Introduction

1. 본 글은 인공지능 자격증인 Tensorflow Certification lv1자격증 취득에 필요한 내용을 다룹니다.
2. 기본 딥러닝 개념을 알고 있다는 가정하에 실습 위주의 내용으로 구성되며, 딥러닝 개념에 관해서는 깊게 설명하지 않습니다.
3. 문제의 경우, 실제로 나온 기■ 문제를 바탕으로 하였습니다.

TensorFlow 2.0

• 9월 30일 공식 업데이트 됨
• keras : TensorFlow, Caffe, CNTK, Thean등의 API를 묶어둔 고수준 API
• TensorFlow가 Keras를 인수 (Tensorflow 내에 내제화 함)

간단한 기본 개념 복습

Epoch

• 전체 데이터가 모두 학습한 단위(1)
  ex.) 100개의 데이터가 있을 때, 5epoch이라는 것은 총 100개의 데이터를 5번 학습 시키는 것.

Loss

• 정답과의 오차를 의미

Accuracy(acc)

• 정확도(0~1), 1 = 100%를 의미

Supervised Learning

• 지도 학습
• 입력데이터, 출력데이터가 전부 존재 (즉. 정답(y)데이터를 가짐)
  ex.) 분류(Classification), 회귀(Regression)가 존재

Unsupervised Learning

• 비지도 학습
  ex.) 군집(Clustering)

학습 순서

1. 필요한 API 및 모듈 import
2. 데이터 전처리
3. 모델(Sequential)
4. 생성(Compile)
5. 학습(fit)

입력층, 은닉층, 출력층

• 입력층 : 몇개의 feature가 들어오는가? input shape의 지정이 필수적입니다.
  즉, Classfication에 있어서, 몇개의 feature가 사용되는 지 필요합니다. 이 개수를 input shape라 합니다.
• 은닉층 : 얼마나 딥러닝 모델을 깊게 만들지 결정합니다.
• 출력층 : sigmoid또는 softmax를 주로 사용합니다. Classfication되는 개수에 따라 달라집니다.

지금 몰라도 헷갈려도 상관없습니다.
실습 문제를 통해 바로 굴려보시면 이해가 됩니다.

문제 - Certification Category

x, y의 데이터를 사용하여 해당 데이터를 나타낼 수 있는 1차원 함수인 y=wx+b를 예측하는 모형을 만들어 보도록 합니다.

빠른 실습을 위해 Colab 주소부터 남깁니다.

Certification Category - Goolge Colab

Colab을 키고 위에서 부터 읽어가며 한칸, 한칸 실행(shift + Enter)만 하셔도 됩니다.
블로그에는 해당 내용에 대한 추가적인 설명이 붙여집니다.

0. GPU 설정하기

본 실습은 Goolge Colab을 사용합니다.
본인이 GPU가 있고, 딥러닝 학습 환경 구축이 가능하다면, 구축해도 사용하셔도 됩니다.
허나 상당히 귀찮고 복잡하므로 모든 게 다 해결되어있는 Google Colab을 사용하도록 합시다.

파일 -> 노트 설정 -> GPU로 수정

1. 필요한 모듈 Import

Tensorflow를 사용하기 위한 필요한 모듈과 패키지를 Import합니다.
numpy는 행렬 및 벡터등의 수학적 데이터를 쉽게 다루기 위해 파이썬에서 제공하는 모듈입니다.

2. 데이터 전처리

우리가 눈으로 봤을 때, 이를 반영하는 그래프는 y=x+6이라는 것을 알 수 있습니다.
이를 딥러닝 모델을 통해서 그래프를 차츰 예측하는 과정을 살펴 봅시다.

3. 모델 정의

모델을 정의합니다.

• Dense Layer
  Fully Connected Layer를 뜻합니다.
  1개의 노드로 구성되어있고, input shape 즉, data의 feature는 x가 1개이므로 1개입니다.

• input shape
  만약 x1, x2, x3 3개의 feature로 y를 예측한다면 input shape는 3이 됩니다.
  해당 모델에서는 x1 -> y1 즉, 하나의 x당 하나의 y가 결정되므로 feature가 1입니다.

추가로 전체 데이터의 개수는 (x,y) 세트 6개가 있으므로 총 6개의 데이터라고 할 수 있습니다.

4. 모델 생성

• optimizer
  최적화 함수(업데이트 시키는 함수)를 말합니다.
  SGD 방법으로 각 데이터마다 학습이 이루어지도록 되어있습니다.
• loss
  손실(비용함수)를 뜻합니다. 이는 현재 평균 제곱오차인 MSE를 사용하고 있습니다.

SGD, MSE 등에 관한 내용은 SGD / MSE 를 참고 하시길 바랍니다.

5. 모델 생성

생성한 모델을 학습 시킵니다.
총 1200번을 학습시키는데, SGD 방식으로 학습되므로 6x1200 = 7200번의 update가 수행될 것입니다.
verbos는 모델을 학습시키면서 해당 모델이 학습되는 과정을 출력해서 시각적으로 보여줍니다.

6. 검증

학습이 완료된 모델에 (x = 10)을 넣어 보았습니다.
그 결과 16.000046, 16에 가까운 값이 출력되었습니다.
따라서 우리가 예측한 그래프인 y = x + 6와 거의 유사한 값을 나타내고, 잘 학습되었다고 할 수 있겠습니다.