初めて使うディープラーニングライブラリは、単にモデルを動かすだけのものではありません。それは、勾配、レイヤー、そしてデータフローに対する考え方そのものを形作るものです。選択を誤れば、ニューラルネットワークの実際の挙動を学ぶ代わりに、ボイラープレート（定型コード）との戦いに何週間も費やすことになります。正しいものを選べば、コードが邪魔をしないため、概念が自然と腑に落ちるはずです。

ほとんどの初心者は、選択肢を Keras、PyTorch、TensorFlow の3つのライブラリに絞り込みます。JAX もありますが、ヤコビアン（Jacobian）が何であるかを知るまでは無視して構いません。

「初心者向け」の本当の意味

ドキュメントが厚いからといって、そのライブラリが「フレンドリー」なわけではありません。コードがチュートリアルで見た数学的な表現のように読め、エラーメッセージが C++ バックエンドのスタックトレースを吐き出すのではなく、自分のミスを的確に指摘してくれるとき、そのライブラリはフレンドリーだと言えます。フレームワークの内部構造の5レベルも奥深くに埋もれたテンソル形状の不一致ではなく、学習率や活性化関数について考えたいはずです。

Keras: まずはここから始めて結果を出す

Keras はシンプルな考え方に基づいて構築されました。アイデアを訓練済みモデルへと昇華させるのに、コーヒーを一杯飲む程度の時間で済むべきだ、という考えです。バックプロパゲーションやグラフ最適化の複雑さをクリーンな API の背後に隠しているため、完全に動作する画像分類器が、わずか10行程度の Python コードで記述できることも珍しくありません。

Sequential オブジェクト内にレイヤーを積み重ねてモデルを定義し、model.compile() を呼び出してオプティマイザと損失関数を紐付け、最後に model.fit() を呼び出して訓練を行います。その構文は、まるでチェックリストのようです。「入力形状は？ 完了。Dense レイヤーは？ 完了。訓練ループは？ お任せ。」これにより、早い段階で本当に重要なことについて実験を行うことができます。「もう一層追加したらどうなるか？」「ReLU を sigmoid に入れ替えるべきか？」「バッチサイズを変えるとどうなるか？」といった具合です。

設定ファイルに溺れることなく、レイヤーやオプティマイザが何をするのかを学ぶことが目的であれば、Keras はその摩擦を取り除いてくれます。パッケージをインストールしてから1時間以内に、実際の画像を用いた畳み込みネットワークを動かすことができます。また、Keras はデフォルトで TensorFlow の上で動作しているため、ハイレベルな API を離れることなく、プロダクションレベルのデータパイプラインを利用することも可能です。

ただし、整備された道から外れようとすると、トレードオフが生じます。中間層の活性化値に依存するカスタム損失関数を書きたい場合や、訓練中にバックワードパスを変更したい場合、Keras は制約が多いと感じるかもしれません。脱出策（escape hatches）は用意されていますが、それを使うには生のフレームワークコードへと降りていく必要があります。独自の研究ロジックを構築する場合、その壁は現実的なものとなります。

PyTorch: 内部構造を見ながら学ぶ

PyTorch は、ニューラルネットワークを通常の Python プログラムとして扱います。torch.nn.Module をサブクラス化することでモデルを定義します。フォワードパスは、入力がどのように出力に変換されるかを記述する単なる Python メソッドです。loss.backward() を呼び出すだけで、PyTorch がその場で勾配を計算します。

これは、PyTorch が計算グラフを動的に構築するためです。一部のフレームワークでは、データが触れる前にモデルの構造全体を事前に定義しておく必要があります。しかし PyTorch は、実際にバッチをネットワークに流すまで待ちます。バッチ間で入力サイズが変わったり、形状の不一致をデバッグするためにフォワードパスの途中でテンソルをプリントしたりしても、フレームワークは文句を言いません。標準的なデバッガが使えます。モデルクラスの中に print() 文を挟むことができます。テンソルの次元がパズルのように見えるとき、デバッグが通常のプログラミングのように感じられるこのシンプルさは非常に重要です。

訓練が実際にどのように機能しているのか——フォワードパスがどのように予測を生成し、バックワードパスがどのように誤差を分配し、オプティマイザがどのように重みを更新するのか——を理解したいのであれば、PyTorch はその「中身」を見ることを強いてきます。その透明性こそが、現在 PyTorch が研究分野のリーダーであり、ほとんどの新しい AI 求人情報に登場する理由です。arXiv で論文を読んでいるとき、その公式実装が PyTorch で書かれている確率は非常に高いでしょう。

TensorFlow: モデルがどこで動くかを考える

TensorFlow はかつて、冗長で習得が難しいという評判でした。しかし、Keras が公式のハイレベル API になったことで、その多くは変わりました。現代のバージョンでは、Keras をインポートすると、意識していなくても通常は TensorFlow 上で動作しています。それでも、モデルが訓練された「後」に何が起こるかを考えると、TensorFlow は依然として独自の選択肢として重要です。

このエコシステムはデプロイメント向けに構築されています。TensorFlow Liteは、メモリ制限の厳しいスマートフォン、マイクロコントローラ、産業用センサー上でモデルを実行するために、モデルを圧縮します。TensorFlow.jsは、データをサーバーに送信することなく、ブラウザ内で直接推論を実行します。TensorFlow Servingは、大規模な本番環境におけるモデルのバージョニングやバッチ予測を処理します。

プロジェクトに厳しい物理的な