[케라스] Keras 개요 및 개념 잡기

* 김태영님 동영상(https://youtu.be/cJpjAmRO_h8) 강의 정리 노트 

* 참고: 김태영님 블로그(https://tykimos.github.io/)

 

케라스란?

케라스(Keras)는 파이썬으로 작성된 오픈 소스 신경망 라이브러리이며, CPU와 GPU에서 실행할 수 있습니다.

 

내부적으로는 TensorFlow, Theano, CNTK 등의 딥러닝 전용 엔진이 구동되지만 케라스 사용자는 복잡한 내부 엔진을 알 필요는 없습니다. 케라스는 직관적인 API를 제공하고 있어, 딥러닝 모델의 프로토타입을 빠르게 만들 수 있습니다. 

 

기본 산식

이공식만 이해 할 수 있는 수학 실력자라면 누구나 할 수 있다. -김성훈 교수-

 

딥러닝 프레임워크 주요 특징

 

딥러닝 프레임워크 트랜드 (구글 검색 트랜드)

 

 

 

 

딥러닝 모델 작성 순서

1) 데이터셋 생성하기

• 원본 데이터를 불러오거나 시뮬레이션을 통해 데이터를 생성.
• 훈련셋, 검증셋, 시험셋을 생성.
• 딥러닝 모델의 학습 및 평가를 할 수 있도록 포맷 변환.

2) 모델 구성하기

• 시퀀스 모델을 생성한 뒤 필요한 레이어 구성.

3) 모델 학습과정 설정하기

• 학습에 대한 설정을 수행.
• 손실 함수 및 최적화 방법을 정의.
• compile() 함수를 사용.

4) 모델 학습시키기

• 훈련셋을 이용하여 구성한 모델로 학습.
• fit() 함수를 사용.

5) 학습과정 살펴보기

• 모델 학습 시 훈련셋, 검증셋의 손실 및 정확도를 측정.(반복횟수 조정)

6) 모델 평가하기

• 준비된 시험셋으로 학습한 모델을 평가.
• 케라스에서는 evaluate() 함수를 사용.

7) 모델 사용하기

• 임의의 입력으로 모델의 출력을 얻습니다.
• predict() 함수를 사용.

 

예제

# 0. 사용할 패키지 불러오기

from keras.utils import np_utils

from keras.datasets import mnist

from keras.models import Sequential

from keras.layers import Dense, Activation

 

# 1. 데이터셋 생성하기

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.reshape(60000, 784).astype('float32') / 255.0

x_test = x_test.reshape(10000, 784).astype('float32') / 255.0

y_train = np_utils.to_categorical(y_train)

y_test = np_utils.to_categorical(y_test)

 

# 2. 모델 구성하기

model = Sequential()

model.add(Dense(units=64, input_dim=28*28, activation='relu'))

model.add(Dense(units=10, activation='softmax'))

 

# 3. 모델 학습과정 설정하기

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

 

# 4. 모델 학습시키기

hist = model.fit(x_train, y_train, epochs=5, batch_size=32)

 

# 5. 학습과정 살펴보기

print('## training loss and acc ##')

print(hist.history['loss'])

print(hist.history['acc'])

 

# 6. 모델 평가하기

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=32)

print('## evaluation loss and_metrics ##')

print(loss_and_metrics)

 

# 7. 모델 사용하기

xhat = x_test[0:1]

yhat = model.predict(xhat)

print('## yhat ##')

print(yhat)