출처 : https://tykimos.github.io/2017/01/27/Keras_Talk/
케라스 이야기
케라스(Keras) - 그 간결함에 빠지다. 케라스는 파이썬으로 구현된 쉽고 간결한 딥러닝 라이브러리입니다. 딥러닝 비전문가라도 각자 분야에서 손쉽게 딥러닝 모델을 개발하고 활용할 수 있도록 �
tykimos.github.io
케라스(Keras) - 그 간결함에 빠지다.
케라스는 파이썬으로 구현된 쉽고 간결한 딥러닝 라이브러리입니다. 딥러닝 비전문가라도 각자 분야에서 손쉽게 딥러닝 모델을 개발하고 활용할 수 있도록 케라스는 직관적인 API를 제공하고 있습니다. 내부적으로는 텐서플로우(TensorFlow), 티아노(Theano), CNTK 등의 딥러닝 전용 엔진이 구동되지만 케라스 사용자는 복잡한 내부 엔진을 알 필요는 없습니다. 직관적인 API로 쉽게 다층퍼셉트론 모델, 컨볼루션 신경망 모델, 순환 신경망 모델 또는 이를 조합한 모델은 물론 다중 입력 또는 다중 출력 등 다양한 구성을 할 수 있습니다.
케라스 주요 특징
케라스는 아래 4가지의 주요 특징을 가지고 있습니다.
- 모듈화 (Modularity)
- 케라스에서 제공하는 모듈은 독립적이고 설정 가능하며, 가능한 최소한의 제약사항으로 서로 연결될 수 있습니다. 모델은 시퀀스 또는 그래프로 이러한 모듈들을 구성한 것입니다.
- 특히 신경망 층, 비용함수, 최적화기, 초기화기법, 활성화함수, 정규화기법은 모두 독립적인 모듈이며, 새로운 모델을 만들기 위해 이러한 모듈을 조합할 수 있습니다.
- 최소주의 (Minimalism)
- 각 모듈은 짥고 간결합니다.
- 모든 코드는 한 번 훏어보는 것으로도 이해가능해야 합니다.
- 단 반복 속도와 혁신성에는 다소 떨어질 수가 있습니다.
- 쉬운 확장성
- 새로운 클래스나 함수로 모듈을 아주 쉽게 추가할 수 있습니다.
- 따라서 고급 연구에 필요한 다양한 표현을 할 수 있습니다.
- 파이썬 기반
- Caffe 처럼 별도의 모델 설정 파일이 필요없으며 파이썬 코드로 모델들이 정의됩니다.
이 멋진 케라스를 개발하고 유지보수하고 있는 사람은 구글 엔지니어인 프랑소와 쏠레(François Chollet)입니다.
케라스 기본 개념
케라스의 가장 핵심적인 데이터 구조는 바로 모델입니다. 케라스에서 제공하는 시퀀스 모델로 원하는 레이어를 쉽게 순차적으로 쌓을 수 있습니다. 다중 출력이 필요하는 등 좀 더 복잡한 모델을 구성하려면 케라스 함수 API를 사용하면 됩니다. 케라스로 딥러닝 모델을 만들 때는 다음과 같은 순서로 작성합니다. 다른 딥러닝 라이브러리와 비슷한 순서이지만 훨씬 직관적이고 간결합니다.
- 데이터셋 생성하기
- 원본 데이터를 불러오거나 시뮬레이션을 통해 데이터를 생성합니다.
- 데이터로부터 훈련셋, 검증셋, 시험셋을 생성합니다.
- 이 때 딥러닝 모델의 학습 및 평가를 할 수 있도록 포맷 변환을 합니다.
- 모델 구성하기
- 시퀀스 모델을 생성한 뒤 필요한 레이어를 추가하여 구성합니다.
- 좀 더 복잡한 모델이 필요할 때는 케라스 함수 API를 사용합니다.
- 모델 학습과정 설정하기
- 학습하기 전에 학습에 대한 설정을 수행합니다.
- 손실 함수 및 최적화 방법을 정의합니다.
- 케라스에서는 compile() 함수를 사용합니다.
- 모델 학습시키기
- 훈련셋을 이용하여 구성한 모델로 학습시킵니다.
- 케라스에서는 fit() 함수를 사용합니다.
- 학습과정 살펴보기
- 모델 학습 시 훈련셋, 검증셋의 손실 및 정확도를 측정합니다.
- 반복횟수에 따른 손실 및 정확도 추이를 보면서 학습 상황을 판단합니다.
- 모델 평가하기
- 준비된 시험셋으로 학습한 모델을 평가합니다.
- 케라스에서는 evaluate() 함수를 사용합니다.
- 모델 사용하기
- 임의의 입력으로 모델의 출력을 얻습니다.
- 케라스에서는 predict() 함수를 사용합니다.
손글씨 영상을 분류하는 모델을 케라스로 간단히 구현해봤습니다. 가로세로 픽셀이 28 x 28인 이미지를 입력받아 이를 784 벡터로 구성한 다음 이를 학습 및 평가하는 코드입니다. 이 간단한 코드로 93.4%의 정확도 결과를 얻었습니다. 각 함수의 설명 및 인자에 대한 설명은 여러 모델을 실습해보면서 하나씩 설명드리겠습니다.
# 0. 사용할 패키지 불러오기
from keras.utils import np_utils
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Activation
# 1. 데이터셋 생성하기
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255.0
x_test = x_test.reshape(10000, 784).astype('float32') / 255.0
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
# 2. 모델 구성하기
model = Sequential()
model.add(Dense(units=64, input_dim=28*28, activation='relu'))
model.add(Dense(units=10, activation='softmax'))
# 3. 모델 학습과정 설정하기
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
# 4. 모델 학습시키기
hist = model.fit(x_train, y_train, epochs=5, batch_size=32)
# 5. 학습과정 살펴보기
print('## training loss and acc ##')
print(hist.history['loss'])
print(hist.history['acc'])
# 6. 모델 평가하기
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=32)
print('## evaluation loss and_metrics ##')
print(loss_and_metrics)
# 7. 모델 사용하기
xhat = x_test[0:1]
yhat = model.predict(xhat)
print('## yhat ##')
print(yhat)
Epoch 1/5 60000/60000 [==============================] - 2s - loss: 0.6861 - acc: 0.8214 Epoch 2/5 60000/60000 [==============================] - 2s - loss: 0.3472 - acc: 0.9021 Epoch 3/5 60000/60000 [==============================] - 2s - loss: 0.2972 - acc: 0.9159 Epoch 4/5 60000/60000 [==============================] - 2s - loss: 0.2671 - acc: 0.9243 Epoch 5/5 60000/60000 [==============================] - 2s - loss: 0.2444 - acc: 0.9311 ## training loss and acc ## [0.68605235149065658, 0.34716726491451261, 0.29719433775146803, 0.26708923313419025, 0.24437546383142472] [0.82138333333333335, 0.90213333333333334, 0.91591666666666671, 0.92433333333333334, 0.93113333333333337] 9728/10000 [============================>.] - ETA: 0s## evaluation loss and_metrics ## [0.229048886179924, 0.93520000000000003] ## yhat ## [[ 8.87035931e-05 1.47768702e-07 9.51653055e-04 3.75617994e-03 2.82607380e-06 4.90140701e-05 2.10885389e-08 9.94055033e-01 6.05004097e-05 1.03587494e-03]]
