IDとラベルの一覧（上表）のCSVファイルです。

必要な方は、左のリンクをクリックしてダウンロードしてください。

トレーニングを開始した日時と、トレーニングが終了した日時です。

info 参考

トレーニングの前処理が終了すると、推定の終了日時が表示されます。この時間はあくまでも目安です。実際のトレーニング終了時間は前後します。

トレーニングの中断とトレーニング結果の適用ができます。

トレーニング結果を適用すると、フローデザイナーの［モデルジェネレーター予測（オンライン）］や［モデルジェネレーター予測（バッチ）］ブロックを使った予測ができるようになります。

トレーニング結果の適用は、［本番用］と［検証用］の2種類から選択できます。［本番用］は、業務の本番運用に、［検証用］は本番運用前の検証用にと使い分けることができます。

適用は、［本番用］と［検証用］で、それぞれ1つのみ可能です。また、［本番用］と［検証用］の適用は相互に変更可能です（［本番用］から［検証用］へ、［検証用］から［本番用］へと適用を変更可能）。

各トレーニング右端のmore_vertをクリックするとメニューが表示されます。

各メニューをクリックすることで、以下のことができます。

• 同じ設定で新規トレーニングを開始：当該トレニーング開始時の各種設定を引き継いで新しいトレーニングの開始ができます（引き継がれた設定内容は変更可能）。
• トレーニングの情報をテキストコピー：当該トレーニングの情報をクリップボードにテキスト形式でコピーします。
• トレーニングを削除：当該トレーニングを削除します。

トレーニングの開始日時・終了日時・ステータス・正確率もしくは誤差が確認できます。

画像分類の場合は、［分類に失敗した画像］が表示されることがあります。

画像分類では、画像フォルダーのデータをおよそ8：2の割合で訓練用のデータと検証用のデータに自動的に仕分けして、トレーニングを行います。

トレーニングでは、訓練用のデータで学習を行い、その学習の成果を検証用のデータで検証します。この検証で、分類結果が想定と異なっていると［分類に失敗した画像］が表示されます。

［分類に失敗した画像］が表示された場合は提示された各画像を確認してください。画像に誤りがあったときは、適切なフォルダーに配置しなおすか、削除してから再度トレーニングを行ってください（画像に誤りがなければ、その画像はそのままで構いません）。

「トレーニングデータ開始」で設定した内容とランタイムバージョンが確認できます。ランタイムバージョンには、有効期限があります。詳しくは、基本操作ガイドの「制限事項」を参照願います。

「モデルジェネレーター作成」で設定したモデルジェネレーターの名前です。

［名前を変更する］をクリックすることで、名前の変更ができます。

「トレーニングデータ設定」で設定した内容です。

［CSVフォーマット（GCS用）］をクリックすると、トレーニングデータのサンプルファイル（CSV形式）がダウンロードできます（数値分類タイプ・数値回帰タイプのみ）。トレーニングデータ作成時の参考にしてください。

以下は、サンプルファイルの例です。

sepal_length,sepal_width,petal_length,petal_width,result
15.86,47.13,23.59,88.76,Iris-versicolor

• 1行目：ヘッダー行（データ項目名）
• 2行目：データ項目ごとのサンプルデータ

トレーニングデータのアップロード先に使用するGoogle Cloud Storage (GCS)の場所が「gs://バケット名」の形式で表示されます。

リンクをクリックすると、ウェブブラウザーの別タブでGoogle Cloud Consoleが開き、このGCSにアクセスできます（プロジェクト設定のGCPアクセスで登録したGoogleアカウントによるログインが必要）。

info 参考

フルサービスプランのときのみ表示されます。

トレーニングデータをどのように指定するかを指定します。

• 1つのファイルから訓練データと検証データとを自動分割する：トレーニングデータとして、1つのCSVファイルもしくはDataEditorでデータを準備した場合は、こちらを選択します。この場合は、BLOCKS内部で自動的に訓練データと検証データに分割してトレーニングを実施します。分割時の訓練データと検証データの比率は、おおよそ8：2です。
• 訓練データと検証データとをそれぞれ1ファイルずつ準備する：トレーニングデータとして、訓練データと検証データの2つのCSVファイルを準備した場合は、こちらを選択します。

トレーニングデータをGCS上のCSVファイルで与えるか、DataEditorのデータで与えるかを指示します。

GCS上の訓練データもしくはトレーニングデータファイルのパス（gs://バケット名/ファイル名.csvのようなURL）を指定します。

folderアイコンをクリックして表示されるGCSファイルセレクターを使ってファイルを選択すると、この形式でパスが展開されます。

info 参考

パスに指定できる文字は、英数字・アンダースコア（_）・ハイフン（-）・スラッシュ（/）などのアスキー（ASCII）文字のみです。

GCS上の検証データファイルのパス（gs://バケット名/ファイル名.csvのようなURL）を指定します。

folderアイコンをクリックして表示されるGCSファイルセレクターを使ってファイルを選択すると、この形式でパスが展開されます。

info 参考

パスに指定できる文字は、英数字・アンダースコア（_）・ハイフン（-）・スラッシュ（/）などのアスキー（ASCII）文字のみです。

トレーニングデータをDataEditorで作成したデータから選択します。

選択したデータに、keyという列名が存在する場合は、その列を除外してトレーニングデータとして利用します。

トレーニングで使用するCSVファイル中のヘッダー行を無視する機能です。CSVファイル中にヘッダー行がある場合は、ヘッダー行の行数を指定します。ヘッダーがない場合は0を指定します。

トレーニングを何分かけて行うかを30分以上の分単位で指定します（内部的に行われる前処理や後処理などの時間を除く）。

トレーニングに使用するマシンの種類を選択します。

• 単一ノード：標準的なマシンでCPUを使ってトレーニングします。
• 単一ノード（GPU）：GPU (Graphic Processing Unit)を使ってトレーニングします。GCPの料金が［単一ノード］に比べて3倍ほどかかりますが、［単一ノード］に比べて高速なトレーニングが望めます。ただし、トレーニングデータの内容によっては、思ったほど高速にならないことや［単一ノード］より遅くなることもあります。
• 分散ノード：複数のマシンを使ってトレーニングを並列実行します。

トレーニングの説明を記入します。

トレーニングデータをDataEditorのデータで与えた場合は、名前・データセットID・テーブルIDの情報が自動追記されます。

トレーニングデータのアップロード先に使用するGoogle Cloud Storage (GCS)の場所が「gs://バケット名」の形式で表示されます。

リンクをクリックすると、ウェブブラウザーの別タブでGoogle Cloud Consoleが開き、このGCSにアクセスできます（プロジェクト設定のGCPアクセスで登録したGoogleアカウントによるログインが必要）。

info 参考

フルサービスプランのときのみ表示されます。

トレーニングに使用するGCS上の画像フォルダーへのパス（gs://バケット名/フォルダー/のようなURL）を指定します。パスの末尾は必ず/とします。

folderアイコンをクリックして表示されるGCSファイルセレクターを使ってフォルダーを選択すると、この形式でパスが展開されます。

画像フォルダーの仕様は、以下のとおりです。

• トレーニング用画像ファイルをまとめるためのフォルダーをGCS上に用意します。これを画像フォルダーと呼びます。
• 画像フォルダーの直下に、分類する種類ごとのフォルダーを用意します。このフォルダー名が分類名として扱われます。
• 画像ファイルは、分類ごとのフォルダー内に配置します。
• 対応する画像ファイルの形式は、トレーニングタイプによって異なります。
  • スピード優先：JPEGのみ
  • 精度優先：JPEG・PNG・GIF・BMP

  announcement 警告
  
  透過あり（RGBA）画像には、対応していません。RGBA画像は、RGB（透過なし）画像に変換後、利用願います。
  変換したRGB画像の各画素の色がトレーニングや予測に及ぼす影響を統一させるため、統一した方法（同一ツール同一オプション）で変換処理することを推奨します。

• 極端な縦横比の画像は、正しく分類できない可能性があります。
• 分類ごとのフォルダー内には、画像ファイルのみを配置します（更にフォルダーを作って整理しないでください）。

たとえば、犬と猫の画像を分類する場合は、犬用のフォルダーと猫用のフォルダーを分けてそれぞれに犬と猫の画像ファイルを配置します。

トレーニングの種類を選択します。

• スピード優先学習

  「精度優先学習」との比較において、トレーニングの時間が短い代わりに、予測精度が低くなる傾向にあります。

• 精度優先学習

  「スピード優先学習」との比較において、トレーニングの時間が長い代わりに、予測精度が高くなる傾向にあります。

トレーニングを何分かけて行うかを30分以上の分単位で指定します（内部的に行われる前処理や後処理などの時間を除く）。

トレーニングの試行回数を1回か10回で指定します。

info 参考

「トレーニングの経過制限時間 × トレーニングの最大試行回数」が、トレーニングにかかるおおよその時間です。実際には、付加的・間接的な処理による時間もあるため、もう少し時間がかかる可能性もあります。

早期打ち切り判定を［利用する］か［利用しない］かを選択します。

早期打ち切り判定とは、トレーニング中にこれ以上の精度向上が見込めないと判断した場合に、トレーニングの経過制限時間に達していなくてもトレーニングを打ち切る機能です。ただし、精度向上の見込み判断の正確性を保証するのものではありません。ご利用は、ご自身の判断でお願いします。

info 参考

このオプションは、［トレーニングタイプ］で［精度優先学習］を選択したときのみ表示されます。

トレーニングに使用するマシンの種類を選択します。

• 単一ノード：標準的なマシンでCPUを使ってトレーニングします。
• 単一ノード（GPU）：単一のマシンでGPU（Graphic Processing Unit）を使ってトレーニングします。
• 分散ノード（GPU）：複数のマシンでGPUを使ってトレーニングします。［単一ノード（GPU）］のマシンタイプに比べてGCPの料金が割高になりますが、［単一ノード（GPU）］に比べて高速なトレーニングが望めます。

info 参考

［分散ノード（GPU）］は、［トレーニングタイプ］で［精度優先学習］選択したときのみ表示されます。

画像アノテーションツールで作成したアノテーションを設定します。