| 케라스의 기초에 대해서 알아본다. 케라스 맛만 볼것이다. 이론적인 설명보다 함수에 대해 간단하게 설명 할 것이다. 초, 중학교때 직선의 공식을 배웠다. y = ax + b 선형회귀 수식은 다음과 같이 표현한다. H(x) = Wx + b H : Hypothesies 가설, 추측 다음의 순서로 진행한다. 1. 데이터 전처리 2. 모델 생성 3. 모델 컴파일 4. 모델 훈련 5. 모델 평가 6. 예측하기 전체 코드를 보자. from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense import numpy as np # 데이터 셋팅 x = np.array([1, 2, 3, 4, 5]) y = np.array([1, 2, 3, 4, 5]) model = Sequential() model.add(Dense(1, input_dim=1, activation='relu')) model.compile('SGD', 'mse', metrics=['accuracy']) model.fit(x, y, epochs=100, verbose=0) loss_and_metrics = model.evaluate(x, y) print(loss_and_metrics) predict = model.predict(x).flatten() print('y', y, ' predict: ', predict) 1. 데이터 전처리from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense import numpy as np # 데이터 셋팅 x = np.array([1, 2, 3, 4, 5]) y = np.array([1, 2, 3, 4, 5]) models, layers 라이브러리에서 Sequential, Dense 오브젝트를 임포트 한다. numpy도 임포트 한다. numpy로 x, y에 데이터를 입력한다. 2. 모델 생성model = Sequential()
model.add(Dense(1, input_dim=1, activation='relu')) model = Sequential() Sequential 오브젝트를 만들어 model 변수에 넣는다. 케라스에서 핵심 데이터 구조는 모델이고 이 모델을 구성하는 것이 Layer이다. Layers는 뉴런들의 집합이다. model.add(Dense(1, input_dim=1, activation='relu')) 뉴런의 동작 과정은 input 뉴런(노드) ---> 은닉 뉴런(노드) ---> output 뉴런(노드)이다. Dense 레이어는 입력, 출력을 모두 연결해주며, 입력과 출력을 각각 연결해주는 가중치를 포함한다. Dense 레이어는 입력, 출력을 모두 연결해주며 입력과 출력을 각각 연결 해주는 가중치를 포함한다. Dense 첫번째 인자 : 출력 노드로 다음 노드가 은닉층인 경우 은닉층의 노드이다. input_dim=1 : 입력값이 1개이다. activation='relu' : 다른 레이어층으로 전달할때 어떤 활성화 역할 함수를 사용하여 전달힐지 결정한다. 3. 모델 컴파일모델을 훈련 시키기 전에 여러가지 환경 설정을 하여 학습할 준비를 한다.model.compile('SGD', 'mse', metrics=['accuracy'])
첫번째 인자 : optimizer='SGD' Stochastic Gradient Descent (확률적 경사 하강법) 옵티마이저는 손실 함수를 통해 얻은 손실값으로 부터 모델을 업데이트 하는 방식이다. 옵티마이저 값에 따라 모델의 손실 값이 감소 할수 있다. 두번째 인자: loss='mse' mean squared error (평균 제곱 오차) 로스는 데이터 예측값과 실제 값을 비교하는 함수이다. 모델을 훈련 시킬때 오류를 최소화 한다. metrics를 생략하면 모델 평가(evaluate)시 정확도(accuracy)는 출력하지 않는다. 4. 모델 훈련model.fit(x, y, epochs=100, verbose=0)
epochs(에포크) = 100 훈련의 반복 횟수 verbose=0 학습의 진행 상황을 보여줄지를 결정한다. 5. 모델 평가loss_and_metrics = model.evaluate(x, y)
print(loss_and_metrics) 결과) 1/1 [==============================] - 0s 29ms/step - loss: 0.0020 - accuracy: 0.2000 [0.0019654773641377687, 0.20000000298023224] 훈련 데이터와 평가 데이터를 분리해야 하지만 여기서는 간단하게 하기 위해 훈련 데이터를 사용한다. 데이터로 학습후 학습이 잘 되었는지 검증하는 명령이다. 검증 값은 loss와 acc로 나타낸다. acc (accuracy) : 정확도로 1에 가깝고 높을수록 좋다. loss : 실제값과 예측값의 차이를 의미한다. 0에 가까울수록 좋다. 6. 모델 예측predict = model.predict(x).flatten()
print('y', y, ' predict: ', predict) 1/1 [==============================] - 0s 48ms/step y [1 2 3 4 5] predict: [0.924868 1.9536507 2.9824333 4.011216 5.039999 ] predict는 학습된 모델을 사용하여 데이터를 예측한다. flatten() : 다차원을 1차원 배열로 변환해서 읽기 쉽게 해준다. 정확도가 0.2 밖에 안되고, 예측 값이 이상하다. 참고) 학습의 이해 및 간단한 방정식 풀이 https://needjarvis.tistory.com/426 케라스 model.add 검색 튜토리얼1 - Sequential Model 구현 https://ebbnflow.tistory.com/120 Dense 레이어 자세하게 설명 https://ebbnflow.tistory.com/124 https://www.kaggle.com/code/prashant111/keras-basics-for-beginners |