📗 Keras란?

Keras는 딥러닝 모델을 쉽게 구축하고 학습할 수 있는 고수준 딥러닝 API이다.

1. 고수준 API: Keras는 사용자 친화적이며 직관적인 고수준 API를 제공하여 신경망을 쉽게 구축하고 학습할 수 있다.

2. 모듈화 및 유연성: 층(layer)을 쌓아 모델을 구성하고, 각 층은 독립적으로 구성될 수 있어 모델을 쉽게 수정하고 재사용할 수 있다.

3. 다양한 백엔드 엔진 지원: TensorFlow, Theano, Microsoft Cognitive Toolkit 등 다양한 백엔드 엔진을 지원한다.

📗 Keras 모델링 순서

1. 데이터 준비

학습 및 테스트 데이터를 준비한다. 데이터를 로드하고 전처리하는 단계이다.

2. 모델 구축

여러가지 모델 구축 방식 많지만, Keras에서는 주로 세가지 유형의 모델 구축 방식이 많이 사용된다. Sequential API, Functional API, Model Subclassing을 활용해 모델을 구축할 수 있다.

1. Sequential API
   • 가장 간단하고 직관적인 방법으로, 레이어를 선형적으로 쌓아 구성한다.
   • 각 레이어는 이전 레이어의 출력을 입력으로 받는다.
   • 단순한 모델을 빠르게 만들 수 있으며, 순차적인 데이터 흐름을 가진다.
   • 하지만 복잡한 모델을 구축하기 어려울 수 있다.
     
     
2. Functional API
   • 복잡한 모델을 만들기 위해 사용된다.
   • 다중 입력 또는 다중 출력을 가지는 모델, 레이어들 사이에 복잡한 연결 구조를 가지는 모델을 생성할 수 있다.
   • 각 레이어를 함수처럼 호출하여 레이어 간의 연결을 설정한다.
   • 재사용 가능한 모델과 더 유연한 구조를 만들 수 있다.
     
     
3. Model Subclassing
   • 파이썬 클래스를 사용하여 모델을 구축한다.
   • 사용자 정의 레이어나 모델을 만들어야 할 때 유용하다.
   • 가장 유연한 방법 중 하나이지만, 코드 작성이 조금 더 복잡하며 디버깅이 어려울 수 있다.
   • 모델의 생성 및 구성 방법을 제어하고 싶을 때 유용하다.

이 세 가지 방법은 각각의 장단점이 있으며, 모델의 복잡성과 구조에 맞게 선택하여 사용하면 된다. Sequential은 간단한 모델링에 적합하고, Functional API는 복잡한 모델에 유용하며, Model Subclassing은 최대한의 유연성이 필요한 경우 사용된다.

3. 층 구성

네트워크를 구성하는데에 있어 입력층, 히든층, 출력층은 핵심적이고 기본적인 구성 요소이다. 입력층, 히든 층, 출력층은 네트워크의 위치와 역할을 나타내는 개념이다.

1. 입력층(Input Layer)
   • 모델에 데이터를 입력하는 부분으로, 외부 데이터가 모델에 들어오는 곳이다.
   • 입력층의 뉴런 수는 주어진 데이터의 특성(feature)의 수에 해당한다.
   • 주어진 문제에 따라 입력층의 뉴런 수가 결정된다. 예를 들어 이미지의 경우 각 픽셀을 하나의 특성으로 볼 수 있어서 이미지의 크기에 따라 입력층의 크기가 결정된다.
     
     
2. 히든 층(Hidden Layer)
   • 입력층과 출력층 사이에 위치한 층으로, 모델의 학습 및 패턴 인식을 담당한다.
   • 히든 층은 하나 이상일 수 있고, 다양한 형태와 개수로 구성될 수 있다.
   • 각 히든 층은 다른 층과의 연결된 가중치와 활성화 함수를 통해 입력을 받고 출력을 생성한다.
     
     
3. 출력층(Output Layer)
   • 모델이 예측하거나 분류하려는 결과를 출력하는 층이다.
   • 출력층의 뉴런 수는 모델이 해결하고자 하는 문제에 따라 달라진다.
   • 예를 들어, 이진 분류 문제에서는 하나의 뉴런으로 출력을 하고, 다중 클래스 분류 문제에서는 클래스 수에 맞게 출력 뉴런을 설정한다.

딥러닝 네트워크는 이러한 입력층, 히든 층, 출력층이 서로 연결되어 정보를 전달하고, 가중치와 활성화 함수를 통해 입력을 변환하며, 손실 함수를 최소화하며 학습을 진행한다. 이러한 층들을 조합하여 모델을 구성하고, 적절한 구조와 파라미터를 설정하여 원하는 작업을 수행할 수 있다.
활성화 함수 자세히 보기

Dense, Conv2D, LSTM 등의 층을 사용해서 모델을 구성할 수 있다. 각 층은 입력과 출력의 차원을 가지고 있으며, 활성화 함수와 함께 사용될 수 있다.
Dense는 벡터 형태의 데이터를 다루는 데 주로 사용되고, Conv2D는 이미지와 같은 2D 데이터를 다루는 데 주로 사용된다. 그리고, LSTM은 순차적 데이터를 처리하는 데 사용된다.
각 층은 다른 종류의 데이터 구조와 특성을 고려하여 학습하고, 각각의 층은 해당 데이터에 가장 적합한 방식으로 정보를 처리하려고 설계되었다.

Dense 층: 완전 연결 층으로, 입력 데이터의 모든 뉴런과 출력 데이터의 모든 뉴런이 서로 연결되는 층이다. 출력 뉴런 수를 지정하여 층을 추가할 수 있다.


Conv2D 층: 합성곱 층으로, 주로 이미지 데이터와 같은 2D 데이터를 처리할 때 사용된다. 입력 데이터에서 특정 패턴을 인식하기 위해 작은 필터를 이용하여 입력 데이터에 합성곱을 수행한다.


LSTM 층: 순환 신경망(RNN)의 한 종류로, 순서가 있는 시계열 데이터나 텍스트와 같은 순차적인 데이터를 처리할 때 사용된다. LSTM은 장기 의존성 문제를 해결하기 위해 설계된 층이다.
이외에도 다른 층들도 있다.

입력층, 히든층, 출력층과 Dense층 Conv2D층, LSTM층은 다른 개념이다. 층을 나누느는 분류기준이 다르다.
입력층, 히든 층, 출력층은 네트워크의 위치와 역할을 나타내는 개념이며, Dense, Conv2D, LSTM은 각각 다른 종류의 데이터 및 문제에 적합한 신경망 층이다.

4. 모델 컴파일

모델을 컴파일한다는 것은 딥러닝 모델을 학습하기 위해 필요한 설정을 정의하고 준비하는 단계를 말한다.
compile 메서드를 사용하여 모델을 컴파일할 수 있다. 그리고, 손실 함수(loss function), 최적화 알고리즘(optimizer), 평가 지표(metrics)를 설정한다.

1. 손실 함수 (Loss Function)
   • 손실 함수는 모델이 예측한 값과 실제 정답 간의 차이를 측정하는 함수이다.
   • 모델의 예측이 실제 값과 얼마나 차이나는지를 계산하여 모델을 학습하는 데 사용된다.
   • 회귀 문제에서는 주로 평균 제곱 오차(Mean Squared Error, MSE)를 사용하고, 분류 문제에서는 크로스 엔트로피(Cross Entropy)와 같은 함수들이 사용된다.
   • 손실 함수를 최소화하는 방향으로 모델의 가중치를 조정하여 학습을 진행한다.
     
     
2. 최적화 알고리즘 (Optimizer)
   • 최적화 알고리즘은 모델의 손실 함수를 최소화하기 위해 가중치를 조정하는 방법을 제공한다.
   • 경사 하강법(Gradient Descent)과 그 변형들이 최적화 알고리즘으로 사용된다.
   • Adam, RMSProp, SGD 등이 널리 사용되는 최적화 알고리즘이다. -> Adam, RMSProp, SGD
   • 이 알고리즘들은 손실 함수에서 기울기(경사)를 계산하고, 이를 이용하여 가중치를 업데이트한다.
     
     
3. 평가 지표 (Metrics)
   • 평가 지표는 모델의 성능을 측정하는 데 사용되며, 모델이 얼마나 잘 동작하는지 평가하는 데 도움을 준다.
   • 손실 함수는 모델을 학습하는 데 사용되는 반면, 평가 지표는 모델의 성능을 측정하고 이해하는 데 사용된다.
   • 분류 문제에서는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 등이 사용된다.
   • 회귀 문제에서는 평균 절대 오차(Mean Absolute Error, MAE)나 결정 계수(R-squared) 등이 사용된다.

5. 모델 학습

fit 메서드를 사용하여 모델을 학습시킨다. 입력 데이터와 정답 레이블을 사용하여 모델을 학습하고, 에포크(epoch)와 배치 크기(batch size)를 설정한다.

1. 입력 데이터(Input Data): 모델 학습에 사용되는 데이터 세트이다. 이 데이터는 모델에 입력되며, 주어진 입력에 대한 결과를 예측하는 데 사용된다.
   
   
2. 정답 레이블(Target Labels 또는 Ground Truth): 각 입력 데이터에 대한 기대 출력값 또는 실제 정답이다. 모델은 학습할 때 이 정답 레이블을 예측하도록 조정된다.
   
   
3. 에포크(Epoch): 전체 데이터 세트를 한 번씩 학습하는 것을 1 에포크라고 한다. 에포크 수는 전체 데이터 세트를 몇 번 반복하여 학습할 것인지를 결정한다.
   
   
4. 배치 크기(Batch Size): 전체 데이터를 나누어 여러 작은 배치로 나누는 것이다. 각 배치에 있는 데이터를 사용하여 가중치를 업데이트한다. 배치 크기는 한 번의 반복(iteration)에 사용되는 데이터 샘플의 수를 의미한다.

6. 모델 평가 및 예측

evaluate 메서드로 모델을 평가하고, predict 메서드를 사용하여 새로운 데이터에 대한 예측을 수행한다.

---

이러한 순서로 Keras를 사용하여 딥러닝 모델을 구축하고 학습시킬 수 있다. 딥러닝 모델 구축의 흐름을 파악하기 위해 자세한 내용은 많이 쓰지 않았지만 다음 포스팅부터 더 세부적인 내용에 대한 포스팅을 올리려고 한다.