"Keras"의 두 판 사이의 차이

Pywiki
둘러보기로 가기 검색하러 가기
잔글 (→‎설치)
 
(사용자 2명의 중간 판 17개는 보이지 않습니다)
1번째 줄: 1번째 줄:
 
== 개요 ==
 
== 개요 ==
−
케라스. 원래 시에노 엔진을 편리하게 사용하려 개발했으나, 이후 사용할 수 있는 엔진이 점차 늘어났다. 사용자가 인공지능을 쉽게 구현하는 데 도움을 주는 인터페이스 제공.
 
  
−
TensorFlow 등으로 코드를 작성하는 일은 쉽지 않다. 거쳐야 하는 과정도 많고. 텐서플로우 위에서 이를 직관적이고 간편하게 이용할 수 있게 해주는 도구이다.
+
=== 설치 ===
 +
간단히 pip install keras를 통해  설치하거나.. 최근엔 텐서플로우를 설치하면 그 안에 설치되어 있다. 어차피 백엔드로 텐서플로우를 사용하는 경우가 많을테니.. 텐서플로우만 설치하면 된다.
 +
 
 +
==== 설치 확인 ====
 +
<syntaxhighlight lang="python">
 +
import keras
 +
print(keras.__version__)
 +
</syntaxhighlight>
  
−
머신러닝 라이브러리인 Theano와 TensorFlow를 백엔드로 사용하는 라이브러리.
+
== 데이터 처리 ==
 +
데이터 입럭은 3가지 형태로 이루어진다.
  
−
=== 설치 ===
+
# 넘파이 배열. 일반적인 데이터과학에서 자주 사용되는 형태.
 +
#:- 데이터 과학에서 pandas의 dataframe을 많이 사용하는데, 이를 넘파이의 ndarray로 변환하여야 사용할 수 있다. <code>train_x = df.values</code>형태로 ndarray 값을 얻을 수 있다.
 +
# 텐서플로우의 데이터셋 오브젝트. 성능행상에 도움.
 +
#:- 이미지 파일을 데이터셋화 : tf.keras.preprocessing.image_dataset_from_directory
 +
#:- 텍스트 파일을 데이터셋화 : tf.keras.preprocessing.text_dataset_from_directory
 +
#:- CSV 파일을 데이터셋화 : tf.data.experimental.make_csv_dataset
 +
# 파이썬 제너레이터.
 +
 
 +
https://keras.io/getting_started/intro_to_keras_for_engineers/
 +
위 링크에 정규화, 텍스트 배열 등의 전략이 소개되어 있다.
 +
 
 +
=== 텐서플로우 데이터셋 오브젝트 예시 ===
 
{| class="wikitable"
 
{| class="wikitable"
 
!의도
 
!의도
12번째 줄: 30번째 줄:
 
!방법
 
!방법
 
|-
 
|-
−
|케라스 설치
+
|이미지
−
|그냥 파이썬을 이용하는 경우.
+
|
−
|pip install keras
+
|<syntaxhighlight lang="python">
 +
dataset = keras.preprocessing.image_dataset_from_directory(
 +
  'path/to/main_directory', batch_size=64, image_size=(200, 200))
 +
 
 +
# For demonstration, iterate over the batches yielded by the dataset.
 +
for data, labels in dataset:
 +
  print(data.shape)  # (64, 200, 200, 3)
 +
  print(data.dtype)  # float32
 +
  print(labels.shape)  # (64,)
 +
  print(labels.dtype)  # int32
 +
</syntaxhighlight>
 
|-
 
|-
−
|conda사용
+
|텍스트
−
|아나콘다를 설치하고 이를 이용해 설치하면 텐서플로 등의 엔진들도 자동으로 설치해준다.
+
|
−
|conda install keras-gpu
+
|<syntaxhighlight lang="python">
−
conda install keras  # gpu가 없는 경우.
+
dataset = keras.preprocessing.text_dataset_from_directory(
 +
  'path/to/main_directory', batch_size=64)
 +
 
 +
# For demonstration, iterate over the batches yielded by the dataset.
 +
for data, labels in dataset:
 +
  print(data.shape)  # (64,)
 +
  print(data.dtype)  # string
 +
  print(labels.shape)  # (64,)
 +
  print(labels.dtype)  # int32
 +
</syntaxhighlight>
 +
|-
 +
|CSV
 +
|
 +
|<syntaxhighlight lang="python">
 +
# Set Feature_B as label column
 +
dataset = tf.data.experimental.make_csv_dataset(
 +
    filename, batch_size=2, label_name="Feature_B")
 +
iterator = ds.as_numpy_iterator()
 +
print(next(iterator))
 +
# prints (features, labels) tuple:
 +
# (OrderedDict([('Feature_A', array([1, 2], dtype=int32))]),
 +
#  array([b'a', b'b'], dtype=object))
 +
</syntaxhighlight>
 
|}
 
|}
  
42번째 줄: 92번째 줄:
 
x = csv[['열1', '열2']].as_matrix()  # 넘파이배열로 바꾸어 x에 담는다.
 
x = csv[['열1', '열2']].as_matrix()  # 넘파이배열로 바꾸어 x에 담는다.
 
</syntaxhighlight>
 
</syntaxhighlight>
 +
|}
 +
 +
=== 신경망 모델 제작 ===
 +
{| class="wikitable"
 +
!의도
 +
!설명
 +
!방법
 +
|-
 +
|모듈 불러오기
 +
|layers : 각 계층을 만드는 모듈.
 +
models : 각 레이어들을 연결하여 신경망모델을 만든 후 컴파일하고 학습시키는 역할.
 +
|<syntaxhighlight lang="python">
 +
from keras import layers, models
 +
</syntaxhighlight>
 +
|-
 +
|신경망 디자인
 +
|ANN에 필요한 파라미터를 정해준다.
 +
{| class="wikitable"
 +
!인수
 +
!설명
 +
|-
 +
|Nin
 +
|입력계층 노드 수
 +
|-
 +
|Nh
 +
|은닉계층 노드 수
 +
|-
 +
|number_of_class
 +
|출력값이 가질 클래스 수
 +
|-
 +
|Nout
 +
|출력노드 수
 +
|}
 +
|
 +
|-
 +
|모델링
 +
|다양한 방법으로 모델링.
 +
|
 
|}
 
|}
  
64번째 줄: 152번째 줄:
 
|
 
|
 
|}
 
|}
−
[[분류:딥러닝 라이브러리]]
+
 
 +
= 오버피팅 막기 =
 +
 
 +
== 드롭아웃 ==
 +
<syntaxhighlight lang="python3">
 +
from keras import model, layers
 +
 
 +
model = models.Sequential()
 +
models.add(....)
 +
models.add(layers.Dropout(0.5))  # 얼마의 비율로 드롭아웃을 실행할 것인가.
 +
</syntaxhighlight>층 사이사이에 넣을 수 있다.
 +
 
 +
== 가중치 규제 ==
 +
 
 +
=== L2 규제 만들기 ===
 +
<syntaxhighlight lang="python3">
 +
from keras import model, layers, regularizers
 +
 
 +
l2_model = models.Sequential()
 +
l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l2(0.001),  # 0.001은 가중치에 곱할 값.
 +
                          activation='relu', input_shape=(10000,)))
 +
l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l2(0.001),
 +
                          activation='relu'))
 +
l2_model.add(layers.Dense(1, activation='sigmoid'))
 +
</syntaxhighlight>
 +
 
 +
=== L1 규제 만들기 ===
 +
<syntaxhighlight lang="python3">
 +
from keras import model, layers, regularizers
 +
 
 +
l1_model = models.Sequential()
 +
l1_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.0001),
 +
                          activation='relu', input_shape=(10000,)))
 +
l1_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.0001),
 +
                          activation='relu'))
 +
l1_model.add(layers.Dense(1, activation='sigmoid'))
 +
</syntaxhighlight>
 +
 
 +
=== L1, L2 동시 사용 ===
 +
<syntaxhighlight lang="python3">
 +
l1l2_model = models.Sequential()
 +
l1l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1_l2(l1=0.0001, l2=0.0001),
 +
                            activation='relu', input_shape=(10000,)))
 +
l1l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1_l2(l1=0.0001, l2=0.0001),
 +
                            activation='relu'))
 +
l1l2_model.add(layers.Dense(1, activation='sigmoid'))
 +
</syntaxhighlight>
 +
 
 +
== 원핫인코딩 ==
 +
<syntaxhighlight lang="python3">
 +
from keras.utils import to_categorical
 +
 
 +
lables = to_categorical(lables)  # 레이블의 1,2,3,4,5의 카테고리를 독립적인 (1,0,0,..) 따위로 변형한다.
 +
</syntaxhighlight>
 +
[[분류:Keras]]

2022년 1월 7일 (금) 06:39 기준 최신판

1 개요[편집 | 원본 편집]

1.1 설치[편집 | 원본 편집]

간단히 pip install keras를 통해 설치하거나.. 최근엔 텐서플로우를 설치하면 그 안에 설치되어 있다. 어차피 백엔드로 텐서플로우를 사용하는 경우가 많을테니.. 텐서플로우만 설치하면 된다.

1.1.1 설치 확인[편집 | 원본 편집]

import keras
print(keras.__version__)

2 데이터 처리[편집 | 원본 편집]

데이터 입럭은 3가지 형태로 이루어진다.

  1. 넘파이 배열. 일반적인 데이터과학에서 자주 사용되는 형태.
    - 데이터 과학에서 pandas의 dataframe을 많이 사용하는데, 이를 넘파이의 ndarray로 변환하여야 사용할 수 있다. train_x = df.values형태로 ndarray 값을 얻을 수 있다.
  2. 텐서플로우의 데이터셋 오브젝트. 성능행상에 도움.
    - 이미지 파일을 데이터셋화 : tf.keras.preprocessing.image_dataset_from_directory
    - 텍스트 파일을 데이터셋화 : tf.keras.preprocessing.text_dataset_from_directory
    - CSV 파일을 데이터셋화 : tf.data.experimental.make_csv_dataset
  3. 파이썬 제너레이터.

https://keras.io/getting_started/intro_to_keras_for_engineers/ 위 링크에 정규화, 텍스트 배열 등의 전략이 소개되어 있다.

2.1 텐서플로우 데이터셋 오브젝트 예시[편집 | 원본 편집]

의도 설명 방법
이미지 
dataset = keras.preprocessing.image_dataset_from_directory(
  'path/to/main_directory', batch_size=64, image_size=(200, 200))

# For demonstration, iterate over the batches yielded by the dataset.
for data, labels in dataset:
   print(data.shape)  # (64, 200, 200, 3)
   print(data.dtype)  # float32
   print(labels.shape)  # (64,)
   print(labels.dtype)  # int32
텍스트 
dataset = keras.preprocessing.text_dataset_from_directory(
  'path/to/main_directory', batch_size=64)

# For demonstration, iterate over the batches yielded by the dataset.
for data, labels in dataset:
   print(data.shape)  # (64,)
   print(data.dtype)  # string
   print(labels.shape)  # (64,)
   print(labels.dtype)  # int32
CSV 
# Set Feature_B as label column
dataset = tf.data.experimental.make_csv_dataset(
    filename, batch_size=2, label_name="Feature_B")
iterator = ds.as_numpy_iterator()
print(next(iterator))
# prints (features, labels) tuple:
# (OrderedDict([('Feature_A', array([1, 2], dtype=int32))]),
#  array([b'a', b'b'], dtype=object))

3 사용[편집 | 원본 편집]

3.1 데이터 사전작업[편집 | 원본 편집]

의도 설명 방법
정규화 일반적으로 데이터는 0~1 사이로 정규화한다.
csv 가져오기 csv를 넘파이 배열화 해야 한다. 
import pandas

csv = pd.read_csv("경로.csv")  # 판다스를 이용하여 불러온다.
x = csv[['열1', '열2']].as_matrix()  # 넘파이배열로 바꾸어 x에 담는다.

3.1.1 신경망 모델 제작[편집 | 원본 편집]

의도 설명 방법
모듈 불러오기 layers : 각 계층을 만드는 모듈.

models : 각 레이어들을 연결하여 신경망모델을 만든 후 컴파일하고 학습시키는 역할. 

from keras import layers, models
신경망 디자인 ANN에 필요한 파라미터를 정해준다.
인수 설명
Nin 입력계층 노드 수
Nh 은닉계층 노드 수
number_of_class 출력값이 가질 클래스 수
Nout 출력노드 수
모델링 다양한 방법으로 모델링.

3.2 기타 활용[편집 | 원본 편집]

3.2.1 샘플데이터[편집 | 원본 편집]

의도 설명 방법
손글씨 샘플 mnist의 샘플데이터를 가져온다. 
from keras.datasets import mnist

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

4 오버피팅 막기[편집 | 원본 편집]

4.1 드롭아웃[편집 | 원본 편집]

from keras import model, layers

model = models.Sequential()
models.add(....)
models.add(layers.Dropout(0.5))  # 얼마의 비율로 드롭아웃을 실행할 것인가.

층 사이사이에 넣을 수 있다.

4.2 가중치 규제[편집 | 원본 편집]

4.2.1 L2 규제 만들기[편집 | 원본 편집]

from keras import model, layers, regularizers

l2_model = models.Sequential()
l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l2(0.001),  # 0.001은 가중치에 곱할 값.
                          activation='relu', input_shape=(10000,)))
l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l2(0.001),
                          activation='relu'))
l2_model.add(layers.Dense(1, activation='sigmoid'))

4.2.2 L1 규제 만들기[편집 | 원본 편집]

from keras import model, layers, regularizers

l1_model = models.Sequential()
l1_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.0001),
                          activation='relu', input_shape=(10000,)))
l1_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.0001),
                          activation='relu'))
l1_model.add(layers.Dense(1, activation='sigmoid'))

4.2.3 L1, L2 동시 사용[편집 | 원본 편집]

l1l2_model = models.Sequential()
l1l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1_l2(l1=0.0001, l2=0.0001),
                            activation='relu', input_shape=(10000,)))
l1l2_model.add(layers.Dense(16, kernel_regularizer=regularizers.l1_l2(l1=0.0001, l2=0.0001),
                            activation='relu'))
l1l2_model.add(layers.Dense(1, activation='sigmoid'))

4.3 원핫인코딩[편집 | 원본 편집]

from keras.utils import to_categorical

lables = to_categorical(lables)  # 레이블의 1,2,3,4,5의 카테고리를 독립적인 (1,0,0,..) 따위로 변형한다.
원본 주소 "http://id8436.iptime.org:2786/mediawiki/index.php?title=Keras&oldid=1071"