728x90 반응형 AI 입문/Deep Learning13 7장 - 케라스 완전 정복 7.1 다양한 워크플로 케라스 API 설계는 복잡성의 단계적 공개(progressive disclosure) 원칙을 따른다. ㄴ 시작은 쉽게 하고, 필요할 때 단계마다 점진적으로 학습하여 아주 복잡한 경우를 처리할 수 있다. 케라스는 매우 간단한 것부터 매우 유연한 것까지 다양한 워크플로를 제공한다. 이를 통해 다양한 요구 사항을 충족시킬 수 있다. 이런 모든 워크플로는 동일하게 Layer와 Model 같은 API를 기반으로 하기 때문에 한 워크플로의 구성 요소를 다른 워크플로에서 사용할 수 있다. 즉, 워크플로 간에 서로 호출할 수 있다. 7.2 케라스 모델을 만드는 여러 방법 케라스에서 모델을 만드는 API 세 가지 Sequential 모델 : 가장 시작하기 쉬운 API. 기본적으로 하나의 파이썬 리.. 2023. 1. 15. 6장 - 일반적인 머신 러닝 워크플로 머신 러닝의 일반적인 워크플로 작업 정의 : 문제 영역과 고객의 요청 이면에 있는 비즈니스 로직을 이해한다. 데이터를 수집하고, 데이터가 드러내는 내용을 이해하고, 작업의 성공을 측정하는 방법을 선택한다. 모델 개발 : 머신 러닝 모델로 처리할 수 있는 데이터를 준비하고, 모델 평가 방법과 간단한 기준점을 선택하고, 일반화 성능을 가지며 과대적합할 수 있는 첫 번째 몯델을 훈련한다. 그 다음 가능한 최대의 일반화 성능에 도달할 때까지 모델에 규제를 추가하고 튜닝한다. 모델 배포 : 작업 결과를 고객에게 제시한다. 모델을 웹 서버, 모바일 앱, 웹 페이지 또는 임베디드 장치에 배포하고 실전에서 모델의 성능을 모니터링한다. 차세대 모델을 구축하기 위해 필요한 데이터 수집을 시작한다. 6.1 작업 정의 6.1.. 2023. 1. 14. 5장 - 머신 러닝의 기본 요소 5.1 일반화 : 머신 러닝의 목표 머신러닝의 근본적인 이슈 : 최적화와 일반화 사이의 줄다리기 ㄴ 최적화(optimization)는 가능한 훈련 데이터에서 최고의 성능으 얻으려고 모델을 조정하는 과정 ㄴ 일반화(generalization)는 훈련된 모델이 이전에 본 적없는 데이터에서 얼마나 잘 수행되는지 의미 5.1.1 과소적합과 과대적합 훈련 초기에 최적화와 일반화는 상호 연관되어 있음. 훈련데이터의 손실이 낮아질수록 테스트 데이터의 손실도 낮아짐 → 과소적합(underfitting) 훈련 데이터에서 훈련을 특정 횟수만큼 반복하고 난 후에는 일반화 성능이 더 이상 높아지지 않으며 검증 세트의 성능이 멈추고 감소되기 시작함 → 과대적합(overfitting) 5.1.2 딥러닝에서 일반화의 본질 매니폴드.. 2023. 1. 11. 4장 - 신경망 시작하기 분류와 회귀에서 사용하는 용어 샘플 또는 입력 : 모델에 주입될 하나의 데이터 포인트(data point) 예측 또는 출력 : 모델로부터 나오는 값 타깃 : 정답, 외부 데이터 소스에 근거하여 모델이 완벽하게 예측해야 하는 값 예측 오차 또는 손실 값 : 모델의 예측과 타깃 사이의 거리를 측정한 값 클래스 : 분류 문제에서 선택할 수 있는 가능한 레이블의 집합 레이블 : 분류 문제에서 클래스 할당의 구체적인 사례 참 값(ground-truth) 또는 에노테이션(annotation) : 데이터셋에 대한 모든 타깃. 일반적으로 사람에 의해 수집 이진 분류 : 각 입력 샘플이 2개의 배타적인 범주로 구분되는 분류 작업 다중 분류 : 각 입력 샘플이 2개 이상의 범주로 구분되는 분류 작업. 예를 들어 손글씨 숫.. 2023. 1. 11. 3장 - 케라스와 텐서플로 소개 3.1 텐서플로 - 구글에서 만든 파이썬 기반의 무료 오픈 소스 머신 러닝 플랫폼 - 넘파이(NumPy)와 매우 비슷하게 텐서플로의 핵심 목적은 엔지니어와 연구자가 수치 텐서에 대한 수학적 표현을 적응할 수 있도록 하는 것 - 텐서플로의 기능 미분 가능한 어떤 표현식에 대해서도 자동으로 그레디언트를 계산할 수 있음 CPU뿐만 아니라 GPU와 TPU에서도 실행 가능 텐서플로에서 정의한 계산은 여러 머신에 쉽게 분산시킬 수 있음 텐서플로 프로그램은 C++, 자바스크립트, 텐서플로 라이트 등과 같은 다른 런타임에 맞게 변환 가능 → 텐서플로 애플리케이션을 실전 환경에 쉽게 배포할 수 있음 3.2 케라스 - 텐서플로 위에 구축된 파이썬용 딥러닝 API - 어떤 종류의 딥러닝 모델도 쉽게 만들고 훈련할 수 있는 .. 2022. 11. 16. 2장 - 신경망의 수학적 구성 요소 2.1 신경망과의 첫 만남 신경망이 훈련 준비를 마치기 위해서 컴파일 단계에 포함될 세 가지가 더 필요 1. 옵티마이저(optimizer): 성능을 향상시키기 위해 입력된 데이터를 기반으로 모델을 업데이트하는 메커니즘 2. 손실 함수(loss function): 훈련 데이터에서 모델의 성능을 측정하는 방법으로 모델이 옳은 방향으로 학습될 수 있도록 함 3. 훈련과 테스트 과정을 모니터링할 지표: 여기에서는 정확도만 고려 2.2 신경망을 위한 데이터 표현 스칼라(랭크-0 텐서) > 벡터(랭크-1 텐서) > 행렬(랭크-2 텐서) > 랭크-3 텐서와 더 높은 랭크의 텐서 핵심 속성 축의 개수(랭크): 예를 들어 랭크-3 텐서에는 3개의 축이 있고, 행렬에는 2개의 축이 있다. 넘파이나 텐서플로 같은 파이썬 라.. 2022. 11. 9. 이전 1 2 3 다음 728x90 반응형
