[혼자 공부하는 머신러닝 + 딥러닝] 17강_인공 신경망: 간단한 인공 신경망 모델 만들기

17강_인공신경망: 간단한 인공 신경망 모델 만들기



패션 MNIST

  • MNIST
    • 딥러닝을 처음 배울 때 많이 사용하는 데이터 셋.
    • 0~9 까지의 숫자로 이루어져 있음
    • MNIST 와 크기, 개수가 동일하지만 숫자 대신 패션 아이템으로 이루어진 데이터.
  • 텐서플로우(케라스)를 사용해 데이터를 불러옴


로지스틱 회귀로 패션 아이템 분류하기 

  • 확률적 경사 하강법
    • 샘플을 하나씩 꺼내서 모델을 훈련하는 방법.
  • 넘파이 배열의 바이트 크기
    • nbytes 속성에 저장되어 있음.


인공 신경망

  • 출력층
    • 신경망의 최종 값을 만든다는 의미
  • 뉴런
    • z 값을 계산하는 단위
  • 유닛
    • 뉴런이라는 표현 대신에 부름
  • 입력층
    • 픽셀값 자체, 특별한 계산을 수행하지 않음. 
  • 1943년 워런 매컬러와 월터 피츠가 제안한 뉴런 모델
    • 매컬러-피츠 뉴런
      • 생물학적 뉴런에서 영감을 얻음
  • 기존의 머신러닝 알고리즘이 잘 해결하지 못했던 문제에서 높은 성능을 발휘하는 새로운 종류의 머신러닝 알고리즘일 뿐.
  • 딥러닝
    • 인공신경망과 거의 동의어로 사용됨
    • 혹은 심층 신경망을 딥러닝이라고 함. 
      • 여러 개의 층을 가진 인공 신경망



텐서플로와 케라스

  • 텐서플로
    • 구글이 2015년 11월 오픈소스로 공개한 딥러닝 라이브러리
    • 알파고가 이세돌 9단을 이겨 폭발적 인기 끔.
  • 케라스
    • 텐서플로의 고수준 API 
    • 2015년 3월 프랑소와 숄레가 만든 딥러닝 라이브러리
      • 그래픽 처리 장치인 GPU 사용하여 인공 신경망 훈련 (벡터와 행렬 연산에 매우 최적화)
    • 멀티-백엔드 케라스



인공 신경망으로 모델 만들기 

  • 인공 신경망에서 교차 검증을 사용하지 않고 검증 세트를 사용하는 이유
    • 딥러닝 분야의 데이터셋은 충분히 크기 때문에 검증 점수가 안정적
    • 교차 검증을 수행하기에는 훈련 시간이 너무 오래 걸리기 때문. 
  • 밀집층
  • 완전 연결층
  • 활성화 함수
    • 소프트맥스와 같이 뉴런의 선형 방정식 계산 결과에 적용되는 함수



인공 신경망으로 패션 아이템 분류하기

  • 케라스 모델은 훈련하기 전 설정 단계가 있고 model 객체의 compile() 메서드에서 수행 (손실 함수의 종류 지정, 계산하고 싶은 측정값 지정)
  • 양성 클래스와 음성 클래스에 대한 크로스 엔트로피 계산
  • 원-핫 인코딩
    • 타깃값을 해당 클래스만 1이고 나머지는 모두 0인 배열로 만드는 것
    • 다중 분류에서 크로스 엔트로피 손실 함수를 사용하려면 0,1,2 와 같이 정수로 된 타깃값을 원-핫 인코딩으로 변환해야함 
    • sparse_categorical_crossentropy
  • 케라스는 에포크마다 걸린 시간과 손실(loss), 정확도(accuracy)를 출력해 줌. 
  • 검증 세트에서 모델의 성능 확인 (evaluate() 메서드)


인공 신경망 모델로 성능 향상

  • MNIST 데이터셋 사용
  • 로지스틱 손실함수를 사용한 SGDClassifier 모델로 교차 검증 점수를 확인
  • 케라스를 사용해 간단한 인공 신경망 모델을 만들어 패션 아이템을 분류함. 
    • 경사 하강법 사용한 로지스틱 회귀 모델과 거의 비슷
  • 신경망에서의 손실 함수 계산법과 원-핫 인코딩
  • 사이킷런의 SGDClassifier와 케라스의 Sequential 클래스 사용법의 차이


키워드로 끝내는 핵심 포인트

  • 인공 신경망
    • 생물학ㅈ적 뉴런에서 영감을 받아 만든 머신러닝 알고리즘
    • 기존의 머신러닝 알고리즘으로 다루기 어려웠던 이미지, 음성, 텍스트 분야에서 뛰어난 성능을 발휘하면서 크게 주목받고 있으며 종종 딥러닝이라고도 부름
  • 텐서 플로우 
    • 구글이 만든 딥러닝 라이브러리로 매우 인기가 높음. 
    • CPU와  GPU를 사용해 인공신경망 모델을 효율적으로 훈련하며 모델 구축과 서비스에 필요한 다양한 도구를 제공함. 
    • 텐서플오우 2.0부터는 신경망 모델을 빠르게 구성할 수 있는케라스를 핵심 API로 채택함. 케라스를 사용하면 간단한 모델에서 아주 복잡한 모델까지 손쉽게 만들 수 있음
  • 밀집층
    • 가장 간단한 인공 신경망의 층
    • 인공 신경망에는 여러 종류의 층이 있음.
    • 밀집층에서는 뉴런들이 모두 연결되어 있기 때문에 완전 연결 층이라도 부름. 
    • 특별히 출력층에 밀집층을 사용할 때는 분류하려는 클래스와 동일한 개수의 뉴런을 사용. 
  • 원-핫 인코딩
    • 정숫값을 배열에서 해당 정수 위치의 원소만 1이고 나머지는 모두 0으로 변환함. 이런 변환이 필요한 이유는 다중 분류에서 출력층에서 만든 확률과 크로스 엔트로피 손실을 계산하기 위해서임. 
    • sparse_categorical_entropy 손실 지정


핵심 패키지와 함수

  • Tensorflow
    • Dense
      • 신경망에서 가장 기본 층인 밀집층을 만드는 클래스
    • Sequenrial
      • 케라스에서 신경망 모델을 만드는 클래스 
    • compile()
      • 모델 객체를 만든 후 훈련하기 전에 사용할 손실 함수와 측정 지표 등을 지정하는 메서드
    • fit()
      • 모델을 훈련하는 메서드
    • evaluate()
      • 모델 성능을 평가하는 메서드

확인 문제

  • 어떤 인공 신경망의 입력 특성이 100 개 이고 밀집층에 있는 뉴런 개수가 10개 일 때 필요한 모델 파라미터의 개수는 몇개 인가?
  • 케라스의 Dense 클래스를 사용해 신경망의 출력층을 만들려고 함. 
  • 이 신경망이 이진 분류 모델이라면 activation 매개변수에 어떤 활성화 함수를 지정해야하나?
  • 케라스 모델에서 손실 함수와 측정 지표 등을 지정하는 메서드는 ?
  • 정수 레이블을 타깃으로 가지는 다중 분류 문제일 때 케라스 모델의 compile() 메서드에 지정할 손실 함수로 적절한 것은 무엇인가?




댓글

댓글 쓰기

이 블로그의 인기 게시물

[솔트룩스] 새싹 인공지능 응용 SW 개발자 양성과정 | 24일차 | 5. 머신러닝 (2)

이미지
  2022.01.17  | 24일차 | 5. 머신러닝 (2)     - 권혜윤 강사님 ( yujinkwon@nate.com )     - Decision Tree 수업 내용 코드 (코랩)     - Random Forest 수업 내용 코드 (코랩)      Decision Tree 분리 기준 (Split Criterion)  부모 마디로부터 자식 마디들이 형성될 때, 생성된 자식 노드에 속하는 자료의 순수도가 가장 크게 증가하도록 트리를 형성하며 진행 입력 변수를 이용해 목표 변수의 분포를 얼마나 잘 구별하는 정도를 파악해 자식 마디가 형성되는데, 목표 변수의 구별 정도를 불순도에 의해 측정 지니 지수 (Gini Index) : 데이터 집합의 불순도를 측정 0~1 사이의 값 어떤 데이터 집합에 속한 개체들이 같은 범주로 구성되어 있으면 지니 지수는 최솟값이 0을 갖고, 해당 데이터 집합은 순수하다고 볼 수 있음. 즉, 지니 지수가 작을수록 잘 분류된 것. Tree 만든 데이터는 정확도가 100%  데이터 보고 Gini 계산해서 Tree를 만들었기 때문 모든 데이터로 Tree를 만들어서 만든 Tree가 정확한 Tree인지 알 수 없음 해결방안 전체 75% 로 Tree를 만들고 (Train Set), 일부 25% 는 보관 (Test Set), 나중에 Test set 데이터로 Tree가 얼마나 정확한지 측정 강의자료 실습 Decision Tree [실습교재코드] 패키지 설명  Scikit-learn (sklearn) Python 프로그래밍 언어용 기계학습(Machine Learning) 관련 라이브러리 (Library) sklearn.metrics scikit-learn 패키지 중 모형평가에 사용되는 서브 패키지 classification_report: 주요 분류 측정 항목을 보여주는 보고서 모듈 confusion_matrix: 분류...
자세한 내용 보기

[혼자 공부하는 머신러닝 + 딥러닝] 10강_확률적 경사 하강법 알아보기

이미지
10강_확률적 경사 하강법 알아보기 경사 하강법 알고리즘을 이해하고 대량의 데이터에서 분류 모델을 훈련하는 방법을 배움.  <혼자 공부하는 머신러닝+딥러닝>의 코드 저장소 확률적 경사 하강법 점진적인 학습 앞서 훈련한 모델을 버리지 않고 새로운 데이터에 대해서만 조금씩 더 훈련하는 방법 (온라인 학습)  대표적인 점진적 학습 알고리즘은 확률적 경사 하강법 확률적 경사 하강법  훈련 세트에서 랜덤하게 하나의 샘플을 고르는 것  가장 가파른 길을 찾아 내려오지만 조금씩 내려오는 것이 중요 (모델 훈련) 확률적 전체 샘플을 사용하지 않고 딱 하나의 샘플을 훈련 세트에서 랜덤하게 골라 가장 가파른 길을 찾음.  에포크 훈련 세트를 한 번 모두 사용하는 과정 미니배치 경사 하강법 여러 개의 샘플을 사용해 경사 하강법을 수행하는 방식 배치 경사 하강법 극단적으로 한 번 경사로를 따라 이동하기 위해 전체 샘플을 사용하는 것. 가장 안정적인 방법이나 컴퓨터 자원을 많이 사용함.  신경망 모델이 확률적 경사 하강법이나 미니배치 경사 하강법을 사용함.  손실함수 어떤 문제에서 머신러닝 알고리즘이 얼마나 엉터리인지를 측정하는 기준 손실함수와 비용함수 손실 함수는 샘플 하나에 대한 손실을 정의하고 비용 함수는 훈련 세트에 있는 모든 샘플에 대한 손실 함수의 합을 말함.  손실함수는 미분 가능해야함.  로지스틱 회귀 모델의 확률 출력 로지스틱 손실 함수 (이진 크로스엔트로피 손실 함수) 양성 클래스(타깃 = 1)일 때 손실은 -log(예측 확률)로 계산 확률이 1에서 멀어질수록 손실은 아주 큰 양수가 됨.  음성 클래스(타깃 = 0)일 때 손실은 -log(1-예측확률)로 계산 이 예측 확률이 0에서 멀어질수록 손실은 아주 큰 양수가 됨.  이진 분류는 로지스틱 손실 함수를 사용하고 다중 분류는 크로스엔트로피 손실 함수를 사용.  - 회귀는 어떤 손실함수를 사용하나? '...
자세한 내용 보기