[46일차] ASAC 빅데이터 분석가 4기(DL-2)

⚙️ Deep Learning

📌 FNN 네트워크 설계 요소

• 입력
  • 입력 형태
• 출력
  • 출력 형태
  • 활성 함수
• 은닉 계층
  • 활성 함수
• 네트워크 크기
  • 네트워크 깊이(계층 수)
  • 네트워크 폭(계층별 뉴런 수)

---

📌 FNN 분류 문제

• Binary Classification
  • 개념 : 이진 분류
  • 출력에서의 활성 함수 : 0 ~ 1 사이의 값으로 변환해주는 Sigmoid 함수
• Multi Classification
  • 개념 : 다중 분류
  • 출력에서의 활성 함수 : 여러 개의 클래스에 할당한 확률의 합이 1이 되도록 해주는 Softmax 함수

---

📌 FNN 회귀 문제

• 출력에서의 활성 함수 : 항등 함수

---

📌 FNN 구성 요소

• Input Layer : 입력 데이터를 벡터 형태로 받아들여 다음 레이어로 전달한다.
• Activation Function : 다양한 종류가 있으며, 초기에는 속도가 느리고 기울기 소실 문제가 발생할 수 있는 비선형성 sigmoid 계열을 사용하다 딥러닝 이후로는 속도가 빠른 선형성 ReLU 계열을 사용한다.
• Network Depth : Layer 갯수
• Network Width : 계층에 들어 있는 뉴런 갯수

---

⚙️ 실습

📌 간단한 DNN 실습

import tensorflow as tf

fashion_mnist = tf.keras.datasets.fashion_mnist
(train_X, train_y), (test_X, test_y) = fashion_mnist.load_data()

train_X = train_X / 255.0
test_X = test_X / 255.0

model = tf.keras.Sequential(
    [
        tf.keras.layers.Flatten(input_shape = (28, 28)),
        tf.keras.layers.Dense(units = 128, activation = "relu"),
        tf.keras.layers.Dense(units = 10, activation = "softmax")
    ]
)

model.compile(
    optimizer = tf.keras.optimizers.Adam(),
    loss = "categorical_crossentropy",
    metrics = ["accuracy"]
)

history = model.fit(
    train_X,
    tf.keras.utils.to_categorical(train_y, num_classes=10),
    epochs = 100,
    batch_size = 256,
    validation_split = 0.25
)

y_pred = model.predict(test_X)