.2.1.243-1_amd64

# Python won’t try to write .pyc or .pyo files on the import of source modules
# Force stdin, stdout and stderr to be totally unbuffered. Good for logging
ENV PYTHONDONTWRITEBYTECODE=1
ENV PYTHONUNBUFFERED=1
ENV LD_LIBRARY_PATH="${LD_LIBRARY_PATH}:/usr/local/lib"
ENV LD_LIBRARY_PATH="${LD_LIBRARY_PATH}:/opt/conda/lib"
ENV PYTHONIOENCODING=UTF-8
ENV LANG=C.UTF-8
ENV LC_ALL=C.UTF-8
ENV PATH /opt/conda/bin:$PATH
ENV TORCH_CUDA_ARCH_LIST="3.5 5.2 6.0 6.1 7.0+PTX"
ENV TORCH_NVCC_FLAGS="-Xfatbin -compress-all"
ENV HOROVOD_VERSION=0.19.1
ENV DGLBACKEND=pytorch
ENV CMAKE_PREFIX_PATH="$(dirname $(which conda))/../"
ENV SAGEMAKER_TRAINING_MODULE=sagemaker_pytorch_container.training:main

RUN apt-get update \
 && apt-get install -y  --allow-downgrades --allow-change-held-packages --no-install-recommends \
    build-essential \
    ca-certificates \
    cmake \
    cuda-command-line-tools-10-1 \
    cuda-cufft-10-1 \
    cuda-curand-10-1 \
    cuda-cusolver-10-1 \
    cuda-cusparse-10-1 \
    curl \
    git \
    jq \
    libglib2.0-0 \
    libgl1-mesa-glx \
    libsm6 \
    libxext6 \
    libxrender-dev \
    libgomp1 \
    libibverbs-dev \
    libhwloc-dev \
    libnuma1 \
    libnuma-dev \
    vim \
    wget \
    zlib1g-dev \
 && apt-get remove -y cuda-cufft-dev-10-1 \
    cuda-curand-dev-10-1 \
    cuda-cusolver-dev-10-1 \
    cuda-npp-dev-10-1 \
    cuda-nvgraph-dev-10-1 \
    cuda-nvjpeg-dev-10-1 \
    cuda-nvrtc-dev-10-1 \
 && apt-get clean \
 && rm -rf /var/lib/apt/lists/*

RUN wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/libcublas10_${CUBLAS_VERSION}.deb \
 && dpkg -i libcublas10_${CUBLAS_VERSION}.deb \
 && apt-get install -f -y \
 && rm libcublas10_${CUBLAS_VERSION}.deb

RUN wget https://www.open-mpi.org/software/ompi/v4.0/downloads/openmpi-$OPEN_MPI_VERSION.tar.gz \
 && gunzip -c openmpi-$OPEN_MPI_VERSION.tar.gz | tar xf - \
 && cd openmpi-$OPEN_MPI_VERSION \
 && ./configure --prefix=/home/.openmpi \
 && make all install \
 && cd .. \
 && rm openmpi-$OPEN_MPI_VERSION.tar.gz \
 && rm -rf openmpi-$OPEN_MPI_VERSION

ENV PATH="$PATH:/home/.openmpi/bin"
ENV LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/home/.openmpi/lib/"

RUN ompi_info --parsable --all | grep mpi_built_with_cuda_support:value \
 && curl -L -o ~/miniconda.sh https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh \
 && chmod +x ~/miniconda.sh \
 && ~/miniconda.sh -b -p /opt/conda \
 && rm ~/miniconda.sh \
 && /opt/conda/bin/conda install -y -c anaconda \
    python=$PYTHON_VERSION \
    numpy==1.16.4 \
    ipython==7.10.1 \
    mkl==2019.4 \
    mkl-include==2019.4 \
    cython==0.29.12 \
    future==0.17.1 \
    "pyopenssl>=17.5.0" \
 && conda install -c dglteam -y dgl-cuda10.1==0.4.3 \
 && /opt/conda/bin/conda clean -ya

RUN conda install -c pytorch magma-cuda101==2.5.1 \
 && conda install -c conda-forge \
    opencv==4.0.1 \
 && conda install -y scikit-learn==0.21.2 \
    pandas==0.25.0 \
    h5py==2.9.0 \
    requests==2.22.0 \
    libgcc \
 && conda clean -ya

RUN pip install psutil==5.6.7 \
                Pillow==7.1.0

WORKDIR /opt/pytorch

# Copy workaround script for incorrect hostname
COPY changehostname.c /
COPY start_with_right_hostname.sh /usr/local/bin/start_with_right_hostname.sh

WORKDIR /root

RUN /opt/conda/bin/conda config --set ssl_verify False \
 && pip install --upgrade pip --trusted-host pypi.org --trusted-host files.pythonhosted.org \
 && ln -s /opt/conda/bin/pip /usr/local/bin/pip3

# Uninstall torch and torchvision before installing the custom versions from an S3 bucket
RUN pip install \
    --no-cache-dir smdebug==0.7.2 \
    sagemaker==1.50.17 \
    sagemaker-experiments==0.1.7 \
    --no-cache-dir fastai==1.0.59 \
    awscli \
    scipy==1.2.2 \
 && pip install --no-cache-dir -U torch==1.5.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html\
 && pip uninstall -y torchvision \
 && pip install --no-deps --no-cache-dir -U torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html

# Install Horovod
RUN pip uninstall -y horovod \
 && ldconfig /usr/local/cuda-10.1/targets/x86_64-linux/lib/stubs \
 && HOROVOD_GPU_ALLREDUCE=NCCL HOROVOD_CUDA_HOME=/usr/local/cuda-10.1 HOROVOD_WITH_PYTORCH=1 pip install --no-cache-dir horovod==${HOROVOD_VERSION} \
 && ldconfig

# Install Nvidia Apex
RUN git clone https://github.com/NVIDIA/apex.git \
 && cd apex \
 && git checkout f3a960f \
 && pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./

# Configure Open MPI and configure NCCL parameters
RUN mv /home/.openmpi/bin/mpirun /home/.openmpi/bin/mpirun.real \
 && echo '#!/bin/bash' > /home/.openmpi/bin/mpirun \
 && echo 'mpirun.real --allow-run-as-root "$@"' >> /home/.openmpi/bin/mpirun \
 && chmod a+x /home/.openmpi/bin/mpirun \
 && echo "hwloc_base_binding_policy = none" >> /home/.openmpi/etc/openmpi-mca-params.conf \
 && echo "rmaps_base_mapping_policy = slot" >> /home/.openmpi/etc/openmpi-mca-params.conf \
 && echo "btl_tcp_if_exclude = lo,docker0" >> /home/.openmpi/etc/openmpi-mca-params.conf \
 && echo NCCL_DEBUG=INFO >> /etc/nccl.conf \
 && echo NCCL_SOCKET_IFNAME=^docker0 >> /etc/nccl.conf

# Install OpenSSH for MPI to communicate between containers, Allow OpenSSH to talk to containers without asking for confirmation
RUN apt-get update && apt-get install -y --no-install-recommends openssh-client openssh-server \
 && mkdir -p /var/run/sshd \
 && cat /etc/ssh/ssh_config | grep -v StrictHostKeyChecking > /etc/ssh/ssh_config.new \
 && echo "    StrictHostKeyChecking no" >> /etc/ssh/ssh_config.new \
 && mv /etc/ssh/ssh_config.new /etc/ssh/ssh_config \
 && apt-get clean \
 && rm -rf /var/lib/apt/lists/*

WORKDIR /

RUN pip install --no-cache-dir "sagemaker-pytorch-training<2"

RUN chmod +x /usr/local/bin/start_with_right_hostname.sh

RUN curl -o /license.txt https://aws-dlc-licenses.s3.amazonaws.com/pytorch-1.5.0/license.txt

# Starts framework
ENTRYPOINT ["bash", "-m", "start_with_right_hostname.sh"]
CMD ["/bin/bash"]

考えてみれば、ARGが定義されているので、Pythonのバージョンに関してはビルド時に引数渡して指定すればよかった。その他、typingモジュールをインストールしないようにしたりしているが、基本的には元のDockerfileと大きく変わるところはない。

github.com

はじめての出版、地獄秘話

先月2月27日に、書籍『機械学習・深層学習による自然言語処理入門』を発売させていただきました。タイミングを逃して、Twitterやブログで告知することもなかったのですが、気持ちを整理するために、本記事では出版の経緯からまとめてみます。キラキラした感じで書いても面白くないと思うので、ドロドロした感じで書いていきます。

機械学習・深層学習による自然言語処理入門

きっかけは上司からの紹介

書籍執筆のきっかけは上司からの「自然言語処理本の執筆依頼が来ているがどうか？」という話でした。それまでにも、ありがたいことに、いくつかの出版社から執筆依頼はあったのですが、提案された企画の内容を書くことに気が進まなかったため、すべて断っていました。ただ今回は、いつもブログに書いてる自然言語処理の話だったので、話を聞いてみることに決めました。

そこから1度、担当編集者に弊社に打ち合わせに来ていただき、内容やボリューム、完成時期などについての話をしました。編集からは「エンジニア向けの自然言語処理の本を出したい」という話をされ、自分としても、日本語で行う自然言語処理の実践的な本がないことに対する不満から、この本を書くことで世の中に貢献できるのではないかという考えのもとに了承しました。

編集との直接の打ち合わせはこの時だけで、その後は全てメールでのやり取りで済ませています。おそらく街中ですれ違ってもお互いに気づかないでしょう。最初の打ち合わせ終了後、節レベルまで書き出した目次を提出し、先方の企画会議を通った後に執筆がはじまりました。執筆自体は業務時間内で行えるように会社と調整しました。これが後で社内手続き地獄に繋がるわけですが…。

執筆: はじめては単著じゃないほうが良いと思った話など

今回は単著で本を執筆しましたが、はじめてなら複数人で書く方が良いと思いました。単著で書くメリットとしては、すべてを自分の管理化に置ける点を挙げられます。ただ、1人で書いてるとモチベーションの維持が難しいので、執筆に慣れないうちは同じ目標に向かう仲間がいた方が良いと感じました。私はモチベーションが低下して、3ヶ月程まったく書かない期間がありました。

また、執筆の締切は決めておいたほうが良いです。私の場合、出版社との間で締切についての条件はありませんでした。簡単に言えば、最後まで執筆できたら契約して発売しましょう、ということです。執筆は芸術と似ている部分があり、良くしようと思えばいくらでも手を入れられ、終わりがありません。だからこそ、締切を決めて期間内で最高のものを書き上げるやり方が必要です。

その他、苦しんだ点はタスクの切り替えです。会社員なので、執筆以外の業務もありますが、慣れない執筆と業務を切り替えるのには膨大なエネルギーが必要でした。当初は業務から執筆に切り替えた際は筆が全然進まず、それが心的な重みになりました。また、執筆に思ったよりも時間を取られ他のことができないということも起こり、それもまた心の重みとなりました。

発売後: 出版ブルーになる

出版直前、また出版後は心が非常に落ち込みました。読み直すほど不完全な部分が見えてきて直したくなったり、「こんな本を出しても意味がないのではないか」と思ったり、書き上げた作品がボロクソ言われる怖さといったことが重なって、不安で落ち込みました。結局、そんな事考えても意味がないということは頭ではわかっているのですが、心がついていかない感じです。

また、社内手続きの多さにも辟易としました。弊社では執筆には以下の手続きが必要です。

• 対外発信申請（本を公開する許可を得る手続き）
• 執筆のための決裁（偉い人から執筆の許可を得る手続き）
• 契約書事前審査（契約前に契約書の内容を審査する手続き）
• 契約決裁（契約を締結する手続き）
• 押印依頼書（契約書に判子を押してもらう手続き）
• 請求書発行依頼（請求書を発行してもらう手続き）
• 契約書送付手続き（先方に契約書を送る手続き）
• 請求書送付手続き（先方に請求書を送る手続き）
• 入金依頼（私の口座に振り込んでもらう手続き）

次からは業務では執筆しないことを決心する程度には面倒でした。

その他、ここ半年程は会社内の環境の変化も伴って精神的に弱っていたのですが、最近ようやく回復してきました。調子の良い日もあれば悪い日もありますが、昨年の12月にサイクリングを趣味で始めてから良くなってきた気がします。運動は大切。

Dahon Speed D8

なんだかんだあったけど書いて良かった

本書いて出版したぜ！みたいなキラキラした感じの記事はたくさんあるので、本記事ではドロドロとネガティブな感じで書いたわけですが、実際のところ執筆の話が来たらやってみるのが良いのではないかと思います。ITエンジニアがアウトプットすることのメリットは様々な記事で書かれていますが、書籍執筆はその中でも最上位の経験の一つではないでしょうか。とはいえ、かなりの苦労をするのは間違いないため、メリット・デメリットを天秤にかけて判断するように。

Birmingham Museums Trust

BERTで日本語の含意関係認識をする

含意関係認識（Recognizing Textual Entailment: RTE）とは、2つの文1と文2が与えられたときに、文1が正しいとしたら文2も正しいか否かを判定するタスクのことです。たとえば、文1として「太郎は人間だ。」という文があるとします。この文が正しいとしたとき文2である「太郎は動物だ。」が正しいか否かを判定します。この場合は人間は動物であるため正しいと判定する必要があります。

含意関係認識を解くための手法は様々ありますが、本記事ではBERTを使った機械学習ベースの手法で解くことにします。

BERTによる含意関係認識器の実装

本節ではBERTを用いた含意関係認識のモデルを構築します。実装の手順は以下の通りです。

• プロジェクト構成
• パッケージのインストール
• データセットの準備
• モデルの定義
• 評価用コードの実装
• モデルの学習と評価

プロジェクト構成

本節では以下のプロジェクト構成で実装を進めていきます。

.
├── data
│   └── entail_evaluation_set.txt
├── models/
├── models.py
├── preprocessing.py
├── train.py
└── utils.py

dataディレクトリの中には使用するデータセットを格納しておきます。今回の場合は次の節で説明する日本語の含意関係認識用データを利用します。modelsディレクトリには学習したモデルを格納します。models.pyには機械学習モデルの定義を行います。preprocessing.pyには前処理用の関数を、train.pyには学習用のコードを、utils.pyにはデータ読込用の関数などを書きます。

パッケージのインストール

まずはBERTを使ったモデルを楽に実装するためにTransformersというパッケージをインストールします。Transformersは自然言語処理向けのモデルが多数含まれたパッケージであり、その中にはBERTも含まれています。BERTは公式の実装も存在するのですが、Transformersを使ったほうが実装が簡単なので、今回はこちらを使います。その他、MeCabのPythonバインディング、TensorFlow、scikit-learn、pandasもインストールします。以下のコマンドを実行しましょう。

$ pip install transformers tensorflow scikit-learn pandas mecab-python3

データの準備

まずはデータセットのダウンロードを行いましょう。今回は京都大学の黒橋・河原研究室で公開しているTextual Entailment評価データを使います。このデータセットは約2700のデータ数からなり、それぞれに4値の推論判定が付与されています。Textual Entailment 評価データからダウンロードしてdataディレクトリに格納しましょう。

データセットをダウンロードして中身を見ると、以下のように空白区切りで情報が格納されています。全部で5カラムから構成され、1カラム目にID、2カラム目にカテゴリとサブカテゴリ、3カラム目に推論判定、4カラム目にテキスト、5カラム目に仮説が格納されています。また、1文ごとに空行が挟まれていることを確認できます。

15 語彙(体言):下位→上位 ◎ あの人は呼吸器専門医だ。 あの人は医者だ。

データセットを用意して形式を確認したので、読み込むための関数load_datasetをutils.pyに書いていきます。ファイルをpandasで読み込んだあと、ラベルのマッピングをし、文のペアとラベルのリストを返しています。マッピングをしているのは、△や○のデータを分類するのが難しいためです。

import pandas as pd


def load_dataset(filepath, encoding='utf-8'):
    df = pd.read_csv(filepath,
                     encoding=encoding,
                     delim_whitespace=True,
                     names=['id', 'cat', 'label', 't1', 't2'])
    mapping = {
        '×': '×',
        '△': '×',
        '○': '◎',
        '◎': '◎'
    }
    df.label = df.label.map(mapping)
    return list(zip(df.t1, df.t2)), df.label

データセットを読み込むための関数を書き終わったので、次はデータセットの前処理用の関数をpreprocessing.pyに書いていきます。ここで行う前処理は、ボキャブラリの作成、単語分割、単語のID化、パディングです。まずはボキャブラリを表すクラスVocabを書きます。

import json

import numpy as np
from tensorflow.keras.preprocessing.sequence import pad_sequences


class Vocab:

    def __init__(self):
        self.token_index = {}
        self.index_token = {}

    def fit(self, labels):
        self.token_index = {label: i for i, label in enumerate(set(labels))}
        self.index_token = {v: k for k, v in self.token_index.items()}
        return self

    def encode(self, labels):
        label_ids = [self.token_index.get(label) for label in labels]
        return label_ids

    def decode(self, label_ids):
        labels = [self.index_token.get(label_id) for label_id in label_ids]
        return labels

    @property
    def size(self):
        """Return vocabulary size."""
        return len(self.token_index)

    def save(self, file_path):
        with open(file_path, 'w') as f:
            config = {
                'token_index': self.token_index,
                'index_token': self.index_token
            }
            f.write(json.dumps(config))

    @classmethod
    def load(cls, file_path):
        with open(file_path) as f:
            config = json.load(f)
            vocab = cls()
            vocab.token_index = config.token_index
            vocab.index_token = config.index_token
        return vocab

ボキャブラリを表すクラスを書き終わったら、データセット前処理用の関数をpreprocessing.pyに書きます。やっていることは、テキストを単語分割してID化したあと、パディングしているだけです。

def convert_examples_to_features(x, y,
                                 vocab,
                                 max_seq_length,
                                 tokenizer):
    features = {
        'input_ids': [],
        'attention_mask': [],
        'token_type_ids': [],
        'label_ids': np.asarray(vocab.encode(y))
    }
    for pairs in x:
        tokens = [tokenizer.cls_token]
        token_type_ids = []
        for i, sent in enumerate(pairs):
            word_tokens = tokenizer.tokenize(sent)
            tokens.extend(word_tokens)
            tokens += [tokenizer.sep_token]
            len_sent = len(word_tokens) + 1
            token_type_ids += [i] * len_sent

        input_ids = tokenizer.convert_tokens_to_ids(tokens)
        attention_mask = [1] * len(input_ids)

        features['input_ids'].append(input_ids)
        features['attention_mask'].append(attention_mask)
        features['token_type_ids'].append(token_type_ids)

    for name in ['input_ids', 'attention_mask', 'token_type_ids']:
        features[name] = pad_sequences(features[name], padding='post', maxlen=max_seq_length)

    x = [features['input_ids'], features['attention_mask'], features['token_type_ids']]
    y = features['label_ids']
    return x, y

以上でデータセットを準備するために使う関数の定義は終わりました。次はモデルを作成していきましょう。

モデルの定義

今回実装するモデルのアーキテクチャは以下の図のようになります。用意した3つの入力をBERTに入力し、分散表現に変換します。その後、分散表現を活性化関数にソフトマックス関数を指定した全結合層に入力し、各ラベルの確率を予測します。

モデルのアーキテクチャ（画像はBERTの論文より）

モデルの定義は以下のようになります。Transformersを使うととてもシンプルに実装できます。models.pyに追記してください。

import tensorflow as tf
from transformers import BertConfig, TFBertForSequenceClassification


def build_model(pretrained_model_name_or_path, num_labels):
    config = BertConfig.from_pretrained(
        pretrained_model_name_or_path,
        num_labels=num_labels
    )
    model = TFBertForSequenceClassification.from_pretrained(
        pretrained_model_name_or_path,
        config=config
    )
    model.layers[-1].activation = tf.keras.activations.softmax
    return model

以上でモデルの実装は完了です。次は学習したモデルの評価を行うコードを書いていきます。

評価用コードの実装

学習したモデルを使って評価をする関数を作成していきましょう。以下のevaluateクラスをutils.pyに書いていきます。このクラスでは、predictメソッドに(input_ids, attention_mask, token_type_ids)を与えると、予測結果を返してくれます。処理の流れとしては、前処理したデータに対してpredictメソッドで予測を行った後、np.argmaxで確率値の最も高いラベルのIDを取得し、decodeメソッドで文字列に変換しています。そして最後に、評価を行っています。

import numpy as np
from sklearn.metrics import classification_report


def evaluate(model, target_vocab, features, labels):
    label_ids = model.predict(features)
    label_ids = np.argmax(label_ids, axis=-1)
    y_pred = target_vocab.decode(label_ids)
    y_true = target_vocab.decode(labels)
    print(classification_report(y_true, y_pred, digits=4))

モデルの学習と評価

では最後に、これまでに説明した内容に基づいて、モデルを学習させて性能を評価するコードを書いていきましょう。以下のコードをtrain.pyに書いて保存します。

from sklearn.model_selection import train_test_split
from tensorflow.keras.callbacks import EarlyStopping
from transformers import BertJapaneseTokenizer

from models import build_model
from preprocessing import convert_examples_to_features, Vocab
from utils import load_dataset, evaluate


def main():
    # Set hyper-parameters.
    batch_size = 32
    epochs = 100
    model_path = 'models/'
    pretrained_model_name_or_path = 'bert-base-japanese-whole-word-masking'
    maxlen = 250

    # Data loading.
    x, y = load_dataset('./data/entail_evaluation_set.txt')
    tokenizer = BertJapaneseTokenizer.from_pretrained(pretrained_model_name_or_path)

    # Pre-processing.
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
    target_vocab = Vocab().fit(y_train)
    features_train, labels_train = convert_examples_to_features(
        x_train,
        y_train,
        target_vocab,
        max_seq_length=maxlen,
        tokenizer=tokenizer
    )
    features_test, labels_test = convert_examples_to_features(
        x_test,
        y_test,
        target_vocab,
        max_seq_length=maxlen,
        tokenizer=tokenizer
    )

    # Build model.
    model = build_model(pretrained_model_name_or_path, target_vocab.size)
    model.compile(optimizer='sgd', loss='sparse_categorical_crossentropy')

    # Preparing callbacks.
    callbacks = [
        EarlyStopping(patience=3),
    ]

    # Train the model.
    model.fit(x=features_train,
              y=labels_train,
              batch_size=batch_size,
              epochs=epochs,
              validation_split=0.1,
              callbacks=callbacks)
    model.save_pretrained(model_path)

    # Evaluation.
    evaluate(model, target_vocab, features_test, labels_test)


if __name__ == '__main__':
    main()

コードを書き終えたら実行してみましょう。BERTは大きなモデルなのでCPU上で実行するととても時間がかかります。できればGPU上で実行させることをおすすめします。参考までにGPU（NVIDIA Tesla V100）上で学習させたところ、1エポックに30程度かかり、全体としては200秒程度かかりました。性能としては正解率で0.6485という結果になりました。

Epoch 1/100
1779/1779 [==============================] - 50s 28ms/sample - loss: 0.6683 - val_loss: 0.6361
Epoch 2/100
1779/1779 [==============================] - 30s 17ms/sample - loss: 0.6442 - val_loss: 0.6549
Epoch 3/100
1779/1779 [==============================] - 30s 17ms/sample - loss: 0.6193 - val_loss: 0.6223
Epoch 4/100
1779/1779 [==============================] - 30s 17ms/sample - loss: 0.5913 - val_loss: 0.6282
Epoch 5/100
1779/1779 [==============================] - 30s 17ms/sample - loss: 0.5603 - val_loss: 0.7203
Epoch 6/100
1779/1779 [==============================] - 30s 17ms/sample - loss: 0.5252 - val_loss: 0.6349
              precision    recall  f1-score   support

           ×     0.4771    0.4371    0.4562       167
           ◎     0.7251    0.7561    0.7403       328

    accuracy                         0.6485       495
   macro avg     0.6011    0.5966    0.5983       495
weighted avg     0.6415    0.6485    0.6445       495

以上で実装は完了です。 今回はモデルもコードもシンプルさを重視して書いてみました。 最も基礎的なモデルなので性能はそれほど出ませんが、その分、改善の余地は大きいです。色々試してみてください。