파이썬:keras(딥러닝) - 편집 역사

2020년 10월 21일 (수) 14:41에 Sam님의 편집

2020-10-21T14:41:29Z

← 이전 판		2020년 10월 21일 (수) 14:41 판
28번째 줄:		28번째 줄:
	network.add(layers.Dense(유닛갯수, activation='활성화함수이름', input_shape=(입력크기 30*30 등,))) #첫번째 층. 유닛갯수는 출력값을 몇개로 할 것인가.		network.add(layers.Dense(유닛갯수, activation='활성화함수이름', input_shape=(입력크기 30*30 등,))) #첫번째 층. 유닛갯수는 출력값을 몇개로 할 것인가.

	network.add(layers.Dense(유닛갯수, activation='활성화함수이름')) #2층. 나오는 층으로, 0~9까지의 구분을 하기 위한 층이다. 유닛갯수는 출력값 갯수.		network.add(layers.Dense(유닛갯수, activation='활성화함수이름')) #2층. 나오는 층으로, 0~9까지의 구분을 하기 위한 층이다. 유닛갯수는 출력값 갯수. 1이면 0과 1을 표현한다. 2면 4가지 조합 가능.

	network.compile(optimizer='어떻게 최적화할 것인가', loss='손실함수', metrics=['모니터링지표])		network.compile(optimizer='어떻게 최적화할 것인가', loss='손실함수', metrics=['모니터링지표])
36번째 줄:		36번째 줄:
	===훈련===		===훈련===

	==== 훈련 직전. 데이터 조정. ====		====훈련 직전. 데이터 조정.====
	network.compile(optimizer=<nowiki>''</nowiki>, loss=<nowiki>''</nowiki>, metrics=[<nowiki>''</nowiki>]) #따옴표 안에 적절한 것을 넣는다.		network.compile(optimizer=<nowiki>''</nowiki>, loss=<nowiki>''</nowiki>, metrics=[<nowiki>''</nowiki>]) #따옴표 안에 적절한 것을 넣는다.

	==== 레이블을 범주형으로 ====		====레이블을 범주형으로====
	분류모델일 경우, from keras.utils import to_categorical 을 불러, 레이블=to_categorical(레이블) 을 해주어 해당 분류를 벡터화해준다.		분류모델일 경우, from keras.utils import to_categorical 을 불러, 레이블=to_categorical(레이블) 을 해주어 해당 분류를 벡터화해준다.

46번째 줄:		46번째 줄:
	train_images=train_images.astype('float32')/255 #0~255사이의 값을 0~1 사이의 값으로 변환시킨다.		train_images=train_images.astype('float32')/255 #0~255사이의 값을 0~1 사이의 값으로 변환시킨다.

	==== 훈련 ====		====훈련====
	network.fit(train_images, train_lables, epochs=숫자, batch_size=128)		network.fit(train_images, train_lables, epochs=숫자, batch_size=128)

	=== 검증 ===		===검증===
	test_loss, test_acc = network.evaluate(test_image, test_labels) #정확도를 판별한다.		test_loss, test_acc = network.evaluate(test_image, test_labels) #정확도를 판별한다.

	t		t

			== 이외기능 ==
			L1,L2규제 등으로 적합도를 늘릴 수도 있다.

			드롭아웃도 제공한다.

Sam: /* 개요 */

2020-10-20T09:43:22Z

개요

← 이전 판		2020년 10월 20일 (화) 09:43 판
1번째 줄:		1번째 줄:
	{{파이썬}}		{{파이썬}}

	== 개요 ==		==개요==
	~~<br />~~		딥러닝 모델을 간편하게 만들고 훈련하기 위한 프레임워크.

	~~== 사용법 ==~~		동일한 코드로 CPU, GPU에서 실행이 가능하며, 다양한 api를 제공해 프로토타입을 빠르게 생성 가능하다. 합성곱 신경망, 순환신경망을 지원한다.

	=== 데이터셋 가져오기 ===		2020년 기준, 웹 검색 트렌드에서 텐서플로 다음으로 2위를 차지하고 있다.

			텐서플로, 씨아노 등을 백엔드 엔진으로 사용할 수 있다.<br />

			==사용법==

			===데이터셋 가져오기===
	mnist의 데이터셋을 가져온다.		mnist의 데이터셋을 가져온다.

13번째 줄:		19번째 줄:
	(train_images, train_labels), (test_images, test_labels) =		(train_images, train_labels), (test_images, test_labels) =

	=== 신경망 생성 ===		===신경망 생성===
	from keras import models		from keras import models

	<nowiki>;;;</nowiki> import layers		<nowiki>;;;</nowiki> import layers

	network = models.Sequential() #Sequential은 층을 차례로 추가한 모델이라는 의미.		network = models.Sequential() #Sequential은 층을 차례로 추가한 모델이라는 의미. 층을 정의하고 아래의 add를 통해 쌓는다.

	network.add(layers.Dense(유닛갯수, activation='활성화함수이름', input_shape=(입력크기 30*30 등,))) #첫번째 층		network.add(layers.Dense(유닛갯수, activation='활성화함수이름', input_shape=(입력크기 30*30 등,))) #첫번째 층. 유닛갯수는 출력값을 몇개로 할 것인가.

	network.add(layers.Dense(유닛갯수, activation='활성화함수이름')) #2층. 나오는 층으로, 0~9까지의 구분을 하기 위한 층이다.		network.add(layers.Dense(유닛갯수, activation='활성화함수이름')) #2층. 나오는 층으로, 0~9까지의 구분을 하기 위한 층이다. 유닛갯수는 출력값 갯수.

	network.compile(optimizer='어떻게 최적화할 것인가', loss='손실함수', metrics=['모니터링지표])		network.compile(optimizer='어떻게 최적화할 것인가', loss='손실함수', metrics=['모니터링지표])

	=== 훈련 ===		<nowiki>#</nowiki>마지막 층에선 확률을 측정하기 위해서 시그모이드 함수를 사용한다. 출력값을 확률처럼 해석하기 위해서.
	network.~~fit~~
			===훈련===

			==== 훈련 직전. 데이터 조정. ====
			network.compile(optimizer=<nowiki>''</nowiki>, loss=<nowiki>''</nowiki>, metrics=[<nowiki>''</nowiki>]) #따옴표 안에 적절한 것을 넣는다.

			==== 레이블을 범주형으로 ====
			분류모델일 경우, from keras.utils import to_categorical 을 불러, 레이블=to_categorical(레이블) 을 해주어 해당 분류를 벡터화해준다.

			train_images=train_images.reshape((데이터수, input수))

			train_images=train_images.astype('float32')/255 #0~255사이의 값을 0~1 사이의 값으로 변환시킨다.

			==== 훈련 ====
			network.fit(train_images, train_lables, epochs=숫자, batch_size=128)

			=== 검증 ===
	test_loss, test_acc = network.evaluate(test_image, test_labels) #정확도를 판별한다.		test_loss, test_acc = network.evaluate(test_image, test_labels) #정확도를 판별한다.

			t

Sam: 새 문서: {{파이썬}} == 개요 ==
== 사용법 == === 데이터셋 가져오기 === mnist의 데이터셋을 가져온다. from keras.datasets import mnist (train_images, train_l...

2020-10-19T13:48:39Z

새 문서: {{파이썬}} == 개요 == <br /> == 사용법 == === 데이터셋 가져오기 === mnist의 데이터셋을 가져온다. from keras.datasets import mnist (train_images, train_l...

새 문서

{{파이썬}}

== 개요 ==
<br />

== 사용법 ==

=== 데이터셋 가져오기 ===
mnist의 데이터셋을 가져온다.

from keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) =

=== 신경망 생성 ===
from keras import models

<nowiki>;;;</nowiki> import layers

network = models.Sequential() #Sequential은 층을 차례로 추가한 모델이라는 의미.

network.add(layers.Dense(유닛갯수, activation='활성화함수이름', input_shape=(입력크기 30*30 등,))) #첫번째 층

network.add(layers.Dense(유닛갯수, activation='활성화함수이름')) #2층. 나오는 층으로, 0~9까지의 구분을 하기 위한 층이다.

network.compile(optimizer='어떻게 최적화할 것인가', loss='손실함수', metrics=['모니터링지표])

=== 훈련 ===
network.fit

test_loss, test_acc = network.evaluate(test_image, test_labels) #정확도를 판별한다.

파이썬:keras(딥러닝) - 편집 역사

2020년 10월 21일 (수) 14:41에 Sam님의 편집

Sam: /* 개요 */

Sam: 새 문서: {{파이썬}} == 개요 == == 사용법 == === 데이터셋 가져오기 === mnist의 데이터셋을 가져온다. from keras.datasets import mnist (train_images, train_l...

Sam: 새 문서: {{파이썬}} == 개요 ==
== 사용법 == === 데이터셋 가져오기 === mnist의 데이터셋을 가져온다. from keras.datasets import mnist (train_images, train_l...