Python Keras 흐름

 

전체적 흐름

[DataSet] -> [Input] -> [Model] -> [Loss처리] -> 학습종료

[Loss처리]에서 손실함수 최소값에 이르면 학습을 종료하고 아니면 다시 [Input]단계로 가서 진행한다.

 

DataSet

TrainData: 학습에 사용, Weight와 Bais를 최적화 하기 위해 사용.

ValidationData: 1epoch마다 과적합(overfitting)을 확인하기 위해 사용(during learning).

TestData: 학습 후에 정확도를 평가하거나 임의의 입력에 대한 결과를 예측하기 위해 사용되는 데이터(after learning).

 

Model

입력층, 은닉층, 출력층으로 구성

Flatten함수: 입력으로 들어오는 다차원 데이터를 1차원으로 정렬하기 위해 사용되는 Layer. 입력 데이터의 차원 수를 input_shape=(1,)과 같이 설정함. Dense에 input_shape를 넣어 Flatten을 생략 가능하다.

Dense함수: 각 층의 입력과 출력 사이에 있는 모든 노드가 서로 연결되는 완전 연결층(FC)을 나타낸다. 첫번째 인자는 출력되는 노드의 수를 나타낸다. 인자 activation에 입력되는 값으로 활성화 방식을 결정한다.

 

activation

linear: 선형회귀 문제에서 사용

일반적인 classification 경우 sigmoid, softmax, relu, tanh 등

 

optimizer

최적화 알고리즘으로 SGD, Adam등이 있다.

이자 learning_rate의 값으로 로 학습률을 지정한다.

 

loss (or cost)

입력과 결과의 차이값에 대한 처리로 모든 값들을 고려해서 처리한다.
모든 값을 단순 덧셈을 하게되면 오차가 있지만 음수와 양수의 합으로 0이 되어 오차가 없는 것인지 판단할 수 없게 된다. 그래서 제곱을 하여 언제나 양수가되게 만들어 확인한다.

손실함수(loss function, cost function) 종류로는 

mse: 평균제곱오차

binary_crossentopy: 이진분류

categorical_crossentropy: 다중 클래스 분류

sparse_categorical_crossentropy 등...

 

metrics

정확도 측정 방법

기본적으로 loss만 측정함 (기본값: metrics=['loss'])

 

모델학습

model.fit함수

x_train: 입력데이터.

t_train: 정답데이터.

epochs: 전체데이터의 반복 회수.

batch_size: 한번에 입력으로 주는 데이터 개수

validation_split: 만약 validation data를 만들지 않았다면 train data에서 얼마의 비율로 validation data를 사용할지 결정.

 

학습결과 평가

model.evaluate함수

x_test: 테스트 데이터

t_test: 정답 데이터

batch_size: 한번에 넣을 입력 개수, 생략가능

 

학습결과 예측

model.predict함수

 

학습결과 저장

재 학습 없이 지속적으로 사용가능.

model.save함수

불러오기: model = tensorflow.keras.models.load_model("modelname.h5") //hdf5파일