Keras: 자세한 예제를 통해 기본 이해하기

안녕하세요 개발자 여러분,

딥러닝을 처음 접하는 분들이라면 Keras라는 이름을 들어보셨을 것입니다. 그러나 그것은 정확히 무엇이며 어떻게 작동합니까? 이번 포스팅에서는 모든 것을 처음부터 설명하고 Keras를 사용하여 간단한 딥러닝 모델을 구축하는 단계별 예제를 보여드리겠습니다. MNIST 데이터세트 등 주요 개념도 쉽게 따라할 수 있도록 설명해드릴게요!

1. 케라스란 무엇인가요?

Keras는 Python으로 작성된 오픈 소스 고수준 신경망 API입니다. 이를 통해 개발자는 사용자 친화적인 인터페이스를 사용하여 딥 러닝 모델을 빠르고 쉽게 구축할 수 있습니다. Keras는 TensorFlow와 같은 더 복잡한 딥 러닝 프레임워크 위에 위치하므로 근본적인 복잡성으로 인해 방해받지 않고 모델 구축에 집중할 수 있습니다.

2. 케라스를 사용하는 이유

• 사용 용이성: Keras는 쉽게 읽고 이해할 수 있도록 설계되어 초보자에게도 적합합니다.
• 모듈식: 고도로 모듈식이므로 빌딩 블록처럼 모델을 조립할 수 있습니다.
• 다중 백엔드 지원: Keras는 TensorFlow, Theano 또는 CNTK 위에서 실행될 수 있어 유연합니다.
• 빠른 프로토타이핑: 단 몇 줄의 코드만으로 딥 러닝 모델을 구축, 컴파일, 학습할 수 있습니다.

3. MNIST란 무엇인가요?

MNIST 데이터세트는 머신러닝 분야에서 가장 유명한 데이터세트 중 하나입니다. 손으로 쓴 숫자(0-9) 70,000개 이미지가 포함되어 있습니다. 각 이미지는 크기가 28x28픽셀인 회색조 그림입니다. 목표는 이러한 이미지를 10자리 카테고리 중 하나로 분류하는 것입니다.

다음은 MNIST 데이터세트의 일부 숫자 예입니다.

[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]

Keras로 작업할 때 튜토리얼에서 MNIST 데이터세트가 사용되는 것을 자주 보게 됩니다. MNIST 데이터세트는 간단하고 이해하기 쉬우며 새 모델을 테스트하는 데 적합하기 때문입니다.

---

4. Keras를 사용하여 간단한 신경망 구축(단계별)

이제 Keras를 사용하여 손으로 쓴 숫자를 분류하는 간단한 신경망을 구축해 보겠습니다. 단계별로 살펴보겠습니다.

1단계: TensorFlow 설치(Keras는 TensorFlow와 함께 번들로 제공됨)

최신 버전에서 Keras는 TensorFlow의 일부이므로 먼저 TensorFlow를 설치해야 합니다. pip를 통해 설치할 수 있습니다:

pip install tensorflow

2단계: 필수 라이브러리 가져오기

모델을 구축하고 훈련하는 데 필요한 TensorFlow 및 Keras 관련 라이브러리를 가져옵니다.

import tensorflow as tf
from tensorflow.keras import layers, models

여기서 tensorflow.keras는 TensorFlow 내의 Keras API입니다.

3단계: MNIST 데이터세트 로드

Keras는 MNIST와 같은 데이터세트에 대한 쉬운 액세스를 제공합니다. 데이터 세트를 로드하고 이를 훈련 세트와 테스트 세트로 분할하겠습니다.

[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]

이 단계에서 train_images와 train_labels는 훈련 데이터를 보유하고, test_images와 test_labels는 테스트 데이터를 보유합니다.

train_images의 각 이미지는 28x28픽셀 회색조 이미지이고 train_labels에는 각 이미지에 해당하는 숫자 레이블(0-9)이 포함되어 있습니다.

4단계: 데이터 전처리

다음으로, 모델 학습의 효율성을 높이기 위해 이미지의 픽셀 값을 정규화해야 합니다. 이미지의 각 픽셀 값은 0에서 255 사이입니다. 이미지를 255로 나누어 이러한 값을 0에서 1 사이로 조정하겠습니다.

pip install tensorflow

5단계: 모델 구축

이제 Keras를 사용하여 신경망을 구축해 보겠습니다. 레이어를 하나씩 쌓을 수 있는 순차 모델을 만들어 보겠습니다.

import tensorflow as tf
from tensorflow.keras import layers, models

• Flatten: Flatten 레이어는 28x28 2D 이미지를 784개 값의 1D 배열로 변환합니다.
• Dense: Dense 레이어는 완전히 연결된 레이어입니다. 여기서는 은닉층에 128개의 뉴런이 있고 출력층에 10개의 뉴런이 있습니다(10개의 숫자 클래스가 있기 때문입니다). 히든 레이어의 활성화 함수로 ReLU를 사용하고 출력 레이어의 활성화 함수로 softmax를 사용합니다.

6단계: 모델 컴파일

다음으로 모델을 컴파일해야 합니다. 최적화기, 손실 함수 및 평가 지표를 지정하는 곳입니다.

# Load the MNIST dataset
mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

• Adam 옵티마이저: 딥 러닝 모델 학습에 널리 사용되는 옵티마이저입니다.
• 희소 범주형 교차엔트로피: 이 손실 함수는 우리와 같은 다중 클래스 분류 문제에 사용됩니다.
• 정확도: 정확도를 측정 기준으로 사용하여 모델 성능을 평가합니다.

7단계: 모델 학습

이제 모델을 훈련할 준비가 되었습니다! 5개 에포크 동안 훈련하겠습니다(즉, 모델은 전체 훈련 데이터 세트를 5번 거치게 됩니다).

# Normalize pixel values to be between 0 and 1
train_images = train_images / 255.0
test_images = test_images / 255.0

8단계: 모델 평가

모델이 훈련되면 테스트 데이터에 대한 성능을 평가할 수 있습니다.

# Build the model
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),      # Flatten the 28x28 images into a 1D vector of 784 pixels
    layers.Dense(128, activation='relu'),      # Add a fully-connected (Dense) layer with 128 neurons
    layers.Dense(10, activation='softmax')     # Output layer with 10 neurons (one for each digit 0-9)
])

이를 통해 테스트 데이터세트에 대한 모델의 정확성을 알 수 있습니다.

---

5. 뒤에서 무슨 일이 일어나고 있나요?

간단히 말하면:

1. 데이터 전처리: 학습 효율성을 높이기 위해 데이터를 정규화했습니다.
2. 모델 정의: Sequential API
를 사용하여 간단한 피드포워드 신경망을 구축했습니다.
3. 컴파일: 모델 학습을 안내하기 위해 올바른 손실 함수와 최적화 프로그램을 선택했습니다.
4. 훈련: 모델은 데이터 세트를 여러 번 통과하면서 이미지를 숫자로 매핑하는 방법을 학습했습니다.
5. 평가: 마지막으로 모델이 보이지 않는 데이터에 얼마나 잘 일반화되었는지 확인했습니다.

---

6. 여기서 어디로 가야 할까요?

Keras는 신경망 구축 및 훈련 과정을 단순화하여 초보자에게 이상적인 출발점이 됩니다. 기본 모델에 익숙해지면 컨볼루션 신경망(CNN) 및 순환 신경망(RNN)

과 같은 더 복잡한 아키텍처를 실험해 볼 수 있습니다.

Keras를 통해 딥 러닝의 세계를 더 깊이 탐구하고, 다양한 모델을 실험하고, 가능성의 한계를 뛰어넘으세요!

---

지금까지 Keras에 대해 어떻게 생각하시나요?

위 내용은 Keras: 자세한 예제를 통해 기본 이해하기의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!