[텐서플로우] DNN 구현

10 Jul 2021 in ML

텐서플로우 로 DNN 을 구현합니다.

• 데이터 가져오기
• 모델 만들기
• optimizer와 loss function 선택
• 학습
• 테스트 데이터로 평가

데이터 가져오기

import tensorflow as tf
import numpy as np

mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

training_images = training_images / 255.0
test_images = test_images / 255.0

여기서 255.0로 나누어 주는 것을 정규화(Normalization)라고 하는데 아래와 같은 효과가 있다.

• 빠른 학습
• local minimum 에 빠질 가능성을 줄여줌

모델 만들기

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

• Sequential: 신경망에 레이어들을 선형으로 연결
• Flatten: 입력값을 1차원 배열로 펼침
• Dense: 보통 히든 레이어에 사용. 가중치를 포함. activation function 을 필요로 함
• Relu: activation function. X가 0보다 크면 X를 출력 그외는 0 출력
• Softmax: 출력값에 대해서 정규화를 해 줌. classification 에서 사용. 결과값의 합은 언제나 1.0

optimizer와 loss function 선택

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

• loss: 실제값과 예측값의 차이를 계산
• optimizer: loss를 낮추도록 파라미터의 값을 변화시키는 방법

학습

model.fit(training_images, training_labels, epochs=30)

• epoch: 학습을 반복할 횟수

테스트 데이터로 평가

model.evaluate(test_images, test_labels)