딥러닝 실습

Tensorflow : 구글이 오픈소스로 공개한 기계학습 라이브러리로 2.0 버전부터는 딥러닝 라이브러리를 구축 하는 
Keras 패키지를 통합하게 되었다. 

 

Tensorflow 패키지 이해 

tensorflow.keras.model.Sequentital

model.add : 모델에 대한 새로운 층을 추가함 

- unit 

model.compile : 모델 구조를 컴파일 하며 학습 과정을 설정 
-optimizer : 최적화 방법, Gradient Descent 종류 선택 

loss : 학습 중 손실 함수 설정 

- 회귀 : mean_squared_error(회귀) 

- 분류 : categorical_crossentropy 

metrics : 평가 척도 

-mse : Mean Squared Error 

-acc : 정확도 

f1_score : f1score

 

mpdel.fit : 모델을 훈련 시키는 과정 

- epochs : 전체 훈련 데이터 셋에 대해 학습을 반복하는 횟수 

model.summary() : 모델의 구조를 요약하여 출력 

 

tensorflow.keras.model.Dense: 완전 연결된 층 

- unit : 층에 있는 유닛의 수, 출력에 대한 차원 개수 

inpuit_shape : 1번째 층에만 필요하면 입력데이터의 형태를 지정 

model.evaluate : 테스트 데이터를 사용하여 평가 

model.predict : 새로운 데이터에 대해서 예측 수행 

 

!pip install tensorflow 

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense 
import numpy as np
from sklearn.preprocessing import StandardScaler 


weights = np.array([87,81,82,92,90,61,86,66,69,69]
heights = np.array([187,174,179,192,188,160,179,168,168,174])

Sequentital 모델 초기화 
model = Sequentital()

#단일을 추가하기 

dense_layser = Dense(units =1, input_shape=[1])
model.add(dense_layer)
model_compile(optimizer='adam', loss ='mean_squared_error')

model.summary() 
model.fit(weights, heights, epochs= 100) 

## hidden layer 를 포함한 아키텍처 

model2 = Sequential()

model2.add(Dense(unit=64, activation = 'relu', input_shape = [1] ))
model2.add(Dense(unit=64, activation = 'relu')) 
model.add(Dense(units = 1))

model2.compile(optimizer='adam', loss ='mean_squared_error')
model.summary()
model2.fit(weights, heights, epochs = 100, batch_size = 10  )

 

딥러닝의 활용 예시 

자연어 처리 (Natural Language Processing) 개념 

- 인간의 언어를 데이터 화 하는 것 

Ex ) 단어의 빈도 수 기반 데이터 화 (Bag of Words) 

 

 

언어라는 특성 상 문맥의 고려가 필수적인데, 위 방식은 문맥을 고려하지 않아서 인공 신경망의 발전을 토대로 문맥을 모델이 개발되었어요. 이 모델들이 현재 OPEN Ai 의 Chat GPT 서비스의 연장선에 있는 것 입니다. 

 

 

최신 자연어 처리 모델 - LLM 

LLM 의 종류 

- GPT-4 (OpenAi), PaLM2(Google), LiaMA(Meta) 

 

최신 이미지 생성 딥러닝 

최근의 이미지 모델의 특징은 단순히 이미지를 입력 받는 것을 넘어서 텍스트, 이미지, 음성 등 다양한 유형의 데이터를 함께 사용하는 Mutimodal 의 시대가 도래했어요. 특히 Stable Diffusion 은 커뮤니티가 발달해 쉽게 설치 할 수 있어  접근성도 매우 뛰어납니다.