SASでは、従来からSAS Viyaの機能をPythonなど各種汎用プログラミング言語から利用するためのパッケージであるSWATを提供していました。

これに加え、よりハイレベルなPython向けAPIパッケージであるDLPyの提供も開始され、PythonからViyaの機能をより効率的に活用することが可能となっています。

※DLPyの詳細に関しては以下サイトをご覧ください。

https://github.com/sassoftware/python-dlpy

1. DLPyとは
2. DLPyの機能（一部抜粋）

１．DLPyとは

DLPyは、Viya3.3以降のディープラーニングと画像処理（image action set）のために作成された、Python API向けハイレベルパッケージです。DLPyではKerasに似たAPIを提供し、ディープラーニングと画像処理のコーディングの効率化が図られています。既存のKerasのコードをほんの少し書き換えるだけで、SAS Viya上でその処理を実行させることも可能になります。

例えば、以下はCNNの層の定義例です。Kerasに酷似していることがわかります。

DLPyでサポートしているレイヤは、InputLayer, Conv2d, Pooling, Dense, Recurrent, BN, Res, Proj, OutputLayer、です。

以下は学習時の記述例です。

２．DLPyの機能（一部抜粋）

複数のイルカとキリンの画像をCNNによって学習し、そのモデルにテスト画像を当てはめて予測する内容を例に、DLPyの機能（一部抜粋）を紹介します。

２－１．メジャーなディープラーニング・ネットワークの実装

DLPyでは、事前に構築された以下のディープラーニングモデルを提供しています。

• VGG11/13/16/19、 ResNet34/50/101/152、 wide_resnet、 dense_net

また、以下のモデルでは、ImageNetのデータを使用した事前学習済みのweightsも提供（このweightsは転移学習によって独自のタスクに利用可能）しています。

• VGG16、VGG19、ResNet50、ResNet101、ResNet152

以下は、ResNet50の事前学習済みのweightsを転移している例です。

２－２．CNNの判断根拠情報

heat_map_analysis()メソッドを使用し、画像の何処に着目したのかをカラフルなヒートマップとして出力し、確認することができます。

また、get_feature_maps()メソッドを使用し、CNNの各層の特徴マップ（feature map）を取得し、feature_maps.display()メソッドを使用し、取得されたfeature mapの層を指定して表示し、確認することもできます。

以下は、レイヤー１のfeature mapの出力結果です。

以下は、レイヤー１８のfeature mapの出力結果です。

２－３．ディープラーニング＆画像処理関連タスク支援機能

２－３－１．resize()メソッド：画像データのリサイズ

２－３－２．as_patches()メソッド：画像データ拡張（元画像からパッチを生成）

２－３－３．two_way_split()メソッド：データ分割（学習、テスト）

２－３－４．plot_network()メソッド：定義したディープラーニングの層（ネットワーク）の構造をグラフィカルな図として描画

２－３－５．plot_training_history()メソッド：反復学習の履歴表示

２－３－６．predict()メソッド：予測（スコアリング）結果の表示

２－３－７．plot_predict_res()メソッド：分類結果の表示

そして、もちろん、DLPyを使用すると、SAS Viyaのインメモリーセッションからデータを取得してローカルクライアントに渡し、numpy配列やDataFrameなどの一般的なデータ形式に変換できます。 変換されたデータは、scikit-learnなどの他のオープンソースパッケージのモデルにスムーズに供給が可能です。

DLPyを用いた画像分類に関しては、SAS Viya特設サイト内のPythonセクション内に動画も公開されています。