Day59 - 데이터베이스-오라클(11). 케라스(1) 22.11.18.금

---

linsapce와 arange 차이점

• np.linsapce (시작,끝,숫자)
  : 처음, 끝 값 포함한다.
  : 숫자 강조시 사용

• np.arange ([시작],끝,[구간])
  : 끝 값 포함하지 않음. []로 생략가능
  : 범위, 구간 강조시 사용(소수점 표시)

---

import

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from keras import Sequential   
from keras import optimizers  
from keras.layers import Input ,Dense   

최종 정리

x = np.linspace(-1,1,1000)

np.random.shuffle(x)

model = Sequential() 
model.add(Input(1))  
model.add(Dense(units=10,activation='tanh'))   
model.add(Dense(units=10,activation='tanh'))
model.add(Dense(units= 1))   

model.compile(optimizer='SGD',loss="mse",metrics='mse')

n=800
model.fit(x[:n],x[:n]**2,epochs=100,verbose=0,batch_size=32 )

preds = model.predict(x[n:])

plt.scatter(x[:n],x[:n]**2)
plt.scatter(x[n:],preds)

---

(1) import

import keras

# 2-1) p61
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels)= mnist.load_data()

print(train_images.shape)
plt.imshow(train_images[0], cmap="gray") 

(2) 한줄 세우기

from keras.layers import Dense

# 2-4) 이미지 데이터 준비 p63
train_images=train_images.reshape(60000,28*28) #한줄로 서는 과정
train_images=train_images/255.0

test_images=test_images.reshape(10000,28*28) #한줄로 서는 과정
test_images=test_images/255.0

(3) fit,preds

# 2-2) 신경망 구조 p62
from keras.engine import Sequential
model = Sequential()
model.add(Dense(512,activation='relu'))
model.add(Dense(10,activation='softmax'))

# (2-3) 컴파일 단계 p63
model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy',metrics='acc')

# 2-5)모델 훈련하기 p64
model.fit(train_images,train_labels,epochs=5,batch_size=128)

preds = model.predict(test_images)

---

(2-2) 층. p62

신경망의 핵심 구성요소는 층입니다. 층은 데이터를 위한 필터로 생각할 수 있습니다.
어떤 데이터가 들어가면 더 유용한 형태로 출력됩니다. 조금 더 구체적으로 층은 주어진 문제에 더 의미 있는 표현을 입력된 데이터로부터 추출합니다. 대부분의 딥러닝은 간단한 층을 연결하여 구성되어 있고, 점진적으로 데이터를 정제하는 형태를 띠고 있습니다. 딥러닝 모델은 데이터 정제 필터 층이 연속되어 있는 데이터 프로세싱을 위한 여과기와 같습니다. 이 예에서는 조밀하게 연결된 (완전 연결된) 신경망 층인 Dense층 2개가 연속되어 있습니다. 두번째 층(마지막 층)은 10개의 확률 점수가 들어있는 배열을 반환하는 소프트맥스 분류 층입니다. 각 점수는 현재 숫자 이미지가 10개의 숫자 클래스 중 하나에 속할 확률입니다.

※신경망이 훈련 준비를 마치기 위해서 컴파일 단계에 포함된 세가지가 더 필요합니다.※

• 옴티마이저: 성능을 향상시키기 위해 입력된 데이터를 기반으로 모델을 업데이트 하는 메커니즘입니다.
• 손실 함수: 훈련 데이터에서 모델이 성능을 측정하는 방법으로 모델이 옳은 방향으로 학습될 수 있도록 도와줍니다.
• 훈련과 테스트 과정을 모니터일할 지표: 여기에서는 정확도 (정확히 분류된 이미지의 비율) 만 고려하겠습니다.

---

(4) evaluate

model.evaluate(test_images, test_labels)

model.fit(train_images,train_labels,epochs=5,batch_size=128)

# 2-7) 새로운 데이터 모델 평가하기 p65
loss,acc=model.evaluate(test_images,test_labels)
print(f'손실은{loss} 이고 정확도는 {acc}입니다.')

---

---

출처:
https://all-record.tistory.com/151
https://colab.research.google.com/drive/1oCD4jjXsLPnfX19JchWUXznEXTm27CzV?hl=ko#scrollTo=HHVg1wMST67p