딥러닝 Deep learning - Modeling

교육 정보

• 교육 명: 경기미래기술학교 AI 교육
• 교육 기간: 2023.05.08 ~ 2023.10.31
• 강사: 양정은 강사님
• 강의 계획:
  1. 딥러닝 소개 및 프레임워크 설치
  2. Artificial Neurons Multilayer Perceptrons
  3. 미분 기초 Backpropagation
  4. MLP 구현하기
  5. MLP로 MNIST 학습시키기(Mini-project)
  6. Sobel Filtering
  7. Convolutional Layers
  8. 이미지 분류를 위한 CNNs
  9. CNN으로 MNIST 학습시키기
  10. VGGNet, ResNet, GoogLeNet
  11. Image Classification 미니 프로젝트
  12. Object Detection 소개
  13. Region Proposal, Selective Search
  14. RCNN
  15. Single Shot Detection

Modeling flow

Modeling flow를 익히기 위한 random dataset 학습

• import 및 랜덤 데이터 생성 (torch, sklearn 사용)

  from sklearn.datasets import make_blobs, make_moons
  import torch
  from torch.utils.data import DataLoader, TensorDataset
  import torch.nn as nn

• 각 데이터에 맞는 Model 설계
  ex) make_blobs(2 features)로 만든 데이터를 위한 딥러닝 모델 → lenear

  class SimpleModel(nn.Module):
    def __init__(self):
      super(SimpleModel, self).__init__()
  
      self.fc = nn.Linear(in_features=2, out_features=1)
      self.fc_act = nn.Sigmoid()
  
    def forward(self, x):
    ⋮
  

• Device, LR 등 세팅

  from torch.optim import SGD
  
  LR = 0.01 
  if torch.cuda.is_available(): DEVICE = 'cuda'
  elif torch.backends.mps.is_available(): DEVICE = 'mps'
  else: DEVICE = 'cpu'
  
  model = SimpleModel().to(DEVICE) 
  loss_function = nn.BCELoss()
  optimizer = SGD(model.parameters(), lr=LR) 

• 몇번 학습 시킬지 결정(Epoch으로 지정)하고 학습

  EPOCHS = 10
  for epoch in range(EPOCHS):
    for X, y in data_loader:
      X, y = X.to(DEVICE), y.to(DEVICE)
      pred = model(X)
      loss = loss_function(pred, y)
      optimizer.zero_grad()                
      loss.backward()
      optimizer.step()
      ⋮

사용자는 다음 값을 조절해서 적절한 작동조건을 찾음
; Epochs, Model, LR (Learning rate), Batch Size