딥러닝모델구현순서

1. 데이터셋 준비하기
2. 딥러닝 모델 구축하기
3. 모델 학습시키기
4. 평가 및 예측하기

1. 데이터셋 준비하기 : Epoch와 Batch

Epoch:한번의 epoch는 전체 데이터셋에 대해 한번 학습을 완료한 상태
Batch: 나눠진 데이터 셋 (보통 mini-batch라고 표현) iteration는 epoch를 나누어서 실행하는 횟수를 의미

코드 예시

(Dataset API를 사용하여 딥러닝 모델 용 데이터 셋을 생성)

data = np.random.sample((100,2)) 
labels = np.random.sample((100,1))

# numpy array로부터 데이터셋 생성
dataset = tf.data.Dataset.from_tensor_slices((data, labels)) 
dataset = dataset.batch(32)

2.딥러닝 모델 구축하기: 고수준 API 활용

텐서플로우의 패키지로 제공되는 고수준 API
딥러닝 모델을 간단하고 빠르게 구현 가능

딥러닝 모델 구축을 위한 Keras 메소드(1)

모델 클래스 객체 생성

tf.keras.models.Sequential()

모델의 각 Layer 구성

tf.keras.layers.Dense(units, activation)

• units : 레이어 안의 Node의 수
• activation : 적용할 activation 함수 설정

Input Layer의 입력 형태 지정하기

첫번째 즉,InputLayer는 입력 형태에 대한 정보를 필요로 함
input_shape / input_dim 인자 설정하기

모델 구축하기 코드 예시(1)

model = tf.keras.models.Sequential([
		tf.keras.layers.Dense(10, input_dim=2, activation=‘sigmoid’), 
        tf.keras.layers.Dense(10, activation=‘sigmoid'), 
        tf.keras.layers.Dense(1, activation='sigmoid'),
])

딥러닝 모델 구축을 위한 Keras 메소드(2)

모델에 Layer 추가하기

[model].add(tf.keras.layers.Dense(units, activation))

• units : 레이어 안의 Node의 수
• activation : 적용할 activation 함수 설정

모델 구축하기 코드 예시(2)

model = tf.keras.models.Sequential()

model.add(tf.keras.layers.Dense(10, input_dim=2, activation=‘sigmoid’)) 
model.add(tf.keras.layers.Dense(10, activation=‘sigmoid’)) 
model.add(tf.keras.layers.Dense(1, activation='sigmoid’))

3. 딥러닝 모델 학습시키기 : Keras 메소드

모델 학습 방식을 설정하기 위한 함수

[model].compile(optimizer, loss)

• optimizer : 모델 학습 최적화 방법
• loss : 손실 함수 설정

모델을 학습시키기 위한 함수

[model].fit(x, y)

• x : 학습데이터
• y : 학습 데이터의 label

딥러닝 모델 학습시키기 코드 예시

model.compile(loss='mean_squared_error’, optimizer=‘SGD')
model.fit(dataset, epochs=100)

4.평가및예측하기:Keras메소드

모델을 평가하기 위한 메소드

[model].evaluate(x, y)

• x : 테스트 데이터
• y : 테스트 데이터의 label

모델로 예측을 수행하기 위한 함수

[model].predict(x)

• x : 예측하고자 하는 데이터

평가및예측하기코드예시

# 테스트 데이터 준비하기
dataset_test = tf.data.Dataset.from_tensor_slices((data_test, labels_test)) 
dataset_test = dataset.batch(32)

# 모델 평가 및 예측하기 
model.evaluate(dataset_test) 
predicted_labels_test = model.predict(data_test)