1 데이터 처리

데이터 입럭은 3가지 형태로 이루어진다.

넘파이 배열. 일반적인 데이터과학에서 자주 사용되는 형태.
- 데이터 과학에서 pandas의 dataframe을 많이 사용하는데, 이를 넘파이의 ndarray로 변환하여야 사용할 수 있다. nd = df.values로 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.

1.1 텐서플로우 데이터셋 오브젝트 예시

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))

2 사용

2.1 데이터 사전작업

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.

2.1.1 신경망 모델 제작

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.

2.2 기타 활용

2.2.1 샘플데이터

의도	설명	방법
손글씨 샘플	mnist의 샘플데이터를 가져온다.	from keras.datasets import mnist (x_train, y_train), (x_test, y_test) = mnist.load_data()

3 오버피팅 막기

3.1 드롭아웃

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.

3.2 가중치 규제

3.2.1 L2 규제 만들기

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'))

3.2.2 L1 규제 만들기

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'))

3.2.3 L1, L2 동시 사용

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'))

3.3 원핫인코딩

from keras.utils import to_categorical

lables = to_categorical(lables)  # 레이블의 1,2,3,4,5의 카테고리를 독립적인 (1,0,0,..) 따위로 변형한다.

Keras

목차