dnwjddl/keras-in-DeepLearning

🌱CNN, GAN, RNN, AE, GAN, UNET

keras-in-DeepLearning

파이썬 라이브러리 KERAS

• 엔진으로는 Tensorflow, Theano, CNTK 등이 있음
• 케라스는 인공지능 엔진 프로그램을 호출하여 인공지능 알고리즘을 수행한다
• 케라스는 특정 엔진에 국한되지 않는 공통 백엔드 함수도 제공해준다.

CODE

• models는 인공신경망의 각 게층을 연결하여 하나의 모델을 만든 후 컴파일, 학습, 예측을 담당
• layers는 인공신경망의 각 계층을 만드는 클래스 제공

# 케라스로 인공 신경망 모델 만듦. models.Sequential()을 사용하여 파이썬 프로세스에게 알림
## models.Sequential은 파이썬의 클래스
## model이라는 인스턴스 만듦

model = keras.models.Sequential()

# 모델 인스턴스가 생성되면 멤버 함수 add()를 이용하여 인공지능 계층 추가
model.add(keras.layers.Dense(1, input_shape =(1,))

# 학습에 사용되는 최적화 알고리즘 -> 확률적 경사하강법, 손실함수 -> 평균제곱 오차
model.compile('SGD', 'mse')

# 모델을 주어진 데이터로 학습
## verbose는 학습 진행사항 표시 여부
model.fit(x[:2], y[:2], epochs = 1000, verbose = 0)

# 성능 평가
print("Targets:", y[2:])
print("Predictions:", model.predict(x[2:]).flatten())

객체지향형 구현

• 분산 방식 모델링

class ANN(models.Model):
  def __init__(self, Nin, Nh, Nout):
      # Prepare network layers and activate functions
      hidden = layers.Dense(Nh)
      output = layers.Dense(Nout)
      relu = layers.Activation('relu')
      softmax = layers.Activation('softmax')
      
      # Connect network elements
      x = layers.Input(shape = (Nin,))
      h = relu(hidden(x))
      y = softmax(output(h))
      
      super().__init__(x, y)
      self.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])      

• 연쇄 방식 모델링

class ANN(models.Sequential):
  def __init__(self, Nin, Nh, Nout):
      super().__init__()
      self.add(layers.Dense(Nh, activation = 'relu', input_shape = (Nin,)))
      self.add(layers.Dense(Nout, activation = 'softmax'))
      self.compil (loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])

함수형 구현

• 분산 방식 모델링

def ANN(Nin, Nh, Nout):
  x = layers.Input(shape = (Nin,))
  h = layers.Activation('relu')(layers.Dense(Nh)(x))
  ...
  model = models.Model(x,y)
  model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy']
  return model

• 연쇄 방식 모델링

def ANN(Nin, Nh, Nout):
  model = models.Sequential()
  model.add(layers.Dense(Nh, activation = 'relu', input_shape = (Nin,)))
  model.add(layers.Dense(Nout, avtivation = 'softmax'))
  model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
  return model