njs03332 commented 1 year ago

~11/17 목~ ~11/23 수~ ~12/14~ 12/15 10:20 pm
1: 모델 컴파일, 모델 훈련과 평가
2: 모델을 사용해 예측을 만들기, 10.2.3
3: 10.2.4

givitallugot commented 1 year ago

10.2.2 시퀀셜 API를 사용하여 이미지 분류기 만들기

모델 컴파일

compile 메서드를 호출하여 손실 함수와 옵티마이저를 지정
손실 함수
- sparse_categorical_crossentropy: 각 레이블이 정수로 이뤄지고, 각 샘플마다 클래스 인덱스 하나 나타내므로.
- 만약 샘플마다 클래스별 타깃 확률을 갖고 있다면 ex 3 = [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.] categorical_crossentropy 사용해야 함
- 만약 이진 분류 수행한다면 출력층에 'sigmoid'로 두고, 'binary_crossentropy' 손실 사용해야 함

옵티마이저

sgd: 확률적 경사 하강법으로 모델 훈련, 기본 lr = 0.01

model.compile(loss="sparse_categorical_crossentropy",
          optimizer="sgd",
          metrics=["accuracy"])

모델 훈련과 평가

입력 특성, 타깃 클래스, 에포크 횟수, 검증 세트 전달
케라스는 에포크가 끝날 때마다 검증 세트를 사용해서 손실과 측정 지표 계산

생략했지만, 30번 반복 후 검증 정확도 90.2% 도달


history = model.fit(X_train, y_train, epochs=30,
                validation_data=(X_valid, y_valid))

Epoch 1/30 1719/1719 [==============================] - 5s 2ms/step - loss: 0.7237 - accuracy: 0.7644 - val_loss: 0.5207 - val_accuracy: 0.8234 Epoch 2/30 1719/1719 [==============================] - 3s 2ms/step - loss: 0.4843 - accuracy: 0.8318 - val_loss: 0.4345 - val_accuracy: 0.8538 Epoch 3/30 1719/1719 [==============================] - 3s 2ms/step - loss: 0.4393 - accuracy: 0.8455 - val_loss: 0.5310 - val_accuracy: 0.7986 Epoch 4/30 1719/1719 [==============================] - 3s 2ms/step - loss: 0.4126 - accuracy: 0.8566 - val_loss: 0.3918 - val_accuracy: 0.8644 Epoch 5/30 1719/1719 [==============================] - 3s 2ms/step - loss: 0.3940 - accuracy: 0.8621 - val_loss: 0.3753 - val_accuracy: 0.8680 ...


- 만약 불균형적으로 더 많이 등장하는 클래스가 있다면 fit() 메서드 호출 시 class_weight 매개변수 지정
- 만약 샘플별로 가중치를 부여하고 싶다면 sample_weight 매개변수 지정
- fit() 메서드는 에포크가 끝날 때마다 훈련, 검증 세트에 대한 손실과 측정 지표를 담은 딕셔너리 속성 가짐, 이를 사용해서 dataframe 만들고 plot() 메서드를 호출
```python
import pandas as pd

pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid(True)
plt.gca().set_ylim(0, 1)
save_fig("keras_learning_curves_plot")
plt.show()

훈련 정확도와 검증 정확도가 꾸준히 상승, 손실은 감소
일반적으로 훈련 정확도가 검증 정확도보다 높음, 검증 손실이 여전히 감소한다면 모델이 아직 완전히 수렴되지 않았다고 볼 수 있음
fit() 다시 호출하면 중지된 곳에서 훈련 이어가게 할 수 있음
모델 성능이 만족스럽지 않다면 하이퍼파라미터 튜닝 (ex 레이어 수, 레이어의 뉴런 수, 은닉층의 활성화 함수, 배치 크기 등)
최종으로 테스트 세트로 모델 평가하여 오차 추정 시 evaluate() 메서드 사용

model.evaluate(X_test, y_test)

313/313 [==============================] - 1s 2ms/step - loss: 0.3386 - accuracy: 0.8823
[0.3386382460594177, 0.8823000192642212]

njs03332 commented 1 year ago

10.2.4 함수형 API를 사용해 복잡한 모델 만들기

wide & deep 신경망 - 순차적이지 않은 신경망의 예
- 입력의 일부 또는 전체가 출력층에 바로 연결됨
- 복잡한 패턴과 간단한 규칙을 모두 학습할 수 있음
- 층 전체에 모든 데이터를 통과시키는 경우, 데이터에 있는 간단한 패턴이 연속된 변환으로 인해 왜곡될 수 있음

예시 코드

input_ = keras.layers.Input(shape=X_train.shape[1:])
hidden1 = keras.layers.Dense(30, activation="relu")(input_)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_, hidden2])
output = keras.layers.Dense(1)(concat)
model = keras.models.Model(inputs=[input_], outputs=[output])

hidden1, hidden2, concat, output : 함수형 API -> 만들어지자마자 입력과 함께 함수처럼 호출됨
Concatenate 함수: 두 번째 은닉층의 출력과 입력을 연결함

여러 입력을 사용

일부 특성은 짧은 경로로 전달하고 다른 특성들은 깊은 경로로 전달하고 싶은 경우 사용할 수 있음

input_A = keras.layers.Input(shape=[5], name="wide_input")
input_B = keras.layers.Input(shape=[6], name="deep_input")
hidden1 = keras.layers.Dense(30, activation="relu")(input_B)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_A, hidden2])
output = keras.layers.Dense(1, name="output")(concat)
model = keras.models.Model(inputs=[input_A, input_B], outputs=[output])

fit() 메서드 호출시 입력마다 하나씩 행렬의 튜플 (X_train_A, X_train_B)을 전달해야 함 (X_valid, X_test, X_new에서도 마찬가지)
```
model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))
```

X_train_A, X_train_B = X_train[:, :5], X_train[:, 2:] X_valid_A, X_valid_B = X_valid[:, :5], X_valid[:, 2:] X_test_A, X_test_B = X_test[:, :5], X_test[:, 2:] X_new_A, X_new_B = X_test_A[:3], X_test_B[:3]

history = model.fit((X_train_A, X_train_B), y_train, epochs=20, validation_data=((X_valid_A, X_valid_B), y_valid)) mse_test = model.evaluate((X_test_A, X_test_B), y_test) y_pred = model.predict((X_new_A, X_new_B))

- 여러 개의 출력을 사용
  - 여러 개의 출력이 필요한 경우
    - 여러 출력이 필요한 작업인 경우: 예) 그림에 있는 주요 물체를 분류 (분류 작업) 하고 위치를 알아야 (회귀 작업) 할 때
    - 동일한 데이터에서 독립적인 여러 작업을 수행하는 경우: 작업마다 하나의 출력을 가진 단일 신경망을 훈련하는 것이 작업마다 새로운 신경망을 훈련하는 것보다 보통 더 나은 결과 (여러 작업에 걸쳐 유용한 특성을 학습할 수 있음)
      - 예) 얼굴 사진으로 다중 작업 분류 (multitask classification) - 얼굴 표정 & 안경을 썼는지
    - 규제 기법으로 사용하는 경우: 예) 신경망 구조 안에 보조 출력을 추가하여, 하위 네트워크가 나머지 네트워크에 의존하지 않고 그 자체로 유용한 것을 학습하는지 확인
<img width="566" alt="스크린샷 2022-11-16 오후 9 58 18" src="https://user-images.githubusercontent.com/37107740/202186760-b3022862-0c00-4ff5-b7fb-57f70019e361.png">

```python
output =keras.layers.Dense(1, name='main_ouput')(concat)
aux_output = keras.layers.Dense(1, name='aux_output')(hidden2)
model = keras.Model(inputs=[input_A, input_B], outputs=[output, aux_output])

각 출력은 자신만의 손실 함수가 필요함 -> 모델 컴파일시 손실 리스트를 전달해야 함
- 기본적으로 나열된 손실 모두 더해 최종 손실을 구한 값이 훈련에 사용됨
- 보조 출력보다 주 출력에 관심이 더 많다면 주 출력의 손실에 더 많은 가중치를 부여해야 함 (loss_weights)
```
model.compile(loss=['mse', 'mse'], loss_weights=[0.9, 0.1], optimizer='sgd')
```

각 출력에 대한 레이블 제공

history = model.fit([X_train_A, X_train_B], [y_train, y_train], epochs=20,
                validation_data=([X_valid_A, X_valid_B], [y_valid, y_valid]))

모델 평가시 개별 손실과 함께 총 손실이 반환됨

total_loss, main_loss, aux_loss = model.evaluate([X_test_A, X_test_B], [y_test, y_test])

predict() 메서드는 각 출력에 대한 예측을 반환함
```
y_pred_main, y_pred_aux = model.predict([X_new_A, X_new_B])
```

danbi5228 commented 1 year ago

10.2.2 시퀀셜 API를 사용하여 이미지 분류기 만들기

모델을 사용해 예측을 만들기

predict() 메서드를 사용해서 새로운 샘플에 대한 예측 만들기

실제 새로운 샘플이 없으므로 테스트 세트 샘플 사용

X_new = X_test[:3] y_proba = model.predict(X_new) y_proba.round(2) # array([[0, 0, 0, 0, 0, 0.03, ...], [0, 0, 0.98, 0.02, 0, ...], [0, 1, 0, ...]])

; 3개 샘플의 9개 클래스에 대한 확률값

가장 높은 확률을 가지는 클래스에만 관심이 있다면 predict_classes() 메서드 사용

y_pred = model.predict_classes(X_new) y_pred # array([9, 2, 1]) np.array(class_names)[y_pred] # array(['Ankle boot', 'Pullover', 'Trouser'])

- p.382; 올바르게 분류된 패션이미지 확인

## 10.2.3 시퀀셜 API를 사용하여 회귀용 다층 퍼셉트론 만들기
- 캘리포니아 주택 가격 데이터셋으로 바꾸어 회귀 신경망으로 해결해보기

```python
from sklearn.datasets import fetch_california_housing
from sklean.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 데이터 적재
housing  = fetch_california_housing()

# 훈련/검증/테스트 세트로 데이터 나누기
X_train_full, X_test, y_train_full, y_test = train_test_split(
    hosing.data, housing.target)
X_train, X_valid, y_train, y_valid = train_test_split(
    X_train_full, y_train_full)

# StandardScaler ; 각 특성의 평균값을 빼고 분산을 1로 만드는 형태의 표준화기법
scaler = StandardScaler()
X_train = scaler.fit_trainsform(X_train)
X_valid = scaler.transform(X_valid)
X_test = scaler.transform(X_test)

# 이전 장과 동일하게 회귀용 MLP 구축
# 이전 장과 달리 데이터에 잡음이 많기 때문에 과대적합을 막고자 뉴런 수가 적은 은닉층 하나만 사용
model = keras.models.Squential([
    keras.layers.Dense(30, activation="relu", input_shape=X_train.shape[1:]),
    keras.layers.Dense(1)
])
model.compile(loss="mean_squared_error", optimizer="sgd") # 손실함수와 옵티마이저 지정
history = model.fit(X_train, y_train, epochs=20, validation_data=(X_valid, y_valid) # 각 출력 레이블 확인
mse_test = model.evaluate(X_test, y_test) # 모델 평가; 손실 확인

# 새로운 샘플이 없으므로 테스트셋 샘플 사용해서 예측 결과 확인
X_new = X_test[:3]
y_pred = model.predict(X_new)

njs03332 / ml_study

2022/11/09 ~ 2022/12/15 #50

10.2.2 시퀀셜 API를 사용하여 이미지 분류기 만들기

모델 컴파일

모델 훈련과 평가

10.2.4 함수형 API를 사용해 복잡한 모델 만들기

10.2.2 시퀀셜 API를 사용하여 이미지 분류기 만들기

모델을 사용해 예측을 만들기

실제 새로운 샘플이 없으므로 테스트 세트 샘플 사용

; 3개 샘플의 9개 클래스에 대한 확률값

가장 높은 확률을 가지는 클래스에만 관심이 있다면 predict_classes() 메서드 사용