Cha 7-1 인공 신경망

인공신경망

• 생물학적 뉴런에서 영감을 얻어 만들어진 기계학습 알고리즘

  

• 용어 입력층: 데이터가 입력되는 층 (신경망의 층의 수를 셀 때 제외한다) 출력층: 신경망의 최종 값을 만드는 층 완전연결층: 층과 층에 있는 모든 노드(뉴런??)들이 연결되어 있는 층

• 교차 검증을 잘 사용하지 않고 검증 세트를 별도로 덜어내어 사용한다

1. 딥러닝 분야의 데이터셋은 충분히 크기 때문에 검증 점수가 안정적이기 때문
2. 교차 검증을 수행하기에는 훈련 시간이 너무 오래 걸리기 때문

• 각 뉴런에서는 선형 계산이 실행된다

Tesorflow (Keras) 사용법

1. 신경망 층 생성 ex. Dense 클래스 (완전 연결층을 생성해줌)
2. 케라스 모델에 생성한 ‘신경망’을 인자로 전달하고, 모델 객체를 생성한다 ex. Sequential 클래스
3. 클래스의 compile() 메쏘드를 이용하여 훈련전에 몇가지를 설정한다 ex. 손실함수 등
4. 모델을 훈련한다
5. 모델을 평가한다

from tensorflow import keras
from sklearn.model_selection import train_test_split

train_scaled, val_scaled, train_target, val_target = train_test_split(train_scaled, \\
		train_target, test_size=0.2, random_state=42)

# 1단계
dense = keras.layers.Dense(10, activation='softmax', input_shape=(784,)) 

# 2단계
model = keras.Sequential(dense) # 밀집층을 가진 신경망 모델을 만든다

# 3단계
model.compile(loss='sparse_categorical_crossentropy', metrics='accuracy')

# 4단계
model.fit(train_scaled, train_target, epochs=5)

# 5단계
model.evaluate(val_scaled, val_target)

Cha 7-2 심층 신경망

은닉층

• 입력층과 출력층 사이에 추가된 밀집층
• 은닉층의 뉴런 개수를 정하는 특별한 기준은 없다. 하지만 적어도 출력층의 뉴런 개수보다 많아야 한다.