Model(), compile(), fit(), predict(), save()

220914 작성

<본 블로그는 handuelly 님의 블로그와 wikidocs의 케라스 포스트를 참고해서 공부하며 작성하였습니다 :-) >

https://blog.naver.com/handuelly/221822938182

Keras - 다층 Sequential Model(), compile(), fit()

https://wikidocs.net/32105

07) 케라스(Keras) 훑어보기

 

 

 

 

😎 complie()

: 모델을 빌드하고 실행하기 전에 컴파일 하는 훈련 준비 단계

model.compile(
    optimizer='adam',
    loss='mean_squared_error',
    metrics=[
        metrics.MeanSquaredError(),
        metrics.AUC(),
    ]
)

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=[
        metrics.MeanSquaredError(name='my_mse'),
        metrics.AUC(name='my_auc'),
    ]
)

• loss
  • 최적화 과정에서 최소화될 손실함수를 설정
  • MSE(평균 제곱 오차)
  • binary_crossentropy
  • categorical_crossentropy 함수
  • sparse_categorical_crossentropy 함수
  • 포아송 함수
  • KL다이버전스 클래스
• optimizer
  • 훈련 과정을 설정
  • Adam
  • 확률적 경사 하강법 (Stochastic Gradient Descent, SGD)
  • RMSProp
  • Adagrad
  • Adadelta 
• metrics
  • 훈련을 모니터링하기 위해 사용
  • Accuracy class
  • BinaryAccuracy class
  • CategoricalAccuracy class

 

 

대표적으로 사용되는 손실 함수와 활성화 함수의 조합

문제 유형	손실 함수명	출력층 활성화 함수	참고 실습
회귀 문제	mean_squared_error	-	선형 회귀 실습
다중 클래스 분류	categorical_crossentropy	소프트맥스	로이터 뉴스 분류하기
다중 클래스 분류	sparse_categorical_crossentropy	소프트맥스	양방향 LSTM를 이용한 품사 태깅
이진 분류	binary_crossentropy	시그모이드	IMDB 리뷰 감성 분류하기

 

 

😎 fit()

: 주어진 epoch 수 만큼 모델을 학습시키는 메서드

: 모델이 오차로부터 매개 변수를 업데이트 시키는 과정을 학습, 훈련, 또는 적합(fitting)

model.fit(X_train, y_train, epochs=10, batch_size=32, verbose=0, validation_data(X_val, y_val))

• 첫번째 인자
  • 훈련 데이터에 해당
• 두번째 인자
  • 지도 학습에서 레이블 데이터에 해당
• epochs
  • 에포크 1은 전체 데이터를 한 차례 훑고 지나갔음을 의미 = 총 훈련 횟수
• batch_size
  • 배치 크기 (기본값은 32. 미니 배치 경사 하강법을 사용하고 싶지 않을 경우에는 batch_size=None)
• validation_data(x_val, y_val)
  • 검증 데이터(validation data)를 사용
  • 검증 데이터를 사용하면 각 에포크마다 검증 데이터의 정확도나 오차를 함께 출력하는데, 이 정확도는 훈련이 잘 되고 있는지를 보여줄 뿐이며 실제로 모델이 검증 데이터를 학습하지는 않음
  • 검증 데이터의 오차(loss)가 낮아지다가 높아지기 시작하면 이는 과적합(overfitting)의 신호
• validation_split
  • 검증 데이터를 사용하기 위한 용도로 validation_data 대신 사용
  • 검증 데이터를 지정하는 것이 아니라 훈련 데이터와 훈련 데이터의 레이블인 X_train과 y_train에서 일정 비율 분리하여 이를 검증 데이터로 사용
• verbose
  • 학습 중 출력되는 문구를 설정
    • 0 : 아무 것도 출력하지 않음
    • 1 : 훈련의 진행도를 보여주는 진행 막대를 보여줌
    • 2 : 미니 배치마다 손실 정보를 출력

# verbose = 1일 경우.
Epoch 88/100
7/7 [==============================] - 0s 143us/step - loss: 0.1029 - acc: 1.0000

# verbose = 2일 경우.
Epoch 88/100
 - 0s - loss: 0.1475 - acc: 1.0000

 

😎 evaluate()

: 테스트 데이터를 통해 학습한 모델에 대한 정확도를 평가

# 위의 fit() 코드의 연장선상인 코드
model.evaluate(X_test, y_test, batch_size=32)

• 첫번째 인자
  • 테스트 데이터에 해당
• 두번째 인자
  • 지도 학습에서 레이블 테스트 데이터에 해당
  • batch_size = 배치 크기.

 

😎 predict()

: 임의의 입력에 대한 모델의 출력값을 확인

# 위의 fit() 코드의 연장선상인 코드
model.predict(X_input, batch_size=32)

• 첫번째 인자
  • 예측하고자 하는 데이터
• batch_size
  • 배치 크기

 

😎 save()

: 인공 신경망 모델을 hdf5 파일에 저장

model.save("model_name.h5")

 

😎 load_model()

: 저장해둔 모델을 불러오기

from tensorflow.keras.models import load_model
model = load_model("model_name.h5")