파이썬:keras(딥러닝): 두 판 사이의 차이

시각위키텍스트

2020년 10월 20일 (화) 18:43 판

파이썬 공부를 위한 틀 틀:파이썬

개요

딥러닝 모델을 간편하게 만들고 훈련하기 위한 프레임워크.

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

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

텐서플로, 씨아노 등을 백엔드 엔진으로 사용할 수 있다.

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

;;; import layers

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

#마지막 층에선 확률을 측정하기 위해서 시그모이드 함수를 사용한다. 출력값을 확률처럼 해석하기 위해서.

훈련

훈련 직전. 데이터 조정.

network.compile(optimizer='', loss='', metrics=['']) #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.

t

@@ 1번째 줄: / 1번째 줄: @@
 {{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 ===
+년 기준, 웹 검색 트렌드에서 텐서플로 다음으로 2위를 차지하고 있다.
+텐서플로, 씨아노 등을 백엔드 엔진으로 사용할 수 있다.<br />
+==사용법==
+===데이터셋 가져오기===
 mnist의 데이터셋을 가져온다.
@@ 13번째 줄: / 19번째 줄: @@
 (train_images, train_labels), (test_images, test_labels) =
-=== 신경망 생성 ===
+===신경망 생성===
 from keras import models
 <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])
-=== 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.
+t