Keras

TensorFlow, Theano, CNTK 등을 사용하기 편하게 해주는 Keras를 정리 한다.

Model

Layer

from keras.models import Sequential

model = Sequential()

Dense

from keras.layers import Dense

model.add(Dense(units=128, activation='relu', input_shape=(x_train.shape[1], )))

Activation

은닉층에서 사용하는 Activation

• relu
• linear. 계산된 값을 그대로 출력으로 보냄

출력층에서 사용하는 Activation

• sigmoid. 이진 분류
• softmax. 다중 분류

Loss

• categorical_crossentropy : 분류시 사용
• mse : 값 예측시 사용

model.compile(loss='categorical_crossentropy', optimizer=sgd(lr=0.01, momentum=0.9), metrics=['accuracy'])
model.compile(loss='mse', optimizer=sgd(lr=0.01, momentum=0.9), metrics=['accuracy'])

Optimizer

• sgd (확률적 경사 하강법)

• 학습률 (LR, Learning Rate) : 0.1, 0.01
• momentum : 학습률 값을 고정하고 모멘텀 항으로 매개변수의 변경값을 조정
• nesterov : True. 순수한 momentum을 약간 변형함

from keras.optimizers import SGD

model.compile(loss='mse', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True), metrics=['accuracy'])

• adagrad : 학습률을 조정하며 학습

from keras.optimizers import Adagrad

model.compile(loss='mse', optimizer=Adagrad(lr=0.01, momentum=0.9, nesterov=True), metrics=['accuracy'])

• adadelta : adagrad을 보완

from keras.optimizers import Adadelta

model.compile(loss='mse', optimizer=Adadelta(rho=0.95), metrics=['accuracy'])

• rmsprop : adagrad을 보완

from keras.optimizers import RMSprop

model.compile(loss='mse', optimizer=RMSprop(lr=0.001), metrics=['accuracy'])

• adam : 값을 예측할 경우 사용

from keras.optimizers import Adam

model.compile(loss='mse', optimizer=Adam(lr=0.001, beta_1=0.9, beta_2=0.999), metrics=['accuracy'])

• adamax
• nadam

참고 문헌

• 학습률 설정, 2018.01

Metrics

• accuracy : 정확도

사용자 매뉴얼

사용 라이브러리 지정

"c:/사용자/{사용자_이름}/.keras/keras.json" 파일에서 backend를 지정 한다.

• backend : tensorflow, theano, cntk

{
   "backend": "tensorflow",
   "image_data_format": "channels_last",
   "floatx": "float32",
   "epsilon": 1e-07
}

참고 문헌

• Python