딥러닝 프로세스 - 케라스(Keras)를 사용하여 단계별 구현

 

1. 케라스 개요

케라스(Keras)를 사용하여 딥러닝 프로세스에 따라 코드를 구현해 본다. Keras는 딥 러닝 모델을 쉽게 구축하고 훈련시킬 수 있는 고수준 딥 러닝 프레임워크이다. 현재는 TensorFlow 프로젝트의 일부로 관리되고 있다. Keras는 사용하기 쉬운 API를 제공하여 개발자들이 빠르게 딥러닝 모델을 구축하고 실험할 수 있도록 도와준다.

​

케라스는 딥 러닝 및 인공 신경망 모델을 개발하고 훈련하기 위한 고수준의 오픈 소스 딥 러닝 프레임워크이다. 케라스는 모델 생성, 컴파일, 훈련, 평가 및 예측을 위한 간편하고 직관적인 API를 제공하며, TensorFlow, Theano, CNTK 등과 같은 백엔드 딥 러닝 엔진과 연동된다. 현재는 TensorFlow 프로젝트의 일부로 포함되어 TensorFlow 2.x부터는 TensorFlow 공식 고수준 API로서 케라스를 사용한다.

​

​

2. 딥러닝 프로세스

딥러닝 프로세스

1) 데이터 준비

데이터를 로딩하여 준비한다.

import tensorflow as tf
import numpy as np

# MNIST 데이터 로드
mnist = tf.keras.datasets.mnist

# 데이터 준비
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

 

2) 데이터 전처리

이미지를 정규화하여 데이터를 전처리한다.

# 데이터 전처리 : 모델에 맞게 이미지를 정규화
train_images = train_images / train_images.max()
test_images = test_images / test_images.max()

 

3) 모델 생성

Sequential 클래스 사용해 모델을 생성한다. add 함수를 사용해 층(Layer)을 추가한다.

# 모델 생성
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(32, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

 

4) 모델 컴파일

옵티마이저와 손실함수 그리고 평가지표를 지정하여 모델을 컴파일 한다.

# 모델 컴파일 : 손실 함수, 옵티마이저, 평가 지표를 설정
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy', metrics=['accuracy'])

 

5) 모델 요약

정의한 모델의 Summay 정보를 표시한다. 모델의 구조와 노드 개수를 알 수 있다.

# 모델 요약
model.summary()

"""
summary(
    line_length=None, positions=None, print_fn=None
)
"""

 

6) 모델 학습

데이터를 입력하고 반복 훈련할 에포크 수를 지정하여 모델을 학습한다.

# 모델 학습 : 훈련 데이터를 사용하여 모델을 학습
model.fit(train_images, train_labels, validation_data=(test_images, test_labels), epochs=10)

"""
고정된 수의 에폭(데이터셋 반복)에 대한 모델 교육
fit(
    x=None, y=None, batch_size=None, epochs=1, verbose='auto',
    callbacks=None, validation_split=0.0, validation_data=None, shuffle=True,
    class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None,
    validation_steps=None, validation_batch_size=None, validation_freq=1,
    max_queue_size=10, workers=1, use_multiprocessing=False
)
"""

 

7) 모델 평가

테스트 데이터로 모델을 평가한다. 평가한 결과로 모델에 대한 손실 값과 메트릭 값을 반환한다.

# 모델 평가 : 테스트 데이터로 모델을 평가
test_loss, test_acc = model.evaluate(x_test,  y_test)

print('test_loss =', test_loss)
print('test_loss =', test_loss)
print()

"""
테스트 모드의 모델에 대한 손실 값 및 메트릭 값을 반환한다.
evaluate(
    x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None,
    callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False,
    return_dict=False, **kwargs
)
"""

 

8) 모델 예측

학습이 완료된 모델에 검증 데이터를 넣으면 예측 값을 반환한다.

# 모델 예측
predictions = model.predict(test_images)

print("test_labels =", test_labels[:10])
print("predictions = ", np.argmax(predictions[:10], axis=1))

"""
입력 샘플에 대한 출력 예측을 생성한다.
predict(
    x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10,
    workers=1, use_multiprocessing=False
)
"""

 

3. 전체 코드

케라스 API를 사용하여 딥러닝 프로세스에 따라 구현한 전체 코드이다.

import tensorflow as tf
import numpy as np

# MNIST 데이터 로드
mnist = tf.keras.datasets.mnist

# 데이터 준비
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 데이터 전처리 : 모델에 맞게 이미지를 정규화
train_images = train_images / train_images.max()
test_images = test_images / test_images.max()

# 모델 생성
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(32, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

# 모델 컴파일 : 손실 함수, 옵티마이저, 평가 지표를 설정
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 모델 요약
model.summary()

# 모델 학습 : 훈련 데이터를 사용하여 모델을 학습
model.fit(train_images, train_labels, validation_data=(test_images, test_labels), epochs=10)

# 모델 평가 : 테스트 데이터로 모델을 평가
test_loss, test_acc = model.evaluate(test_images,  test_labels)

print('test_loss =', test_loss)
print('test_acc =', test_acc)
print()

# 모델 예측
predictions = model.predict(test_images)

print("test_labels =", test_labels[:10])
print("predictions =", np.argmax(predictions[:10], axis=1))

 

실행 결과

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 flatten (Flatten)           (None, 784)               0
 dense (Dense)               (None, 256)               200960
 dense_1 (Dense)             (None, 128)               32896
 dense_2 (Dense)             (None, 64)                8256
 dense_3 (Dense)             (None, 32)                2080
 dense_4 (Dense)             (None, 10)                330
=================================================================
Total params: 244522 (955.16 KB)
Trainable params: 244522 (955.16 KB)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________

Epoch 1/10
1875/1875 [=====] - 14s 7ms/step - loss: 0.2318 - accuracy: 0.9316 - val_loss: 0.1090 - val_accuracy: 0.9641
Epoch 2/10
1875/1875 [=====] - 13s 7ms/step - loss: 0.0957 - accuracy: 0.9712 - val_loss: 0.0910 - val_accuracy: 0.9703
Epoch 3/10
1875/1875 [=====] - 11s 6ms/step - loss: 0.0680 - accuracy: 0.9785 - val_loss: 0.0834 - val_accuracy: 0.9725
Epoch 4/10
1875/1875 [=====] - 11s 6ms/step - loss: 0.0552 - accuracy: 0.9831 - val_loss: 0.0860 - val_accuracy: 0.9752
Epoch 5/10
1875/1875 [=====] - 10s 5ms/step - loss: 0.0442 - accuracy: 0.9860 - val_loss: 0.0900 - val_accuracy: 0.9730
Epoch 6/10
1875/1875 [=====] - 11s 6ms/step - loss: 0.0365 - accuracy: 0.9882 - val_loss: 0.0987 - val_accuracy: 0.9755
Epoch 7/10
1875/1875 [=====] - 10s 5ms/step - loss: 0.0320 - accuracy: 0.9899 - val_loss: 0.0889 - val_accuracy: 0.9776
Epoch 8/10
1875/1875 [=====] - 10s 6ms/step - loss: 0.0265 - accuracy: 0.9912 - val_loss: 0.0826 - val_accuracy: 0.9806
Epoch 9/10
1875/1875 [=====] - 9s 5ms/step - loss: 0.0237 - accuracy: 0.9926 - val_loss: 0.0988 - val_accuracy: 0.9753
Epoch 10/10
1875/1875 [=====] - 8s 4ms/step - loss: 0.0236 - accuracy: 0.9925 - val_loss: 0.0884 - val_accuracy: 0.9786
313/313 [=====] - 1s 2ms/step - loss: 0.0884 - accuracy: 0.9786
test_loss = 0.08842431008815765
test_acc = 0.978600025177002

313/313 [=====] - 1s 2ms/step
test_labels = [7 2 1 0 4 1 4 9 5 9]
predictions = [7 2 1 0 4 1 4 9 5 9]

 

 

4. 참조 URL

보다 자세한 내용은 아래의 URL을 참고한다.

 

https://keras.io/

Keras: Deep Learning for humans

 

https://keras.io/examples/

Keras documentation: Code examples

 

https://www.tensorflow.org/api_docs/python/tf/keras/Model

tf.keras.Model  |  TensorFlow v2.16.1