편집
1,408
번
바뀜
→인풋이 여러 개인 경우
== a개요 ==
== 개요 ==
학습 모델을 설계하고 제작한다. 층을 쌓아서 제작하는 형태.
학습 모델을 설계하고 제작한다. 층을 쌓아서 제작하는 형태.
모델을 만드는 방법은 클래스를 사용하느냐 안하느냐, 연쇄형이냐 분산형이냐에 따라 4가지 방법이 있다.
=== 예시와 사용 ===
=== 예시와 사용 ===
|모델 교육
|모델 교육
|모델을 교육한다.
|모델을 교육한다.
만약 입력하는 데이터가 제너레이터라면 fit 대신
fit_generato 함수로 교육해야 한다.
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
# 어떤 방식으로 교육할지 지정.
# 어떤 방식으로 교육할지 지정.
= 모델 제작 =
= 모델 제작 =
모델은 Sequential과 add를 이용한 연쇄방식과, 순차적으로 넘겨주는 분산방식이 있다.
== Sequential 사용 ==
이외 클래스 상속을 통해 모델을 정의하여 객체지향형으로 사용할 수도 있는데, 이 때에도 역시 연쇄형, 분산형으로 나뉜다.
{| class="wikitable"
|+
!방식
!설명
!한계
!예시
|-
|연쇄방식
(순차적 모델)
|순차적으로 쌓는 직관적 방식.
간단해서 별다른 설명이 필요치 않다.
|
* 모델에 하나의 출력, 하나의 입력만 가능.
* 레이어를 공유하는 형태 불가.
* 차례대로 층을 쌓는 간단한 방식만 가능.
|<syntaxhighlight lang="python">
from keras.models import Sequential
from keras.models import Sequential
from keras import layers # 층을 불러온다.
from keras import layers # 층을 불러온다.
model = Sequential()
model = Sequential()
# 필요한 층을 더한다.
# 필요한 층을 더한다.
model.add(layers.LSTM(50, return_sequences=True, input_shape=(50,1))) # 50개 유닛을 갖는 LSTM층 생성.
model.add(layers.LSTM(50, return_sequences=True, input_shape=(50,1)))
# 50개 유닛을 갖는 LSTM층 생성. 50개 OUT.
model.add(layers.Dense(1, activation='linear')) # 일반 뉴런층 1개. 결과가 1개가 나온다.
model.add(layers.Dense(1, activation='linear'))
# 일반 뉴런층 1개. 결과가 1개가 나온다.
model.compile(loss='mse', optimizer='rmsprop') # 손실함수 따위를 결정한다.
model.compile(loss='mse', optimizer='rmsprop') # 손실함수 따위를 결정한다.
</syntaxhighlight>
</syntaxhighlight>
|-
|분산방식
(함수형 API)
|함수처럼 생겨서 함수형 API라 부른다.
|
|<syntaxhighlight lang="python">
from keras.models import Model
from keras import layers # 층을 불러온다.
from keras import Input
input = Input(shape=(50,1))
x = layers.Dense(50, activation='relu')(input)
predict = layers.LSTM(50, activation='relu')(x)
model = Model(input, predict) # 인풋과 아웃풋을 지정하여 모델을 설정한다.
# 인풋이나 아웃풋이 여러개인 경우 리스트로 넣을 수 있다.
</syntaxhighlight>
|-
|
|
|
|
|}
== 분산방식(함수형 API 사용) ==
다음의 예시를 참고하면 다양하게 활용할 수 있을 것이다.
함수형 API를 사용하면 다중 입력, 다중 출력을 갖는 모델을 만들 수 있다. 혹은 하나의 층을 여러 출력에서 공유할 수도 있고.
=== 인풋이 여러 개인 경우 ===
<syntaxhighlight lang="python">
from keras import layers, models
input = layers.Input(shape(50,200,200))
input_2 = layers.Input(shape(50,200,200))
concatenated = layers.Concatenate(axis=-1)([input, input_2])
x = layers.Dense(32, activation='relu')(concatenated)
output = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=[input, input_2], outputs=output) # 모델생성.
</syntaxhighlight><code>axis=</code>에 주어지는 숫자는 input_shape의 어떤 곳에 추가할 것이냐에 대한 결정값이다. 2번째 차원방향으로 추가할 거라면 axis=1을 넣어주면 된다.
== 이외 팁 ==
=== input ===
=== input ===
</syntaxhighlight>
</syntaxhighlight>
|}
|}
= 모델 교육 =
= 모델 교육 =
metrics= ['accuracy']) # 모니터링 지표.
metrics= ['accuracy']) # 모니터링 지표.
</syntaxhighlight>
</syntaxhighlight>
== 교육 ==
== 교육 ==
<syntaxhighlight lang="python">
<syntaxhighlight lang="python">
model.fit(x, y,
history = model.fit(x, y,
validation_data = (x_test, y_test),
validation_data = (x_test, y_test),
batch_size = 10, # 한 번에 몇 개의 데이터를 묶어서 학습시킬 것인가.
batch_size = 10, # 한 번에 몇 개의 데이터를 묶어서 학습시킬 것인가.
)
)
</syntaxhighlight>
</syntaxhighlight>history.history 안의 loss, val_loss 등의 속성에 접근하여 교육 결과를 살펴볼 수 있다.
= 모델평가 =
= 모델평가 =
validation_split를 0~1 사이로 넣으면, 데이터를 처리하기 전에 해당 비율만큼 마지막에서 떼내어 epoch가 끝나면 loss를 계산하는 데 쓰인다.
validation_split를 0~1 사이로 넣으면, 데이터를 처리하기 전에 해당 비율만큼 마지막에서 떼내어 epoch가 끝나면 loss를 계산하는 데 쓰인다.
== 최종평가 ==
모델을 훈련한 후 최종적으로 모델을 평가할 땐 evaluate를 사용한다.<syntaxhighlight lang="python">
test_loss, test_add = models.evaluate(test, lables)
</syntaxhighlight>
== 시각화 ==
다음과 같은 코드로 훈련의 결과를 시각화 할 수 있다.(각 에포크마다 loss가 어떻게 변하는지...)<syntaxhighlight lang="python">
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(loss) + 1)
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()
</syntaxhighlight>
= 모델 저장과 불러우기 =
== 모델 저장 ==
디렉터리 형태로 저장된다.<syntaxhighlight lang="python">
model.save('\경로\디렉토리명')
</syntaxhighlight>디렉토리를 생성하기 때문에 관리자 권한이 필요하다.
어째서인지.... 경로를 하나의 텍스트가 아니라 +로 잇는 방식을 사용하면 \가 /로 바뀌어버리고 만다.(그래서 윈도우에선 에러가 난다;) 때문에 하나의 따옴표쌍 안에 경로를 수기로 입력해야 한다....
== 모델 불러오기 ==
<syntaxhighlight lang="python">
from keras.models import load_model
model = load_model('모델경로')
model.summary() # 불러온 모델 확인.
</syntaxhighlight>
[[분류:Keras]]
[[분류:Keras]]