[핸즈온 머신러닝] 10장 - 케라스를 사용한 인공 신경망 2 (케라스로 딥러닝하기)

AI/Hands-on ML

[핸즈온 머신러닝] 10장 - 케라스를 사용한 인공 신경망 2 (케라스로 딥러닝하기)

KIM DEON 2021. 3. 6. 02:37

[AI/Hands-on ML] - [핸즈온 머신러닝] 10장 - 케라스를 사용한 인공 신경망 (인공 신경망 소개)

[핸즈온 머신러닝] 10장 - 케라스를 사용한 인공 신경망 (인공 신경망 소개)

10. 인공 신경망 인공 신경망 뇌에 있는 생물학적 뉴런의 네트워크에서 영감을 받은 머신러닝 모델 - 하지만 생물학적 뉴런(신경 세포)에서 점점 멀어지고 있음 - 딥러닝의 핵심이며, 복잡한 대규

kdeon.tistory.com

10. 2 케라스로 다층 퍼셉트론 구현하기

텐서플로의 자체적 케라스 구현인 tf.keras를 통한 실습

10. 2. 2 시퀀셜 API를 사용하여 이미지 분류기 만들기

데이터 적재

import tensorflow as tf
from tensorflow import keras

keras.__version__

=> 2.4.0

fashion_mnist = keras.datasets.fashion_mnist
(X_train_full, y_train_full), (X_test, y_test) = fashion_mnist.load_data()

X_train_full.shape
X_train_full.dtype

=> (60000, 28, 28)

=> dtype('uint8')

# 검증 세트 생성
# 입력 특성의 스케일 조정(경사하강법을 통한 신경망 훈련을 위해)
# -> 픽셀 강도를 255.0 으로 나누어 0~1 범위로 조정

X_valid, X_train = X_train_full[:5000] / 255., X_train_full[5000:] / 255.
y_valid, y_train = y_train_full[:5000], y_train_full[5000:]
X_test = X_test / 255.

# 레이블에 해당하는 아이템을 나타내기 위해 클래스 이름 리스트 생성
class_names = ["T-shirt/top", "Trouser", "Pullover", "Dress", "Coat",
               "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot"]

class_names[y_train[0]]

=> 'Coat'

신경망 생성

- 두 개의 은닉층으로 이루어진 분류용 다층 퍼셉트론

# 신경망 생성
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

Sequential 모델 생성
- 가장 간단한 케라스의 신경망 모델으로, 순서대로 연결된 층을 일렬로 쌓아서 구성함 => 시퀀셜 API
첫 번째 층을 만들고 모델에 추가
- Flatten 층은 입력 이미지를 1D 배열로 변환함. 즉, 입력 데이터 X를 받으면 X.reshape(-1, 28*28)을 계산함
- 이 층은 어떤 모델 파라미터도 가지지 않고 간단한 전처리를 수행할 뿐
- 모델의 첫 번째 층이므로 input_shape을 지정해야 함 - 배치 크기를 제외하고 샘플 크기만 써야 함
- 첫 번째 층으로 input_shpe=[28, 28]로 지정된 kera.layer.InputLayer 층을 추가할 수도 있음
뉴런 300개를 가진 Dense 은닉층을 추가
- 이 층은 ReLU 활성화 함수를 사용함
- Dense 층마다 각자 가중치 행렬을 관리함
- 이 행렬에는 층의 뉴런과 입력 사이의 모든 연결 가중치가 포함됨
- 또한 뉴런마다 하나씩 있는 편향도 벡터로 관리함
- 이 층은 입력 데이터를 받으면 앞서 봤던 '완전 연결 층의 출력 계산' 식을 계산 함
뉴런 100개를 가진 두 번째 Dense 은닉층을 추가함
- ReLU 활성화 함수를 사용함
마지막으로 클래스마다 하나씩 뉴런 10개를 가진 Dense 출력층을 추가함
- 배타적인 클래스이므로 소프트맥스 활성화 함수를 사용함

아래와 같이 Sequential 모델을 만들 때 층의 리스트를 전달할 수도 있음

model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=[28, 28]),
    keras.layers.Dense(300, activation="relu"),
    keras.layers.Dense(100, activation="relu"),
    keras.layers.Dense(10, activation="softmax")
])

# 모델 layer 확인
model.summary()

Model: "sequential"

_________________________________________________________________

Layer (type) Output Shape Param # =================================================================

flatten (Flatten) (None, 784) 0

_________________________________________________________________

dense (Dense) (None, 300) 235500

_________________________________________________________________

dense_1 (Dense) (None, 100) 30100

_________________________________________________________________

dense_2 (Dense) (None, 10) 1010 =================================================================

Total params: 266,610

Trainable params: 266,610

Non-trainable params: 0

_________________________________________________________________

- Dense 층은 보통 많은 파라미터를 가짐 -> 예를 들어 첫 번째 은닉층은 784*300개의 연결 가중치와 300개의 편향을 가짐 => 이를 더하면 파라미터가 235,500 개가 됨

- 이런 모델은 훈련 데이터를 학습하기 충분한 유연성을 가짐 (또한 과대적합의 위험을 가짐, 특히 훈련 데이터가 많지 않을 경우)

model.layers

=> [<tensorflow.python.keras.layers.core.Flatten at 0x1e5ba7a46a0>, <tensorflow.python.keras.layers.core.Dense at 0x1e5ba7c81f0>, <tensorflow.python.keras.layers.core.Dense at 0x1e5baa92fa0>, <tensorflow.python.keras.layers.core.Dense at 0x1e5baa92f10>]

hidden1 = model.layers[1]
hidden1.name

=> 'dense'

model.get_layer('dense') is hidden1

=> True

각 층의 모든 파라미는 가중치와 편향 확인 가능

weights, biases = hidden1.get_weights()
weights

array([[ 0.01173569, 0.04237127, 0.061399 , ..., -0.07112142, -0.01814937, -0.05381333], [ 0.06332901, -0.00643114, -0.01675814, ..., 0.02386014, 0.06778005, 0.04085486], [ 0.06377356, -0.03350462, 0.04519348, ..., -0.06329179, -0.06856172, -0.01023558], ..., [ 0.00242883, 0.03840162, -0.00195624, ..., 0.04776923, -0.03343857, -0.00767276], [-0.0392911 , -0.03368513, -0.06466423, ..., -0.03613435, 0.06715587, -0.03098493], [-0.04369525, -0.07398814, -0.00486762, ..., 0.01618735, -0.03390044, 0.04854329]], dtype=float32)

weights.shape

=> (784, 300)

biases

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0 ... , 0., 0., 0.], dtype=float32)

biases.shape

=> (300,)

Dense 층은 앞서 언급한 대칭성을 깨뜨리기 위해 연결 가중치를 무작위로 초기화함

- 편향은 0으로 초기화함

- 다른 초기화 방법을 사용하고 싶다면 층을 만들때 kernel_initializer 와 bias_initializer 매개변수 설정

-(kernel 은 연결 가중치 행렬의 또 다른 이름임)

모델 컴파일

손실 함수와 옵티마지어 지정

- 부가적으로 훈련과 평가 시에 계산할 지표를 추가로 지정할 수 있음

model.compile(loss="sparse_categorical_crossentropy",
              optimizer="sgd",
              metrics=["accuracy"])

위 코드는 아래와 동일

model.compile(loss=keras.losses.sparse_categorical_crossentropy,
              optimizer=keras.optimizers.SGD(),
              metrics=[keras.metrics.sparse_categorical_accuracy])

레이블이 정수 하나로 이루어져 있음 (샘플마다 타깃 클래스 인덱스가 하나 있음, 여기서는 0~9의 정수)
클래스가 배타적이므로 sparse_catergoical_crossentropy 손실을 사용함
- 샘플마다 클래스 별 타깃 확률을 가지고 있다면
- ex. 클래스 3이 [0., 0., 0., 1., 0., 0., 0., 0., 0., 0. ] 인 원-핫 벡터라면
- categorical_crossentropy 손실을 사용해야 함
- 이진 분류나 다중 레이블 이진 분류를 수행한다면 출력층에 softmax대신 sigmoid 함수를 사용하고 binary_crossentropy 손실을 사용함
옵티마이저에 sgd를 지정하면 기본 확률적 경사 하강법을 사용하여 모델을 훈련한다는 의미
- 케라스가 역전파 알고리즘을 수행 함 - 후진 모드 자동 미분과 경사 하강법
- SGD 옵티마이저를 사용할 때 학습률을 튜닝하는 것이 중요 - 기본값 lr=0.01 사용
분류기이므로 훈련/평가 시에 정확도 측정을 위해 accuracy 로 지정

모델 훈련과 평가

history = model.fit(X_train, y_train, epochs=30,
                    validation_data=(X_valid, y_valid))

Epoch 1/30 1719/1719 [==============================] - 3s 1ms/step - loss: 1.0266 - accuracy: 0.6749 - val_loss: 0.5304 - val_accuracy: 0.8196

Epoch 2/30 1719/1719 [==============================] - 2s 1ms/step - loss: 0.5117 - accuracy: 0.8223 - val_loss: 0.4408 - val_accuracy: 0.8546

....

Epoch 30/30 1719/1719 [==============================] - 2s 970us/step - loss: 0.2298 - accuracy: 0.9168 - val_loss: 0.3001 - val_accuracy: 0.8898

- epoch이 끝날 때마다 검증 세트를 사용해 손실과 추가적인 측정 지표를 계산

=> 모델이 얼마나 잘 수행되는지 확인하는 데 유용

- 훈련 세트 성능이 검증 세트보다 월등히 높다면 모델이 훈련 세트에 과대적합되었을 것

- 훈련 epoch마다 케라스는 다음 정보를 출력함

처리한 샘플 개수
샘플마다 걸린 평균 훈련 시간
훈련 세트와 검증세트에 대한 손실과 정확도 (또는 추가로 요청한 다른 지표)

=> 훈련 손실이 감소하고, 30 epoch 이후에 검증 정확도가 89.26%에 도달했으므로 (훈련 정확도와 차이가 크지 않음) 과대적합이 많이 일어나지 않은 결과

어떤 클래스는 많이 등장하고, 다른 클래스는 조금 등장하여 훈련 세트가 편중되어 있다면

fit() 메서드에 class_weight 매개변수를 지정

- 적게 등장하는 클래스는 높은 가중치, 많이 등장하는 클래스는 낮은 가중치를 부여함

- 샘플별로 가중치 부여시 sample_weight 매개변수를 지정

- 둘다 지정되면 케라스는 두 값을 곱하여 사용

- 어떤 샘플은 전문가에 의해 레이블이 할당되고, 다른 샘플은 클라우드 소싱 플랫폼을 사용해 할당되었다면, 전자에 높은 가중치를 부여할 것

- validation_data 튜플의 세 번째 원소로 검증 세트에 대한 샘플별 가중치를 지정할 수도 있음

history 객체를 사용한 학습 곡선 확인

- history.hostroy에는 epoch이 끝날 때마다 훈련 세트와 검증 세트에 대한 손실과 측정한 지표가 담겨있음

import pandas as pd
import matplotlib.pyplot as plt

pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid(True)
plt.gca().set_ylim(0, 1)
# save_fig("keras_learning_curves_plot")
plt.show()

학습 곡선 - epoch마다 측정한 평균적인 훈련 손실과 정확도 및 epoch의 종료 시점마다 츨정한 평균적인 검증 손실과 정확도

- 검증 곡선이 훈련 곡선과 가까움 - 크게 과대적합되지 않았음

- 훈련 초기에 모델이 훈련 세트보다 검증 세트에서 더 좋은 성능을 낸 것 처럼 보이지만, 검증 손실은 epoch이 끝난 후에 계산되고 훈련 손실은 epoch이 진행되는 동안 계산됨

훈련 속선은 epoch의 절반만큼 왼쪽으로 이동해야함
그렇게 보면 훈련 초기에 훈련 곡선과 검증 곡선이 일치함

- 보통 충분히 오래 훈련하면, 훈련 세트의 성능이 검증 세트의 성능을 앞지름

- 검증 손실이 여전히 감소한다면 모델은 아직 완전히 수렴되지 않았으므로 훈련을 계속해야함

- 케라스는 fit() 메서드를 다시 호출 시 중지되었던 곳에서 훈련을 이어감

- 모델 성능에 만족스럽지 않으면 처음으로 돌아가 하이퍼파라미터 튜닝을 해야함

학습률부터 확인
학습률이 도움이 안되면, 다른 옵티마이저를 테스트
항상 다른 하이퍼파라미터를 바꾼 후에는 학습률을 다시 튜닝해야 함
층 개수, 층에 있는 뉴런 개수, 은닉층이 사용하는 활성화 함수 등 모델의 하이퍼파라미터 튜닝 가능
배치 크기같은 하이퍼파라미터 튜닝 가능

모델의 검증 정확도가 만족스러우면, 테스트 세트로 모델을 평가해 일반화 오차를 추정

model.evaluate(X_test, y_test)

313/313 [==============================] - 0s 750us/step - loss: 0.3309 - accuracy: 0.8812

[0.3309190571308136, 0.8812000155448914]

- 검증 세트보다 테스트 세트에서 성능이 조금 낮은 것이 일반적임

- 하이퍼파라미터를 튜닝한 곳이 테스트 세트가 아니라 검증 세트이기 때문

모델을 사용해 예측을 만들기

X_new = X_test[:3]
y_proba = model.predict(X_new)
y_proba.round(2)

=> array([[0. , 0. , 0. , 0. , 0. , 0.01, 0. , 0.02, 0. , 0.97], [0. , 0. , 0.99, 0. , 0.01, 0. , 0. , 0. , 0. , 0. ], [0. , 1. , 0. , 0. , 0. , 0. , 0. , 0. , 0. , 0. ]], dtype=float32)

- 샘플에 대해 클래스마다 각각의 확률을 모델이 추정하였음

첫 번째 이미지 - 클래스 9 앵클부츠의 확률이 가장 높음, 다른 클래스의 확률을 보면, 신발 종류라고 믿고 있음

import numpy as np
#y_pred = model.predict_classes(X_new) # deprecated
y_pred = np.argmax(model.predict(X_new), axis=-1)
y_pred

=> array([9, 2, 1], dtype=int64)

np.array(class_names)[y_pred]

=> array(['Ankle boot', 'Pullover', 'Trouser'], dtype='<U11')

# 앞서 분류한 이미지 확인
y_new = y_test[:3]
y_new

=> array([9, 2, 1], dtype=uint8)

10. 2. 3 시퀀셜 API를 사용하여 회귀용 다층 퍼셉트론 만들기

캘리포니아 주택 가격 데이터셋으로 회귀 신경망 실습

- 이 데이터셋은 수치 특성만 있으므로 2장에서 사용한 것보다 간단 (ocean_proximity 특성 없음)

- 누락된 데이터도 없음

데이터 적재 후 훈련 세트, 검증 세트, 테스트 세트로 나누고 모든 특성의 스케일 조정

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

housing = fetch_california_housing()

X_train_full, X_test, y_train_full, y_test = train_test_split(housing.data, housing.target, random_state=42)
X_train, X_valid, y_train, y_valid = train_test_split(X_train_full, y_train_full, random_state=42)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_valid = scaler.transform(X_valid)
X_test = scaler.transform(X_test)

시퀀셜 API를 사용해 회귀용 MLP를 구축, 훈련, 예측하는 방법은 분류에서 했던 것과 매우 비슷

- 차이점은 출력층이 활성화 함수가 없는 하나의 뉴런을 가지고 (하나의 값을 예측하기 때문)

- 손실 함수로 평균 제곱 오차를 사용한다는 것

이 데이터셋은 잡음이 많기 때문에 과대적합을 막는 용도로 뉴런 수가 적은 은닉층 하나만 사용

model = keras.models.Sequential([
    keras.layers.Dense(30, activation="relu", input_shape=X_train.shape[1:]),
    keras.layers.Dense(1)
])
model.compile(loss="mean_squared_error", optimizer=keras.optimizers.SGD(lr=1e-3))
history = model.fit(X_train, y_train, epochs=20, validation_data=(X_valid, y_valid))
mse_test = model.evaluate(X_test, y_test)
X_new = X_test[:3]
y_pred = model.predict(X_new)

Sequential 모델이 매우 널리 사용되지만 입력과 출력이 여러 개 거나 더 복잡한 네트워크 토폴로지를 갖는 신경망을 만들 경우 함수형 API 사용

10. 2. 4 함수형 API를 사용해 복잡한 모델 만들기

와이드 & 딥 신경망 : 순차적이지 않은 신경망의 한 예

- 이 신경망 구조는 2016년 헝쯔 청의 논문에서 소개됨

- 입력의 일부 또는 전체가 출력층에 바로 연결 됨

- 이 구조를 사용하면 신경망이 (깊게 쌓은 층을 사용한) 복잡한 패턴과 (짧은 경로를 사용한) 간단한 규칙을 모두 학습할 수 있음

- 이와 대조적으로 일반적인 MLP는 네트워크에 있는 층 전체에 모든 데이터를 통과시킴

(데이터에 있는 간단한 패턴이 연속된 변환으로 인해 왜곡될 수 있음)

wide & deep 모델 / 출처: https://ai.googleblog.com

hidden1 = keras.layers.Dense(30, activation="relu")(input_)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_, hidden2])
output = keras.layers.Dense(1)(concat)
model = keras.models.Model(inputs=[input_], outputs=[output])

Input 객체 생성 - 이 객체는 shape과 dtype을 포함하여 모델의 입력을 정의 - 한 모델은 여러 개의 입력을 가질 수 있음
30개 뉴런과 ReLU 활성화 함수를 가진 Dense 층을 만듦 - 입력과 함께 함수처럼 호출됨
두번 째 은닉층을 만들고 함수처럼 호출 - 첫 번째 층의 출력을 전달
Concantenate 층을 만들고 함수처럼 호출하여 두 번째 은닉층의 출력과 입력을 연결
하나의 뉴런과 활성화 함수가 없는 출력층을 만들고 Concatenate 층이 만든 결과를 사용해 호출
마지막으로 사용할 입력과 출력을 지정하여 케라스 Model을 만듦

일부 특성은 짧은 경로로 전달하고 다른 특성들은 깊은 경로로 전달하고 싶은 경우

- 여러 입력을 사용함

- 5개 특성을 짧은 경로로 보내고 6개의 특성을 깊은 경로로 보낸다고 가정

input_A = keras.layers.Input(shape=[5], name="wide_input")
input_B = keras.layers.Input(shape=[6], name="deep_input")
hidden1 = keras.layers.Dense(30, activation="relu")(input_B)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.concatenate([input_A, hidden2])
output = keras.layers.Dense(1, name="output")(concat)
model = keras.models.Model(inputs=[input_A, input_B], outputs=[output])

model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))

X_train_A, X_train_B = X_train[:, :5], X_train[:, 2:]
X_valid_A, X_valid_B = X_valid[:, :5], X_valid[:, 2:]
X_test_A, X_test_B = X_test[:, :5], X_test[:, 2:]
X_new_A, X_new_B = X_test_A[:3], X_test_B[:3]

history = model.fit((X_train_A, X_train_B), y_train, epochs=20,
                    validation_data=((X_valid_A, X_valid_B), y_valid))
mse_test = model.evaluate((X_test_A, X_test_B), y_test)
y_pred = model.predict((X_new_A, X_new_B))

- fit() 호출 시 하나의 입력 행렬을 전달하는 것이 아니라 입력마다 하나씩 행렬의 튜플(X_train_A, X_train_B) 전달

- X_valid 등 다른 경우도 마찬가지

여러 개의 출력이 필요한 경우

여러 출력이 필요한 작업 - 그림에 있는 주요 물체를 분류하고 위치를 알아야하는 경우 (회귀+분류)
동일한 데이터에서 독립적인 여러 작업 수행시 - 얼굴 사진으로 다중 작업 분류 수행(한 출력은 표정, 다른 출력은 안경 여부)
규제 기법으로 사용하는 경우 - 신경망 구조 안에 보조 출력 추가

10. 2. 5 서브클래싱 API로 동적 모델 만들기

시퀀셜 API와 함수형 API는 선언적임

- 사용할 층과 연결 방식을 먼저 정의해야함

- 그 다음 모델에 데이터를 주입하여 훈련이나 추론을 시작함

- 모델을 저장하거나 복사/공유하기 쉬운 방법

- 또한 모델의 구조를 출력하거나 분석하기 좋음

- 프레임워크가 크기를 짐작하고 타입을 확인하여 에러을 일찍 발견할 수 있음

- 전체 모델이 층으로 구성된 정적 그래프이므로 디버깅이 쉬움

서브클래싱 API

- 모델이 반복문을 포함하고 다양한 크기를 다루어야 하며 조건문을 가지는 등

- 여러가지 동적인 구조를 필요로 하는 경우,

- 명령형 프로그래밍 스타일이 필요하다면 서브클래싱 API 사용

class WideAndDeepModel(keras.models.Model):
    def __init__(self, units=30, activation="relu", **kwargs):
        super().__init__(**kwargs)
        self.hidden1 = keras.layers.Dense(units, activation=activation)
        self.hidden2 = keras.layers.Dense(units, activation=activation)
        self.main_output = keras.layers.Dense(1)
        self.aux_output = keras.layers.Dense(1)
        
    def call(self, inputs):
        input_A, input_B = inputs
        hidden1 = self.hidden1(input_B)
        hidden2 = self.hidden2(hidden1)
        concat = keras.layers.concatenate([input_A, hidden2])
        main_output = self.main_output(concat)
        aux_output = self.aux_output(hidden2)
        return main_output, aux_output

model = WideAndDeepModel()

model.compile(loss="mse", loss_weights=[0.9, 0.1], optimizer=keras.optimizers.SGD(lr=1e-3))
history = model.fit((X_train_A, X_train_B), (y_train, y_train), epochs=10,
                    validation_data=((X_valid_A, X_valid_B), (y_valid, y_valid)))
total_loss, main_loss, aux_loss = model.evaluate((X_test_A, X_test_B), (y_test, y_test))
y_pred_main, y_pred_aux = model.predict((X_new_A, X_new_B))

model = WideAndDeepModel(30, activation="relu")

- Input 클래스의 객체를 만들 필요없이 call() 메서드의 input 매개변수를 사용

- 생성자에 있는 층 구성과 call() 메서드에 있는 정방향 계산을 분리함

- call() 메서드 안에서 원하는 어떤 계산도 사용할 수 있음

- 모델 구조가 call() 안에 숨겨져 있으므로 케라스가 쉽게 이를 분석할 수 없음 -> 모델을 저장하거나 복사할 수 없음

- 유연성이 높지만, 실수가 발생하기 쉬움

10. 2. 6 모델 저장과 복원

모델 저장

시퀀셜 API와 함수형 API를 사용하면 훈련된 케라스 모델을 저장하는 것은 다음과 같이 간단함

model = keras.models.Sequential([
    keras.layers.Dense(30, activation="relu", input_shape=[8]),
    keras.layers.Dense(30, activation="relu"),
    keras.layers.Dense(1)
])

model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))
history = model.fit(X_train, y_train, epochs=10, validation_data=(X_valid, y_valid))
mse_test = model.evaluate(X_test, y_test)

model.save("my_keras_model.h5")

모델을 로드하고 예측

model = keras.models.load_model("my_keras_model.h5")
model.predict(X_new)

10. 2. 7 콜백 사용하기

훈련이 몇 시간 지속되는 경우 (특히 대규모 데이터셋에서 훈련할 때) 훈련 도중 일정 간격으로 체크포인트를 저장해야 함 -> 콜백 사용

fit() 메서드의 callbacks 매개변수를 사용하여 케라스가 훈련의 시작이나 끝에 호출할 객체 리스트를 지정할 수 있음

- ModelCheckpoint는 훈련하는 동안 일정한 간격으로 모델의 체크포인트를 저장함

- 기본적으로 매 epoch의 끝에서 호출됨

# 모델 생성 및 컴파일
model = keras.models.Sequential([
    keras.layers.Dense(30, activation="relu", input_shape=[8]),
    keras.layers.Dense(30, activation="relu"),
    keras.layers.Dense(1)
])

model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))

# 체크포인트 저장
checkpoint_cb = keras.callbacks.ModelCheckpoint("my_keras_model.h5", save_best_only=True)
history = model.fit(X_train, y_train, epochs=10,
                    validation_data=(X_valid, y_valid),
                    callbacks=[checkpoint_cb])
                    
# 모델 로드 및 평가
model = keras.models.load_model("my_keras_model.h5") # rollback to best model
mse_test = model.evaluate(X_test, y_test)

ModelCheckpoint의 save_best_only=True로 최상의 검증 세트 점수에서만 모델을 저장

- 오랜 훈련시간으로 훈련 세트에 과대적합될 걱정을 하지 않아도 됨

또는 EarlyStopping 콜백 사용 가능

- 일정 epoch 동안 검증 세트에 대한 점수가 향상되지 않으면 훈련을 멈춤

- 선택적으로 최상의 모델을 복원할 수도 있음

- 페크포인트 저장 콜백과 진전이 없는 경우 훈련을 일찍 멈추는 콜백을 함께 사용할 수 있음

model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))
early_stopping_cb = keras.callbacks.EarlyStopping(patience=10,
                                                  restore_best_weights=True)
history = model.fit(X_train, y_train, epochs=100,
                    validation_data=(X_valid, y_valid),
                    callbacks=[checkpoint_cb, early_stopping_cb])
mse_test = model.evaluate(X_test, y_test)

- EarlyStopping 콜백이 훈련이 끝난 후 최상의 가중치를 복원하기 때문에 저장된 모델을 따로 복원할 필요 없음

10. 2. 8 텐서보드를 사용해 시각화하기

텐서보드 : 인터렉티브 시각화 도구

- 훈련하는 동안 학습 곡선을 그리거나

- 여러 실행 간의 학습 곡선을 비교하고

- 계산 그래프 시각화와 훈련 통계 분석을 수행할 수 있음

- 모델이 생성한 이미지를 확인하거나

- 3D에 투영된 복잡한 다차원 데이터 시각화하고

- 자동으로 클러스터링 해주는 등의 기능 제공

텐서보드를 사용하려면 이벤트 파일이라는 이진 로그 파일에 시각화하려는 데이터를 출력해야함

- 각각의 이진 데이터 레코드를 서머리summary 라고 부름

- 텐서보드 서버는 로그 디렉토리를 모니터링하고 변경사항을 읽어 그래프를 업데이트함

- 일반적으로 텐서보드 서버가 루트 로그 디렉토리를 가리키고 프로그램은 실행할 때마다 다른 서브디렉토리에 이벤트를 기록함

텐서보드 로그를 위한 루트 로그 디렉토리 정의 및 서브디렉토리 경로 생성 함수

import os
root_logdir = os.path.join(os.curdir, "my_logs")

def get_run_logdir():
    import time
    run_id = time.strftime("run_%Y_%m_%d-%H_%M_%S")
    return os.path.join(root_logdir, run_id)

run_logdir = get_run_logdir()
run_logdir

텐서보드 콜백을 통한 로그 저장

# 모델 정의
model = keras.models.Sequential([
    keras.layers.Dense(30, activation="relu", input_shape=[8]),
    keras.layers.Dense(30, activation="relu"),
    keras.layers.Dense(1)
])    
model.compile(loss="mse", optimizer=keras.optimizers.SGD(lr=1e-3))

# 텐서보드
tensorboard_cb = keras.callbacks.TensorBoard(run_logdir)

# 모델 훈련
checkpoint_cb = keras.callbacks.ModelCheckpoint("my_keras_model.h5", save_best_only=True)
history = model.fit(X_train, y_train, epochs=30,
                    validation_data=(X_valid, y_valid),
                    callbacks=[checkpoint_cb, tensorboard_cb])

- TensorBoard() 콜백이 로그 디렉토리를 생성하고

- 훈련하는 동안 이벤트 파일을 만들고 서머리를 기록함

텐서보드 서버 실행

$ tensorboard --logdir=./my_logs --port=6006

[AI/Hands-on ML] - [핸즈온 머신러닝] 10장 - 케라스를 사용한 인공 신경망 3 (하이퍼파라미터 튜닝)